[发明专利]一种基于递归自组织RBF神经网络的出水总氮TN智能检测方法

摘要

一种基于递归自组织RBF神经网络的出水总氮TN智能检测方法属于控制领域。污水处理厂出水总氮TN浓度是指所有含氮污染物的总和，是衡量水质好坏的重要指标。而污水处理过程的生产条件恶劣，随机干扰严重，具有强耦合、大时变、滞后严重的特点，导致出水总氮TN浓度的检测极其困难；针对污水处理过程中关键水质参数出水总氮TN无法在线监测的问题，本发明利用基于递归自组织RBF神经网络建立出水总氮TN的软测量模型，完成了出水总氮TN浓度的实时检测，取得了较好的精度，结果表明该软测量方法能够快速、准确地获得出水总氮TN的浓度，提高污水处理的质量和效率，保证了污水处理过程的稳定安全运行。

主权项

1.一种基于递归自组织RBF神经网络的出水总氮TN智能检测方法，其特征在于包括以下步骤：(1)确定出水总氮TN的输入与输出变量：以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与出水总氮TN相关的过程变量作为软测量模型的输入：氨氮NH4‑N，硝态氮NO3‑N，出水悬浮物浓度SS，生化需氧量BOD，总磷TP，软测量模型的输出为出水总氮TN值；(2)设计用于出水总氮TN智能检测的软测量模型：利用递归自组织RBF神经网络建立出水总氮TN的软测量模型，递归自组织RBF神经网络包括：输入层、隐含层、输出层；其结构为5‑J‑1的连接方式，即输入层神经元为5个，隐含层神经元为J个，J为大于2的正整数，输出层神经元为1个；输入层与隐含层之间的连接权值都赋值为1，隐含层与输出层之间的连接权值随机赋值，赋值区间为[‑1,1]；设共有p个训练样本，设第t时刻递归自组织RBF神经网络输入为x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)]，x1(t)表示第t时刻氨氮NH4‑N浓度，x2(t)表示第t时刻硝态氮NO3‑N浓度，x3(t)表示第t时刻出水悬浮物浓度SS浓度，x4(t)表示第t时刻生化需氧量BOD浓度，x5(t)表示第t时刻总磷TP浓度；第t时刻递归自组织RBF神经网络的期望输出表示为yd(t)，实际输出表示为y(t)；基于递归自组织RBF神经网络的出水总氮TN的软测量方法计算方式依次为：①输入层：该层由5个神经元组成，每个神经元的输出为：ui(t)＝xi(t)  (1)其中，ui(t)是t时刻第i个神经元的输出,i＝1,2,…,5；②隐含层：隐含层由J神经元组成，每个神经元的输出为：其中，cj(t)为t时刻第j个隐含层神经元的中心向量，cj(t)＝[c1j(t),c2j(t),…,c5j(t)]T，cij(t)表示隐含层t时刻第j个神经元中心值的第i个元素，||hj(t)‑cj(t)||表示hj(t)与cj(t)之间的欧式距离，σj(t)是t时刻第j个隐含层神经元的中心宽度，hj(t)是t时刻第j个隐含层神经元的输入向量y(t‑1)是t‑1时刻递归自组织RBF神经网络的输出，为t时刻输出神经元与第j个隐含层神经元的反馈连接权值，为t时刻输出神经元与隐含层神经元的反馈连接权值向量，T表示转置；③输出层：输出层输出为：其中，为t时刻隐含层与输出层的连接权值向量，为t时刻第j个隐含层神经元与输出神经元的连接权值，θ(t)＝[θ₁(t),θ₂(t),...,θ_J(t)]^T为t时刻隐含层的输出向量，θ_j(t)为t时刻第j个隐含层神经元的输出，y(t)为t时刻递归自组织RBF神经网络的输出；定义递归自组织RBF神经网络的误差为：其中，yd(t)为t时刻递归自组织RBF神经网络的期望输出，y(t)为t时刻递归自组织RBF神经网络的实际输出，p为训练样本数；(3)训练递归自组织RBF神经网络，具体为：①给定递归自组织RBF神经网络的初始隐含层神经元个数为J，J为大于2的正整数，递归自组织RBF神经网络的输入为x(1)，x(2)，…，x(t)，…，x(p)，对应的期望输出为yd(1)，yd(