[发明专利]一种基于MIC及RBFNN的出水BOD浓度软测量方法

权利要求书

1.一种基于MIC及RBFNN的出水BOD浓度软测量方法，其特征在于，包括以下步骤：

步骤1、确定辅助变量：采用最大信息系数MIC对采集到的污水处理厂实际水质参数原始数据进行相关性分析，最大信息系数的计算方式如式(1)所示，计算出每一个水质参数与出水BOD的相关系数，选取相关系数大于0.5的变量，得出与出水BOD浓度相关性强的辅助变量为：出水总氮浓度、出水氨氮浓度、进水总氮浓度、进水BOD浓度、进水氨氮浓度、生化池DO浓度、进水池磷酸盐浓度；

其中，I(X,Y)表示X,Y的互信息，p(X,Y)表示X,Y的联合概率密度分布函数，p(X)、p(Y)分别表示X、Y的概率密度分布函数，N表示样本数据量，B(N)是关于样本数据量的函数，一般取值为N^0.6；

步骤2、在步骤1筛选出的特征数据基础上，确定K-means聚类算法的初始聚类中心：使用样本密度和样本间的距离确定K-means算法的K个初始聚类中心；

步骤3、确定径向基函数神经网络的中心、宽度和权值参数：将步骤2中得到的K个初始聚类中心代入原始的K-means算法，得到聚类结果，将K-means聚类算法的聚类结果作为径向基函数的中心参数，隐含层中每个节点与输出层节点的初始权值取为1；

步骤4确定用于预测出水BOD浓度的径向基函数神经网络的拓扑结构；

步骤5调整软测量模型的径向基函数神经网络参数；

步骤6、将步骤5中得到的软测量模型打包为jar文件，导入Javaweb项目，使用云服务器完成服务部署，使用浏览器访问项目，上传生产数据，服务器调用径向基函数神经网络程序进行预测，并将预测的结果回传给客户端。

2.根据权利要求1所述的一种基于MIC及RBFNN的出水BOD浓度软测量方法，其特征在于：步骤2包括如下步骤，

步骤2.1数据归一化处理：按照式(3)对训练数据和测试数据进行归一化，减少不同的量纲对结果的影响；

其中x_normal表示归一化后的数据，min表示所有样本中该变量的最小值，max表示所有样本中该变量的最大值，x表示数据的原始值；

步骤2.2确定聚类的候选样本：计算所有数据中各个样本之间的欧式距离，将所有的距离进行升序排序，取距离的上四分位数和下四分位数的均值作为距离阈值R，按式(4)计算第i个样本的密度density_i，将所有的密度进行升序排序，选取所有样本密度值的上四分位数和下四分位数的均值作为密度阈值，选取出密度大于等于阈值的样本作为候选样本；

其中，||.||表示取模运算，N表示样本个数，n表示输入样本序号，X(x)为阈值函数，函数值为0或1；

步骤2.3确定K-means聚类算法初始聚类中心：确定最终聚类中心数K，在候选样本中获取距离最大的两个样本作为初始聚类中心，记做C₁、C₂，将两个样本从候选集中删除，在剩余的样本中，按照欧式距离最短原则将剩余的候选样本分配到距离其最近的中心，作为一个样本簇，共形成两个样本簇S₁、S₂，计算S₁簇中的样本到C₁的距离以及S₂簇中的样本到C₂的距离，取两个簇中距离现有初始聚类中心最远的两个样本记做C₁₁、C₂₁，两个最远的距离记分别做d₁、d₂，若d₁＝d₂，则将C₁₁从原样本集中去除，加入到初始聚类中心样本，记做C₃，否则，将C₂₁从原样本集中去除，加入到初始聚类中心样本，记做C₃；

步骤2.4计算剩余的初始聚类中心：将剩余的样本按照距离最近的原则划分到对应的初始聚类中心，形成的聚类簇记为S₁、S₂...S_m计算各簇中样本点到其聚类中心的距离，每个聚类簇中的样本到该簇的聚类中心的距离分别记做d₁,d₂,...,d_m，m表示现有的聚类簇个数，取d_m+1＝max{d₁,d₂,...,d_m},若h为经验值，取值区间为[0,1]，取d_m+1对应的样本作为新的聚类中心，记为C_m+1，若m+1＝K，则已经确定所有的初始聚类中心，结束本步骤2.4，若m+1K，则继续本步骤2.4。