[发明专利]存储器、生化需氧量软测量方法、系统和装置

权利要求书

1.一种生化需氧量软测量方法，其特征在于，在建立基于RBF神经网络的生化需氧量BOD软测量模型时，确定每次主元分析法PCA计算时隐含层的初始神经元数目，包括步骤：

S11、获取每次PCA计算时BOD软测量模型所对应的输入层变量；

S12、确定上一次PCA计算时BOD软测量模型预测计算后误差最小值所对应的隐含层神经元数目为基准隐含层神经元数目；

S13、以基准隐含层神经元数目为基准，根据本次PCA计算的输入层变量数目与上一次PCA计算时输入层变量数目的比较结果，确定本次PCA计算的隐含层的初始神经元数目。

2.根据权利要求1所述的生化需氧量软测量方法，其特征在于，所述获取每次PCA计算时BOD软测量模型所需的输入层变量，包括：

预先根据各种仪表采集的样本数据获取各种变量的初始数据；

对所述初始数据通过零均值标准化方法进行归一化处理生成各种变量的样本集数据；

根据各所述变量的样本集数据生成矩阵A＝[a₁,a₂,…,a_p]，并求得所述矩阵A的协方差S，将所述矩阵A分解成主成分得分矩阵R；

计算本次PCA计算时的累计方差贡献率，将累计方差贡献率大于预设阈值的变量确定为本次PCA计算获得的输入层变量。

3.根据权利要求2所述的生化需氧量软测量方法，其特征在于，所述对所述初始数据通过零均值标准化方法进行归一化处理生成各种变量的样本集数据，包括：

其中，i为样本数，j为样本分量，a_ij为第i个样本的第j个分量，a_j为第j个分量样本的均值，s_jj为变量a_j的标准差，p为样本分量的数目。

4.根据权利要求3所述的生化需氧量软测量方法，其特征在于，所述计算本次PCA计算时的累计方差贡献率，包括：

计算第t次PCA计算的累计方差贡献率：

其中，i为样本数，j为样本分量，a_i为第i个样本值，a_j为第j个分量样本的均值，η为累计方差贡献率，q为输入层神经元的数目，p为样本分量的数目，η_m为累计方差贡献率的预设阈值；

在主成分得分矩阵R中选出q个向量作为RBF神经网络的输入，确定第t次PCA计算获得的输入层变量。

5.根据权利要求4所述的生化需氧量软测量方法，其特征在于，所述BOD软测量模型的表达式为：

其中，w(k)为隐含层与输出层的连接权值；θ(k)为隐含层神经元的输出；θ_m(k)为第m个隐含层神经元的输出；w_m(k)为第m个隐含层神经元与输出神经元的连接权值；M(t)是第t次PCA计算后隐含层的初始神经元数目，y_t(k)为第t次PCA计算后k时刻的预测值；

隐含层包含M(t)个神经元，每个隐含层神经元的输出表达式为：

u(k)＝[u₁(k),u₂(k),...,u_q(t)(k)] 式(5)；

c(k)＝[c₁(k),c₂(k),...,c_M(t)(k)] 式(6)；

σ(k)＝[σ₁(k),σ₂(k),...,σ_M(t)(k)] 式(7)；

其中，c_m(k)为第m个神经元的中心向量，σ_m(k)是第m个神经元的宽度，u_m(k)为第m个隐含层神经元的输入层向量。