详情

原文传递一种基于自组织RBF神经网络的出水BOD软测量方法

专利名称：	一种基于自组织RBF神经网络的出水BOD软测量方法
摘要：	一种基于自组织RBF神经网络的出水BOD软测量方法涉及人工智能领域，直接应用于污水处理领域。针对当前污水处理过程出水BOD无法实时获取、仪器设备造价高、测量结果准确性低等问题，本发明提出了一种基于自组织RBF神经网络的出水BOD软测量方法，该方法包括：使用基于互信息的方法提取出水BOD特征参量作为软测量模型的输入变量；设计一种基于误差校正‑敏感度分析的自组织RBF神经网络，使用改进的Levenberg–Marquardt(LM)算法对网络进行训练以提高训练速度；结果表明该软测量模型结构紧凑，能够快速、准确地预测污水处理出水BOD浓度，为污水处理过程安全、平稳运行提供理论支撑与技术保障。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	北京工业大学
发明人：	李文静;李萌;乔俊飞
专利状态：	有效
发布日期：	2019-01-01T00:00:00+0800
申请号：	CN201810203309.9
公开号：	CN108469507A
代理机构：	北京思海天达知识产权代理有限公司 11203
代理人：	刘萍
分类号：	G01N33/18(2006.01)I;G06N3/04(2006.01)I;G;G01;G06;G01N;G06N;G01N33;G06N3;G01N33/18;G06N3/04
申请人地址：	100124 北京市朝阳区平乐园100号
主权项：	1.一种基于自组织RBF神经网络的出水BOD软测量方法，其特征在于，包括：步骤1：确定出水BOD辅助变量；采集污水处理厂实际水质参数数据，记O＝{o_p\|k＝1,2,...,P}为出水BOD浓度，为初步选择的可能与出水BOD相关的第j个水质变量，其中J为水质变量个数，P为水质变量的样本个数，f_jp为第j个水质变量的第p个样本值；步骤1.1：计算各变量Fj与输出变量O之间的归一化互信息NI(Fj；O)，计算公式为：其中，H(Fj)与H(O)分别为变量Fj与输出变量O的熵，I(Fj；O)为变量Fj与输出变量O的互信息；步骤1.2：设置阈值δ∈[0,1]，选取满足NI(Fj；O)＞δ的特征变量，个数记为I，所形成的相关特征集合记为SR；步骤1.3：初始化参数i1＝1，i2＝i1+1；步骤1.4：根据NI(F_j；O)大小将S_R中所有特征进行降序排列，选取S_R中第i₁个特征如果执行步骤1.5；否则跳至步骤1.8；步骤1.5：选取特征集合S_R中第i₂个特征如果计算两特征间的归一化互信息以衡量所选取变量之间的相关性，计算公式为：其中，与分别为变量与的熵，为变量与的互信息；否则，跳至步骤1.7；步骤1.6：若认为变量与之间存在较大的冗余性，将特征从特征集合S_R中删除，返回步骤1.5；否则，令i₂＝i₂+1，返回步骤1.5；步骤1.7：令i1＝i1+1，返回步骤1.4；步骤1.8：令S＝SR，S为选取的辅助变量集合，结束；经步骤1，得到出水BOD的辅助变量，个数记为M；步骤2：设计出水BOD的RBF神经网络预测模型结构；步骤2.1：将由步骤1获取的M个辅助变量按照公式(3)归一化至[‑1,1]，输出变量出水BOD按照公式(4)归一化至[0,1]：其中，Fm表示第m个辅助变量，O表示输出变量，xm和y分别表示归一化后的第m个辅助变量和输出变量；步骤2.2：设计出水BOD软测量模型结构包括三层：输入层、隐含层和输出层，确定其拓扑结构为M‑H‑1，即输入层包含M个神经元，分别对应步骤2.1中归一化后的M个辅助变量，隐含层包含H个神经元，输出层包含1个神经元，对应出水BOD变量；步骤2.3：设共有P个训练样本，对第p个样本(p＝1,2,…,P)，神经网络输入为xp＝[xp,1,xp,2,...,