[发明专利]一种基于类脑模块化神经网络的城市固废焚烧过程氮氧化物软测量方法

说明书

本发明涉及一种基于类脑模块化神经网络的城市固废焚烧过程氮氧化物软测量方法，实现了对NOsubgt;X/subgt;浓度的实时准确获取，包括以下步骤：首先，获取数据；对获取的数据进行预处理，确定模型的输入变量和输出变量；然后，采用类脑模块化神经网络建立软测量模型；最后，将测试数据作为模型的输入，验证了模型的有效性。本发明有效地实现了NOsubgt;X/subgt;浓度的实时精准检测，具有重要的理论意义和应用价值。

技术领域

本发明涉及城市固废焚烧过程氮氧化物(NO_X)软测量方法；建立了基于类脑模块化神经网络(Brain-Inspired Modular Neural Network,BIMNN)的NO_X软测量模型，实现了对NO_X浓度的实时准确获取。既属于城市固废治理领域，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，城市固废产量与日俱增，多个城市面临着“固废围城”危机。而固废焚烧处理方式日益成为我国城市固废处理的主要方式。而NO_X是城市固废焚烧过程中产生的主要污染物之一，严重影响人民身体健康和生态环境质量。随着我国环保治理要求日益提高，NOx排放控制已成为城市固废焚烧厂亟待解决的关键问题之一，NOx的实时精准检测是提高城市固废焚烧厂脱硝效率的重要前提之一。因此，实现NO_X的实时精准检测，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类脑模块化神经网络的城市固废焚烧过程NO_X软测量方法，采用类脑模块化神经网络建立NO_X软测量模型，实现对NO_X浓度的实时准确获取。

本发明采用如下的技术方案及实现步骤：

1、数据采集；

2、确定模型的输入与输出变量：采用最大相关最小冗余(mRMR)算法确定模型的输入变量，模型的输出变量为当前时刻的NO_X浓度；

采用mRMR算法确定模型的输入变量方法如下：

给定两随机变量a和b，则两随机变量间的互信息计算如下：

其中，I为随机变量a和b之间的互信息，p(a)和p(b)分别为随机变量a和b的边缘概率分布；p(a,b)为随机变量a和b的联合分布；

首先，基于互信息，寻找与待测变量c具有最大相关性的特征子集S：

其中，m_i为特征子集S中的特征变量，|S|为特征子集S中的特征变量的个数，D为选取的特征变量与待测变量c的相关性，若D越大，则选取的特征变量与待测变量c的相关性越高；

考虑到已选特征变量间存在一定的相似性，且剔除“冗余”特征并不会影响模型性能，因此，计算特征间的冗余性，找到“互斥”特征：

其中，m_i，n_j为特征子集S中的特征变量，R为特征子集S中变量间的冗余性，R越小则冗余性越低；

在mRMR算法应用过程中，通常将最大相关性指标D和最小冗余性指标R统一到评价函数Φ＝D-R中，然后通过寻找该评价函数的最大值确定最优特征子集S*：

maxΦ(D,R),Φ＝D-R  (4)

3、设计用于NO_X浓度软测量的类脑模块化神经网络模型；

(1)、任务分解