2)，…，yd(t)，…，yd(p)，p表示训练样本数，期望误差值设为Ed，Ed∈(0,0.01)，初始中心向量cj(1)中每个变量的赋值区间为[‑2,2]，初始中心宽度σj(1)的赋值区间为[0,1]，初始反馈连接权值vj(t)的赋值区间为[0,1]，j＝1，2，…，J；初始隐含层与输出层的连接权值向量w2(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，计算递归自组织RBF神经网络的输出y(t)，运用自适应二阶算法调整递归自组织RBF神经网络的连接权值和中心宽度：Θ(t+1)＝Θ(t)+(Ψ(t)+η(t)×Ι)‑1×Ω(t)   (6)其中，Θ(t)为t时刻递归自组织RBF神经网络的参数矩阵，Ψ(t)是t时刻的拟海森矩阵，Ω(t)为t时刻梯度向量，I是单位矩阵，t时刻自适应学习率η(t)被定义为η(t)＝μ(t)η(t‑1)   (7)其中，μ(t)为t时刻自适应因子，μ(1)初始值设为μ(1)＝1，βmax(t)和βmin(t)分别为t时刻矩阵Ψ(t)中最大、最小的特征值；0<βmin(t)<βmax(t)，0<η(t)≤1，η(1)＝1，t时刻递归自组织RBF神经网络的参数矩阵Θ(t)包含：t时刻输出神经元与隐含层神经元的反馈连接权值向量w1(t)，t时刻隐含层与输出层的连接权值向量w2(t)，t时刻中心矩阵C(t)＝[c1(t),c2(t),…,cJ(t)]T，cj(t)，t时刻中心宽度向量σ(t)＝[σ1(t),σ2(t),…,σJ(t)]TΘ(1)＝[w1(1),w2(1),C(1),σ(1)]   (9)t时刻的拟海森矩阵Ψ(t)和梯度向量Ω(t)计算方式为Ψ(t)＝jT(t)j(t)   (10)Ω(t)＝jTe(t)  (11)e(t)＝yd(t)‑y(t)   (12)其中，e(t)为t时刻递归自组织RBF神经网络误差，yd(t)与y(t)是分别为递归自组织RBF神经网络的期望输出与实际输出，j(t)为雅克比矩阵④t>3时，计算递归自组织RBF神经网络隐含层神经元的竞争力cpj(t)＝ρj(t)fj(t)σj(t),j＝1,2,…,J   (14)其中，cpj(t)为t时刻第j个隐含层神经元的竞争力，J是隐含层神经元的个数，σj(t)为t时刻第j个隐含层神经元的中心宽度；fj(t)为t时刻第j个隐含层神经元的激活状态其中，χ∈(1,2)，t时刻隐含层神经元的激活状态向量f(t)＝[f1(t),f2(t),…,fJ(t)]，ρj(t)为第j个隐含层神经元的输出与网络输出的相关系数其中，隐含层相关参数输出层相关参数B(t)＝y(t)，为t时刻隐含层相关参数平均值，为t时刻输出层相关参数平均值；⑤t>3时，调整递归自组织RBF神经网络的结构；在调整网络结构过程中，计算第j个隐含层神经元的竞争力，当第j个隐含层神经元的竞争力以及t和t+τ时刻的训练误差满足E(t)‑E(t+τ)≤ε,   (17)其中，指cp_j(t)取最大值时j的取值，E(t)和E(t+τ)分别为t时刻和t+τ时刻的训练误差，τ是时间间隔，为大于2的正整数；ε是预设阈值ε∈(0,0.01)；J为隐含层神经元数；增加1个隐含层神经元，并更新隐含层神经元数为M₁＝J+1；否则，不调整递归自组织RBF神经网络的结构，M₁＝J；当第j个隐含层神经元的竞争力满足cpj(t)<ξ,   (19)其中，ξ∈(0,Ed)是预设的修剪阈值；Ed是预设的常数，Ed∈(0,0.01]；则删除个隐含层神经元，并更新隐含层神经元数为M2＝M1‑1；否则，不调整递归自组织RBF神经网络的结构，M2＝M1；⑥学习步数s增加1，如果步数s

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京工业大学，未经北京工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201610606146.X/，转载请声明来源钻瓜专利网。