[发明专利]一种基于模糊神经网络的氨氮浓度软测量方法

权利要求书

1.一种基于模糊神经网络的氨氮浓度软测量方法，其特征在于，包括以下步骤：

(1)确定软测量模型的辅助变量：采集城市污水处理厂实际水质参数数据，选取与出水氨氮浓度相关性强的水质变量：进水总磷TP、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH以及温度作为出水氨氮浓度预测的辅助变量；

(2)设计用于出水氨氮浓度的模糊神经网络拓扑结构，模糊神经网络分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为6-P-P-1的连接方式，其中输入层神经元个数为6，RBF层神经元个数为P个，归一化层神经元个数为P个，P为大于2的正整数，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[-1,1]；设第t时刻模糊神经网络输入为x(t)＝[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)，x₆(t)]，模糊神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；出水氨氮浓度软测量模型计算方式依次为：

①输入层：该层由6个神经元组成，每个神经元的输出为：

u_i(t)＝x_i(t),i＝1,2,…,6；(1)

其中，u_i(t)表示输入层第i个神经元t时刻的输出，x_i(t)为输入层第i个神经元t时刻的输入；

②RBF层：RBF层由P个神经元组成，每个神经元的输出为：

其中，c_ij(t)表示RBF层第j个神经元t时刻中心值的第i个元素，σ_ij(t)表示RBF层第j个神经元t时刻中心宽度的第i个元素，表示RBF层第j个神经元t时刻的输出；

③归一化层：归一化层由P个神经元组成，每个神经元的输出为：

其中，v_l(t)表示归一化层第l个神经元t时刻的输出，为RBF层神经元输出值之和,表示RBF层第l个神经元t时刻的输出,c_il(t)表示RBF层第l个神经元t时刻中心值的第i个元素，σ_il(t)表示RBF层第l个神经元t时刻中心宽度的第i个元素；

④输出层：输出层输出为：

y(t)=w(t)v(t)=Σl=1Pwl(t)e-Σi=16(xi(t)-cil(t))22σil2(t)Σj=1Pe-Σi=16(xi(t)-cij(t))22σij2(t),i=1,2,...,6;l=1,2,...,P;---(4)]]>

其中，w(t)＝[w₁(t),w₂(t),…,w_P(t)]表示归一化层与输出层间t时刻的连接权值向量，w_l(t)表示t时刻归一化层第l个神经元与输出层神经元之间的连接权值，v(t)＝[v₁(t),v₂(t),…,v_P(t)]^T表示归一化层t时刻的输出向量，T表示转置，y(t)为输出层神经元的输出；

定义模糊神经网络的均方根误差函数为：

E(t)=12SΣt=1S(yd(t)-y(t))2;---(5)]]>

S表示模糊神经网络输入的训练样本数；

(3)出水氨氮浓度软测量模型校正，具体为：

①给定出水氨氮浓度软测量模型RBF层与归一化层神经元个数P，出水氨氮浓度软测量模型输入为x(1)，x(2)，…，x(t)，…，x(S)，对应的期望输出为y(1)，y(2)，…，y(t)，…，y(S)，期望误差值设为E_d，E_d小于0.01，初始中心值c_ij(t)的赋值区间为[-2,2]，初始中心宽度σ_ij(t)的赋值区间为[0,1]，j＝1，2，…，P；初始权值w(1)中每个变量的赋值区间为[-1,1]；

②设置学习步数s＝1；

③t＝s，根据公式(1)、(2)、(3)、(4)计算出水氨氮浓度软测量模型输出y(t)，运用快速二次型学习算法调整计算中心值c_j(t)，中心宽度σ_j(t)以及权值w(t)的增量；

ΔΘ(t)＝(Ψ(t)+λ(t)×I)^-1×Ω(t)；(6)

其中，Θ(t)＝[c₁(t),c₂(t)，…，c_P(t)，σ₁(t),σ₂(t)，…，σ_P(t)，w(t)]为模糊神经网络t时刻的参数向量，c_j(t)＝[c_1j(t),c_2j(t),…,c_6j(t)]表示RBF层第j个神经元t时刻的中心值，j＝1，2，…，P；σ_j(t)＝[σ_1j(t),σ_2j(t),…,σ_6j(t)]表示RBF层第j个神经元t时刻的中心宽度，并且：

Ω(t)＝j^T(t)e(t)；(7)

Ψ(t)＝j^T(t)j(t)；(8)

e(t)＝y(t)-y_d(t)；(9)

Ω(t)是t时刻模糊神经网络梯度向量，Ψ(t)为t时刻模糊神经网络Hessian矩阵，j^T(t)为j(t)的转置，e(t)为t时刻软测量模型预测输出y(t)与期望输出y_d(t)之间的误差，Jacobian向量j(t)和学习率λ(t)为

j(t)=[∂e(t)∂c1(t),...,∂e(t)∂cP(t),∂e(t)∂σ1(t),...,∂e(t)∂σP(t),∂e(t)∂w(t)];---(10)]]>

λ(t)＝μλ(t-1)；(11)

μ∈(0,0.1)表示影响因子，λ(1)＝0.1；

④调整出水氨氮浓度软测量模型的参数；

Θ(t+1)＝Θ(t)+ΔΘ(t)＝Θ(t)+(Ψ(t)+λ(t)×I)^-1×Ω(t)；(12)

其中，Θ(t)为出水氨氮浓度软测量模型调整前的参数向量，Θ(t+1)为出水氨氮浓度软测量模型调整后的参数向量；

⑤学习步数s增加1，如果步数s<S，则转向步骤③进行继续训练，如果s＝S转向步骤⑥；

⑥根据公式(5)计算出水氨氮浓度软测量模型的性能，如果E(t)≥E_d(t)，则转向步骤②进行继续训练，如果E(t)<E_d(t)，则停止模型参数调整；

(4)出水氨氮浓度预测；

将测试样本数据作为训练后的模糊神经网络的输入，模糊神经网络的输出即为出水氨氮浓度的预测值。