[发明专利]基于TentFWA-GD的RBF神经网络软测量建模方法及其应用

说明书

本发明公开了一种基于TentFWA‑GD的RBF神经网络软测量建模方法及其应用，采用适应度方差法进行FWA算法的早熟收敛分析，为避免FWA算法早熟收敛，引入Tent混沌映射对FWA算法进行改进，利用Tent混沌映射的全局遍历性维持FWA的种群多样性；为提高RBF神经网络的拟合精度和泛化能力，将Tent混沌映射、FWA算法和GD迭代方法有机融合提出一种TentFWA‑GD算法，用于训练RBF神经网络，以获取最优的RBF神经网络参数值(即c、δ和ω，其中，c为隐含层RBF激活函数的中心矢量，δ为隐含层RBF激活函数的基宽向量，ω为隐含层至输出层的连接权值)。将基于TentFWA‑GD的RBF神经网络用于构建4个Benchmark函数拟合模型和农村生活污水处理过程COD软测量模型，具有较低的函数逼近误差和较高的COD预测精度，取得了良好的应用效果。

技术领域

本发明涉及软测量建模领域，具体涉及一种基于TentFWA-GD的RBF神经网络软测量建模方法及其应用。

背景技术

随着我国农村经济的发展、生活的改善和人口的增加，农村污水排放量呈现快速增长态势，农村生活污水是农村面源污染的重要来源。加强农村污水处理对于保护农村水资源、改善居住环境及推进生态型新农村建设均具有重要意义。农村生活污水处理过程中，化学需氧量(Chemical Oxygen Demand，COD)既是描述水中有机物含量的一项重要参数，也是衡量水体污染程度的一项主要指标。COD等水质参数的及时准确测量对于污水处理系统的优化控制和污水处理质量的整体提升均具有重要意义。传统COD检测方法主要有重铬酸钾法、微波密封消解法和分光光度法等，诸类离线检测方法具有重现性好和检测精度高等优点，但也存在消解时间长、操作过程繁琐和二次污染较严重等缺陷，难以实现COD等水质参数的及时检测及污水处理过程的实时控制。

基于神经网络的软测量技术在理论研究和实际应用中均取得了较好成效。近年来，基于BP神经网络和RBF神经网络等人工神经网络的污水水质参数软测量方法受到国内外学者广泛关注。与BP神经网络相比，RBF神经网络具有拓扑结构紧凑、收敛速度快及逼近精度高等优势，适用于复杂过程的软测量建模。

将RBF神经网络用于软测量建模时，利用RBF神经网络构造采用常规传感器即可直接测量的辅助变量与难以直接测量的主导变量之间的网络模型，实现对主导变量的预测；参阅图1，RBF网络的拓扑结构通常由输入层、隐含层和输出层等三层构成，6个输入层节点对应软测量模型的各个辅助变量，1个输出层节点对应软测量模型的主导变量，隐层节点数目为l；设输入向量X＝{x₁,x₂,…,x₆}，输出向量为Y。输入层将输入向量非线性映射至隐含层的输入，隐含层的输出通过权重矩阵线性映射到输出层的输入。使用高斯径向基函数作为隐层激活函数，即

对应输入向量X，RBF网络的输出Y为：

式中，j＝1,2,…,l，c＝{c₁,c₂,…,c_l}和δ＝{δ₁,δ₂,…,δ_l}分别为隐含层RBF激活函数的中心矢量和基宽向量，ω＝{ω₁,ω₂,…,ω_l}为隐含层至输出层的连接权值。网络参数c、δ和ω，是软测量模型的重要参数，直接关系到RBF神经网络的整体性能及软测量模型的测量精度和泛化性能，实际应用时存在RBF神经网络关键参数难以确定等问题。为提高RBF神经网络及软测量模型的整体性能，运用烟花算法(Fireworks algorithm,FWA)等群体智能优化算法优化确定RBF神经网络参数值是软测量建模的一项重要任务。