xp,M]，其中xp,m(m＝1,2,…,M)表示第m个辅助变量的第p个样本；此时，神经网络的输出层神经元的输出为：其中，wh为第h个(h＝1,2,…,H)隐含层神经元与输出层神经元的连接权值，φh(xp)为RBF神经网络第h个隐含层神经元的激活函数，定义如公式(6)所示：其中，ch、σh分别为第h个隐含层神经元的中心和宽度；步骤2.4：选取均方误差函数为性能指标，由下式定义：其中，dp为第p个样本的期望输出，yp为第p个样本的网络输出，P为训练样本数；步骤3：出水BOD软测量模型结构自组织设计步骤3.1：神经网络隐含层神经元个数H初始化为0，神经元变化次数n初始化为0；步骤3.2：计算当前第p个样本的网络输出误差：ep＝dp‑yp (8)其中p＝1,2,…,P；对所有训练样本，寻找误差最大的训练样本，如公式(9)：其中e＝[e1,e2,...,eP]T；新增加一个RBF神经元，神经元个数H＝H+1，按照公式(10)‑(12)设置神经元初始参数；cH＝xpmax (10)σH＝1 (11)wH＝1 (12)其中，cH＝[cH,1,cH,2,...,cH,10]、σH分别为第H个隐含层神经元的中心和宽度，wH为第H个隐含层神经元与输出层神经元的连接权值，xpmax为第pmax个输入样本；设置参数n＝n+1；步骤3.3：在当前网络结构下，令向量Δ包含所有需要更新的参数，即：更新规则如下：Δ(k+1)＝Δ(k)‑(Q(k)+μ(k)I)‑1g(k) (14)其中，k表示迭代步数，Q为类海森矩阵，g为梯度向量，I为单位矩阵，μ为学习率参数；类海森矩阵及梯度向量分别根据公式(15)和(16)计算得到：其中，ep为第p个样本的网络输出误差，根据式(8)计算，jp为对应样本的雅可比矩阵行向量，定义如下：根据公式(5)‑(8)，求得：通过公式(18)‑(20)，可得到雅可比矩阵的行向量jp，当将所有训练样本遍历一遍后，则可得到类海森矩阵Q和梯度向量g，进而根据参数更新公式(14)对各参数进行更新；在训练过程中，当E(k+1)≤E(k)时，μ(k+1)＝μ(k)/10，神经网络当前参数保留；反之，μ(k+1)＝μ(k)×10，神经网络参数恢复至参数调整前，基于当前μ对网络参数进行更新；设最大迭代步数为T_max，T_max∈[100,500]，期望误差值为E_d，E_d∈(0,0.01]；神经网络参数学习过程经过不断迭代，当迭代步数T＝T_max或当前训练误差E≤E_d时，对当前网络训练停止；若训练停止时训练误差E＞E_d，当mod(n,N)≠0时，返回步骤3.2，当mod(n,N)＝0时，执行步骤3.4，这里为求余操作，N为[3,10]范围内的整数；否则，跳至步骤3.5；步骤3.4：在当前网络结构下，计算第h个隐含层神经元的敏感度：其中，用于计算标准差；为了便于神经元删减时选取阈值，将敏感度进行归一化：定义隐含层神经元的删减规则为：当NSIh＜γNSImean时，神经元个数H＝H‑R，将隐含层对应神经元删除，这里NSImean为当前所有隐含层神经元的归一化敏感度均值，R为满足删减条件的隐含层神经元个数，γ在[0,0.5]范围内取值；选择与所删除神经元欧式距离最近的神经元，其中心和宽度不变，对其与输出神经元的连接权值进行更新，更新规则如下：其中，ws为所删除神经元s与输出神经元之间的连接权值，wt和wt'分别为在删除神经元s前后与神经元s欧式距离最近的神经元t与输出神经元之间的连接权值；令n＝n+1，返回步骤3.3；步骤3.5：设最大总迭代次数为Ttmax，Ttmax∈[1000,2000]；当训练误差E≤Ed或总迭代次数Ttotal＝Ttmax时，训练停止，得到训练后的神经网络结构及对应参数；步骤4：将测试样本数据作为训练后的自组织RBF神经网络的输入，得到自组织RBF神经网络的输出，将其进行反归一化得到出水BOD浓度的预测值。
所属类别：	发明专利