[发明专利]一种基于动态前馈神经网络的生化需氧量在线软测量方法

权利要求书

1.一种基于动态前馈神经网络的生化需氧量在线软测量方法，其特征在于：包括以下步骤：

步骤1、设计用于污水曝气池生化需氧量软测量的动态前馈神经网络拓扑结构；其中，网络分为三层：输入层、隐含层和输出层；所述的输入层为污水曝气池进水水质指标，所述的输出层为出水生化需氧量BOD；

步骤1-1、初始化神经网络结构：确定神经网络结构为l-1-1的连接方式，即输入层神经元为l个，在网络开始训练的时刻，隐含层的神经元为1个，输出层神经元1个；

步骤1-2、对神经网络的权值进行随机赋值；神经网络的输入表示为x=(x₁,x₂,…,x_l)^T，其中(x₁,x₂，…,x_l)^T为(x₁,x₂,…,x_l)的转置，神经网络的期望输出表示为y_d；k时刻的训练样本为x(k)=(x₁(k),x₂(k),…，x_l(k))^T；

假设k时刻动态动态前馈神经网络的隐含层中有m个隐节点，则用k时刻的训练样本训练神经网络时，动态前馈神经网络的输出描述为：

y(k)=Σj=1mwj(k)f(Σi=1lvjixi(k))---(1)]]>

其中，m表示k时刻当前动态前馈神经网络中隐含层中的神经元数；

x_i(k)表示k时刻第i个输入节点的输入，其等于k时刻中x(k)=(x₁(k),x₂(k),…,x_l(k))^T的第i个分量；

v_ji表示k时刻第j个隐节点与第i个输入节点之间的权连接值；

w_j(k)表示k时刻第j个隐节点与输出节点之间的权连接值；

表示k时刻动态前馈神经网络中隐含层中第j个隐节点的输出，且有hj(k)=f(Σi=1lvjixi(k));]]>

所述的隐节点输出f(·)的函数表达式为：

f(x)=11+e-x---(2)]]>

步骤1-3、定义误差函数为：

e(k)=1MΣk=1M(y(k)-yd(k)Ty(k)-yd(k))---(3)]]>

其中，M为训练样本总数；

y(k)和y_d(k)分别表示k时刻神经网络的实际输出和期望输出；步骤2、确定动态前馈神经网络的输入样本，并对输入样本进行在线归一化处理；步骤2-1、确定动态前馈神经网络的输入样本，包括曝气池进水溶解氧浓度DO、化学需氧量COD、悬浮物SS浓度和曝气池PH值；输出为曝气池出水生化需氧量BOD；

步骤2-2、对动态前馈神经网络的输入样本进行在线归一化处理；

设k时刻的输入样本和输出样本对为：

z(k)=(x₁(k),x₂(k),x₃(k),x₄(k),x₅(k))（4）

其中，x₁(k),x₂(k),x₃(k),x₄(k)表示输入样本在k时刻的值，作为k时刻神经网络的输入；

x₅(k)表示k时刻表示曝气池出水生化需氧量的目标值，作为k时刻神经网络的期望输出；

在线递归法对输入输出数据进行标准化方法如下：

Zj(k)=zj(k)-z‾j(k)δj2(k)]]>j＝[1,5]，k＝2,3,4，…                            （5）

其中，z_j(k)表示k时刻z(k)中的第j个分量；

表示k时刻第j个分量的平均值；

δ_j(k)表示k时刻第j个分量之间的标准差；

Z_j(k)表示标准化之后的k时刻第j个分量；

通过在线递归计算和

z‾j(k)=k-1kz‾j(k-1)+1kzj(k-1),]]>z‾j(1)=0---(6)]]>

δj2(k)=k-1kδj2(k-1)+1k-1(zj(k)-z‾j(k-1)),]]>δ_j(1)=0（7）

步骤3、采用标准化后的数据训练神经网络，计算神经网络中与隐节点相连的所有权连接值在每次训练过程中的变化情况，判断该隐节点的活跃性，对活跃度较大的隐节点进行分裂；通过计算隐节点在训练过程中绝对输出的变化情况，判断该隐节点学习信息的能力，删除没有学习能力的隐节点；对神经网络参数进行调整；

