[发明专利]一种基于RBF神经网络的生活垃圾收集过程氨气浓度智能预测方法

说明书

本发明涉及一种基于RBF神经网络的生活垃圾收集过程氨气浓度智能预测方法，实现了对氨气排放趋势的准确预测，包括以下步骤：首先，获取氨气浓度的实时测量数据；对氨气数据进行预处理，确定预测模型的输入变量和输出变量；然后，采用RBF神经网络建立预测模型，通过结构自组织机制和二阶学习算法提高模型精度；本发明有效解决了现有技术只获取氨气实时浓度，而无法对氨气排放变化趋势准确预测的问题。

技术领域

本发明涉及生活垃圾收集过程的臭气智能预测方法；建立了基于RBF神经网络的氨气NH₃预测模型，实现了对氨气浓度趋势的智能预测。既属于生活垃圾治理领域，又属于智能建模领域。

背景技术

随着我国经济的快速发展与城市化进程的不断加快，城市生活垃圾产量与日俱增。为了提高垃圾治理效果，国家先后出台了一系列政策推进垃圾分类工作，防范环境风险。易腐垃圾在生活垃圾中占比较大，可降解性高、易腐烂，是生活垃圾收集过程恶臭气体产生的根源，严重危险居民身心健康及生活环境。氨气是恶臭气体的主要成分之一，对未来氨气浓度趋势进行预测，则可采取相应措施控制氨气排放。因此，实现氨气浓度趋势精准预测，具有重要的理论意义和应用价值。

发明内容

本发明的目的在于提出一种基于RBF神经网络的生活垃圾收集过程氨气智能预测方法，采用RBF神经网络建立氨气浓度预测模型，实现对未来时刻氨气浓度的预测。

本发明采用如下的技术方案及实现步骤：

(1)数据采集：通过安放在垃圾分类驿站的检测设备采集、存储氨气浓度数据，采样间隔时间为30秒；

(2)确定预测模型的输入与输出变量：预测模型的输入变量表示为x＝(x₁,x₂,x₃,x₄)^T，分别代表t-3、t-2、t-1以及t时刻的氨气NH₃浓度，模型的输出变量y为t+2时刻的氨气NH3浓度；

(3)设计用于氨气NH₃浓度智能预测的RBF神经网络模型：基于训练数据，建立RBF神经网络实现生活垃圾收集过程氨气智能预测，则t+2时刻的氨气NH₃浓度预测值计算如下：

式中，y为RBF神经网络预测模型的输出，x为t-3、t-2、t-1以及t时刻的氨气NH₃浓度组成的输入向量，w_j为第j个隐层神经元到输出神经元的连接权值，Φ_j为第j个隐层神经元的输出，J为隐含层神经元个数，RBF设计过程如下：

①初始时刻，网络隐含层神经元数为0；

②寻找输出值绝对值最大的样本，基于该样本信息增加第一个神经元；

初始时刻，隐含层神经元数为0，当前网络最大绝对残差所对应的数据样本即为具有最大绝对期望输出的样本k₁:

k₁＝arg max[||y_d1||,||y_d2||,...,||y_dp||,...||y_dP||] (2)

其中，P代表训练样本的个数，y_dp表示第p个样本的期望输出。因此，增加第一个RBF神经元设置如下：

σ₁＝1 (5)

式中，c₁、w₁和σ₁分别为第一个RBF神经元的中心向量、权值以及宽度，和分别为样本k₁的输入向量和期望输出；