[发明专利]一种基于自组织模糊神经网络的出水氨氮浓度软测量方法

摘要

一种基于自组织模糊神经网络的出水氨氮浓度软测量方法既属于控制科学与工程领域，又属于环境科学与工程领域。本发明利用自组织模糊神经网络对污水处理过程出水水质氨氮浓度进行预测，实现了污水处理过程出水水质氨氮浓度的实时检测；出水氨氮浓度的准确预测有益于解决制约出水氨氮实时测量困难的难题，确保关键水质排放实时达标；同时，污水处理出水氨氮浓度的实时预测是实现污水处理过程控制的重要环节，是污水处理过程正常运行的重要基础。本发明实现了出水氨氮浓度的实时检测，取得较好的精度，解决了出水氨氮浓度难以实时检测的难题，保证了污水处理过程的稳定安全运行。

主权项

一种基于自组织模糊神经网络的出水氨氮浓度软测量方法，其特征在于，包括以下步骤：(1)确定软测量模型的辅助变量：采集城市污水处理厂实际水质参数数据，选取与出水氨氮浓度相关性强的水质变量：出水总磷TP、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH以及温度T作为出水氨氮浓度预测的辅助变量；(2)设计用于出水氨氮浓度的模糊神经网络拓扑结构，自组织模糊神经网络分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为6‑P‑P‑1的连接方式，其中输入层神经元个数为6，RBF层神经元个数为P个，归一化层神经元个数为P个，P为大于2的正整数，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[‑1,1]；设共有T个训练样本，设第t时刻模糊神经网络输入为x(t)＝[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)，x₆(t)]，模糊神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；基于自组织模糊神经网络的出水氨氮浓度的软测量方法计算方式依次为：①输入层：该层由6个神经元组成，每个神经元的输出为：u_i(t)＝x_i(t),i＝1,2,…,6；  (1)其中，u_i(t)表示输入层第i个神经元t时刻的输出，x_i(t)为输入层第i个神经元t时刻的输入；②RBF层：RBF层由P个神经元组成，每个神经元的输出为：其中，c_j(t)＝[c_1j(t),c_2j(t),…,c_6j(t)]表示RBF层第j个神经元t时刻的中心值，c_ij(t)表示RBF层第j个神经元t时刻中心值的第i个元素，σ_j(t)表示RBF层第j个神经元t时刻的中心宽度，表示RBF层第j个神经元t时刻的输出；③归一化层：归一化层由P个神经元组成，每个神经元的输出为：其中，v_l(t)表示归一化层第l个神经元t时刻的输出，为RBF层神经元输出值之和,表示RBF层第l个神经元t时刻的输出,c_il(t)表示RBF层第l个神经元t时刻中心值的第i个元素，σ_l(t)表示RBF层第l个神经元t时刻中心宽度的第i个元素；④输出层：输出层输出为：其中，w(t)＝[w₁(t),w₂(t),…,w_P(t)]表示归一化层与输出层间t时刻的连接权值向量，w_l(t)表示t时刻归一化层第l个神经元与输出层神经元之间的连接权值，v(t)＝[v₁(t),v₂(t),…,v_P(t)]^T表示归一化层t时刻的输出向量，T表示转置，y(t)为输出层神经元的输出；定义自组织模糊神经网络的误差为：$E\left(t\right)=\frac{1}{2}{\left(y_d\right(t)-y(t\left)\right)}^2;---\left(5\right)$E(t)表示t时刻自组织模糊神经网络的误差平方和；(3)训练自组织模糊神经网络，具体为：①给定自组织模糊神经网络的初始RBF层与归一化层神经元个数为P，自组织模糊神经网络的输入为x(1)，x(2)，…，x(t)，…，x(T)，对应的期望输出为y_d(1)，y_d(2)，…，y_d(t)，…，y_d(T)，T表示自组织模糊神经网络输入的训练样本数，期望误差值设为E_d，E_d∈(0,0.01)，初始中心值c_j(1)中每个变量的赋值区间为[‑2,2]，初始中心宽度σ_j(1)中每个变量的赋值区间为[0,1]，j＝1，2，…，P；初始权值w(1)中每个变量的赋值区间为[‑1,1]；②设置学习步数s＝1；③t＝s，根据公式(1)、(2)、(3)、(4)计算自组织模糊神经网络的输出y(t)，运用快速二次型学习算法计算中心值c_j(t)，中心宽度σ_j(t)以及权值w(t)的增量；ΔΘ(t)＝(Ψ(t)+λ(t)×I)^‑1×Ω(t)；  (6)其中，Θ(t)＝[c₁(t),c₂(t)，…，c_P(t)，σ₁(t),σ₂(t)，…，σ_P(t)，w(t)]为自组织模糊神经网络t时刻的参数向量，I为单位向量，并且：Ω(t)＝j^T(t)e(t)；  (7)Ψ(t)＝j^T(t)j(t)；  (8)e(t)＝y(t)‑y_d(t)；  (9)Ω(t)是t时刻自组织模糊神经网络梯度向量，Ψ(t)为t时刻自组织模糊神经网络Hessian矩阵，j^T(t)为j(t)的转置，e(t)为t时刻自组织模糊神经网络的输出y(t)与期望输出y_d(t)之间的误差，Jacobian向量j(t)和学习率λ(t)为$j\left(t\right)=\&lsqb;\frac{\&part;e\left(t\right)}{\&part;c_1\left(t\right)},...,\frac{\&part;e\left(t\right)}{\&part;c_P\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;{\mathrm{\&sigma;}}_1\left(t\right)},...,\frac{\&part;e\left(t\right)}{\&part;{\mathrm{\&sigma;}}_P\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;w\left(t\right)}\&rsqb;;---\left(10\right)$λ(t)＝μλ(t‑1)；  (11)μ∈(0,0.1)表示影响因子，λ(0)＝0.1；④调整自组织模糊神经网络的参数；Θ(t+1)＝Θ(t)+ΔΘ(t)＝Θ(t)+(Ψ(t)+λ(t)×I)^‑1×Ω(t)；  (12)其中，Θ(t)为自组织模糊神经网络调整前的参数向量，Θ(t+1)为自组织模糊神经网络调整后的参数向量；⑤t>3时，计算归一化层神经元的相对重要指标：$R_l\left(t\right)=\frac{\underset{k=1}{\overset{P}{\&Sigma;}}{a}_{kl}\left(t\right)\&times;b_l\left(t\right)}{\underset{l=1}{\overset{P}{\&Sigma;}}\underset{k=1}{\overset{P}{\&Sigma;}}{a}_{kl}\left(t\right)\&times;b_l\left(t\right)},l=1,2,...,P;k=1,2,...,P;---\left(13\right)$其中，R_l(t)是第l个归一化层神经元对输出层神经元的相对重要指标，归一化层神经元的回归系数向量B(t)＝[b₁(t),b₂(t),…,b_P(t)]^T，b_l(t)是第l个归一化层神经元与输出层神经元之间的回归系数，l＝1,2,…,P；RBF层神经元的回归参数矩阵A(t)＝[a₁(t),a₂(t),…,a_k(t)…,a_P(t)]，a_k(t)＝[a_k1(t),a_k2(t),…，a_kl(t),,…，a_kP(t)]^T为第k个RBF层神经元的回归参数向量，a_kl(t)是第k个RBF层神经元与第l个归一化层神经元之间的回归参数，k＝1,2,…,P；$A\left(t\right)={\&lsqb;S\left(t\right)\hat{S}\left(t\right)\&rsqb;}^T\hat{I}\left(t\right);---\left(14\right)$$B\left(t\right)={\&lsqb;S\left(t\right)\hat{S}\left(t\right)\&rsqb;}^T\hat{G}\left(t\right);---\left(15\right)$其中，为自组织模糊神经网络历史输出向量，为归一化层与输出层之间的信息传递矩阵，${\hat{I}}_l\left(t\right)={\left[\begin{array}{ccc}{w}_l\left(t\right)\&times;v_l\left(x\right(t\left)\right),& w_l\left(t\right)\&times;v_l\left(x\right(t-1\left)\right),& w_l\left(t\right)\&times;v_l\left(x\right(t-2\left)\right)\end{array}\right]}^T$为第l个归一化层神经元与输出层之间的信息传递向量，S(t)是的特征向量，是的特征向量，l＝1，2，…，P；⑥t>3时，调整自组织模糊神经网络的结构，当E(t)大于E(t‑1)时，增长1个归一化层神经元，同时，增加相应的RBF层神经元，并更新RBF层与归一化层神经元数为P₁＝P+1，选择需要增长的归一化层神经元：R_m(t)＝max R(t)；  (16)R(t)＝[R₁(t),R₂(t),…,R_P(t)]，R_m(t)表示归一化层第m个神经元的相对重要指标，则新增加的RBF层与归一化层神经元初始权值为：$c_{P+1}\left(t\right)=\frac{1}{2}\left(c_m\right(t)+x(t\left)\right);---\left(17\right)$σ_P+1(t)＝σ_m(t)；  (18)w_P+1(t)＝w_m(t)；  (19)其中，c_P+1(t)表示新增RBF层神经元的中心，σ_P+1(t)表示新增RBF层神经元的中心宽度，w_P+1(t)为新增归一化层神经元与输出之间的连接权值，c_m(t)表示RBF层第m个神经元的中心，σ_m(t)表示RBF层第m个神经元的中心宽度，w_m(t)为归一化层第m个神经元与输出之间的连接权值；当E(t)小于E(t‑1)时，为了保证模糊神经网络结构简单，寻找相对重要指标最小的归一化层神经元：R_h(t)＝min R(t)；  (20)如果R_h(t)<R_r，R_r∈(0,0.01)表示相对重要指标阈值，则删除第h个归一化层神经元和第h个RBF层神经元，并更新RBF层与归一化层神经元数为P₂＝P‑1；否则，不调整自组织模糊神经网络的结构，P₂＝P；⑦学习步数s增加1，如果步数s<T，则转向步骤③进行继续训练，如果s＝T转向步骤⑧；⑧根据公式(5)计算自组织模糊神经网络的性能，如果E(t)≥E_d，则转向步骤②进行继续训练，如果E(t)<E_d，则停止调整；(4)出水氨氮浓度预测；将测试样本数据作为训练后的自组织模糊神经网络的输入，自组织模糊神经网络的输出即为出水氨氮浓度的软测量值。