步骤4、动态前馈神经网络训练过程结束后，确定曝气池出水生化需氧量BOD；

将测试样本数据按照公式（5）、（6）（7）进行标准化处理，标准化处理后的测试样本数据作为训练好的神经网络的输入样本，神经网络的输出按照公式（8）进行反标准化处理：

zj(k)=Zj(k)δj2(k)+z‾j(k)---(8)]]>

反标准化后的值即为出水BOD的软测量结果。

2.根据权利要求1所述的基于动态前馈神经网络的生化需氧量在线软测量方法，其特征在于：步骤3所述的采用标准化后的数据训练神经网络，包括以下步骤：

步骤3-1、采用标准化后的输入样本对网络进行训练，计算神经网络训练k时刻的输入数据时第j个隐节点的活跃度Af_j(k)：

Afj(k)=Σi=14|Δvji(k)|+|Δwj(k)|Σi=14Σj=1m|Δvji(k)|+Σj=1m|Δwj(k)|---(9)]]>

其中，△v_ji(k)表示第j个隐节点与第i个输入节点的权连接值在训练第k个输入数据时的变化情况；

△w_j(k)表示第j个隐节点与输出节点的权连接值在训练第k个输入数据时的变化情况；

表示网络训练第k个输入数据时，与第j个隐节点相连的所有权连接值变化的绝对值；

表示网络训练第k个输入数据时，整个网络权连接值变化的绝对值；

步骤3-2、判断第j个隐节点的活跃度Af_j(k)与活跃度阈值Afo的大小，其中Afo∈[0.01,0.2]；若Af_j(k)大于活跃度阀值Afo，则执行步骤3-3；若Af_j(k)小于活跃度阀值Afo，则执行步骤3-4；

步骤3-3、将第j个隐节点分裂成j1和j2两个隐节点，调整网络结构，设定新分裂的隐节点初始参数：

vj1i(k)=vji(k)]]>wj1(k)=μwj(k)]]>

vj2i(k)=vji(k)]]>wj2(k)=(1-μ)wj(k)---(10)]]>

其中，和分别表示k时刻新分裂的第j₁和j₂两个隐节点与第i个输入节点之间的权连接值；

和分别表示k时刻新分裂的第j₁和j₂两个隐节点与输出节点之间的权连接值；

μ表示：变异因子，其取值范围为0~1；

步骤3-4、计算隐节点当前时刻对信息的学习能力，假设神经网络训练了N_d步，其中N_d是一个计数器，其值是5到10之间的整数，若计数器计到设定值，则执行步骤3-5；若计数器未计到设定值，则执行步骤3-6；

步骤3-5、设定N_d=0，重新开始计数并计算第j个隐节点在训练N_d个输入数据时的平均变化量Av_j(k)：

Avj(k)=1NdΣi=k+1i=k+Nd|hj(i)-hj(i-1)|---(11)]]>

其中，h_j(i)和h_j(i-1)分别表示第j个隐节点在i时刻的输出；

步骤3-6、判断第j个隐节点的学习能力Av_j(k)与学习能力阈值Av_o的大小，其中Av_o∈[0.01,0.05]；若Av_j(k)小于给定的学习能力阈值Av_o，则执行步骤3-7；若大于给定的阀值Av_o，则执行步骤3-8；

步骤3-7、删除第j个隐节点，在隐含层中找出与第j个隐节点相邻的隐节点p，并对隐节点p与输出节点之间的权连接值进行调整：

wp′(k)=wp(k)+hj(k)hj-1(k)wj(k)---(12)]]>

其中，w_p(k)表示没有删除第j个隐节点之前的第p个隐节点与输出节点的连接权值；

w′_p(k)表示删除第j个隐节点之后的第p个隐节点与输出节点的连接权值；

h_j(k)和h_j-1(k)表示第j个隐节点在k和k-1时刻的输出；

w_j(k)表示被删除的第j个隐节点在k时刻与输出节点之间的权连接值；步骤3-8、采集下一时刻的输入数据，返回执行步骤3-1。