一种基于PSO的递归RBF神经网络出水BOD预测方法技术

一种基于PSO的递归RBF神经网络出水BOD预测方法实现BOD浓度的在线预测是先进制造技术领域的重要分支，既属于控制领域，又属于水处理领域。本发明专利技术通过设计PSO‑RRBF神经网络，根据污水处理过程采集的数据实现了BOD浓度的实时测量，解决了污水处理过程出水BOD浓度难以实时测量的问题，提高了城市污水处理厂水质质量实时监控水平。

A PSO-based recursive RBF neural network method for BOD prediction of effluent

A recursive RBF neural network based on PSO for BOD prediction of effluent is an important branch of advanced manufacturing technology. It belongs to both control field and water treatment field. The invention realizes the real-time measurement of BOD concentration by designing PSO RRBF neural network according to the data collected in the sewage treatment process, solves the problem that the BOD concentration in the effluent of the sewage treatment process is difficult to be measured in real-time, and improves the real-time monitoring level of the water quality of the municipal sewage treatment plant.

【技术实现步骤摘要】
一种基于PSO的递归RBF神经网络出水BOD预测方法
:本专利技术涉及一种基于PSO的递归RBF神经网络(PSO-RRBF)出水BOD预测方法。实现BOD浓度的在线预测是先进制造
的重要分支，既属于控制领域，又属于水处理领域。
技术介绍
:生化需氧量(BiochemicalOxygenDemand，BOD)是指规定时间内微生物分解有机物所消耗水中溶解氧的数量，是评价污水水质的重要指标，快速准确测量出水BOD浓度利于有效控制水体污染。目前BOD测量的方法有稀释与接种法、微生物传感器快速测定法等，BOD分析测定期为5天，测定周期较长，不能实时反映污水中BOD的浓度变化。同时微生物传感器具有造价高、寿命短、稳定性差等缺点，降低了微生物传感器的普适性。因此，如何低成本、高效率地对出水BOD浓度进行检测是污水处理过程面临的难题。软测量方法采用间接测量的思路，利用易测变量，通过构建模型对难测变量进行实时预测，为污水处理过程中关键水质参数的测量提供了一种高效快速的解决方案。基于神经网络是软测量方法中的有效模型以及径向基函数的强非线性映射能力，本专利技术设计了一种基于PSO-RRBF神经网络的出水BOD软测量方法，实现出水BOD浓度的在线预测。
技术实现思路
本专利技术获得了一种基于PSO-RRBF神经网络的出水BOD预测方法，通过设计PSO-RRBF神经网络，根据污水处理过程采集的数据实现了BOD浓度的实时测量，解决了污水处理过程出水BOD浓度难以实时测量的问题，提高了城市污水处理厂水质质量实时监控水平；一种基于PSO-RRBF神经网络的BOD浓度预测方法包括以下步骤：步骤1：利用PSO算法初步筛选出水BOD辅助变量并确定PSO-RRBF神经网络的隐含层节点个数，确定网络结构；步骤1.1：初始化粒子种群；假设在一个b维的搜索空间，由z个粒子组成一个种群，每一个粒子由一个1行b列的向量xi表示，前b-1列代表特征变量，通过随机二值化进行特征变量的初始化，第b列代表神经网络隐含层神经元的个数，随机设定初始值；群体中第i个粒子的位置和速度可分别表示为：xi＝(xi1,xi2,...,xib)i＝1,2,...,z(1)vi＝(vi1,vi2,...,xib)i＝1,2,...,z(2)其中，xia(a＝1,2,...,b-1)和via(a＝1,2,...,b-1)分别代表粒子中特征变量的位置和速度，xib和vib分别代表粒子中神经网络隐含层神经元个数的位置和速度；xia通过随机二值化进行特征变量的初始化，xib随机设定初始值，vi的初始值取[-1,1]的任意数；步骤1.2：确定PSO算法中的适应度函数及粒子速度位置更新方式；将PSO算法中的适应度函数定义为神经网络的预测精度，计算公式为：其中，Q为样本数，dq为第q个样本的输出值，yq为第q个样本的期望输出值；将所有粒子适应度函数值中的最小值确定为全局最佳适应度值；对粒子的适应度进行评价，并基于公式(4)、(5)对粒子的位置和速度进行更新：xi(t+1)＝xi(t)+vi(t+1)(4)vi(t+1)＝wvi(t)+c1r1(pi(t)-xi(t))+c2r2(gd(t)-xi(t))(5)其中，xi(t)和xi(t+1)分别表示第i个粒子在t和t+1时刻的位置，vi(t)和vi(t+1)分别表示第i个粒子在t和t+1时刻的位置，w是惯性权重，初始值取(0,1)的任意数；r1和r2是在[0,1]范围内变化的随机数，pi(t)是t时刻粒子经过的最优位置，gd(t)是t时刻种群经过的全局最优位置，c1和c2为加速因子，c1和c2∈[1.5,2]；设最大迭代次数为Tmax，Tmax∈[50,200]；当预测精度fitness≤fitnessd或者总迭代次数Ttotal＝Tmax时，达到终止条件，fitnessd为期望预测精度，fitnessd∈(0,0.01]；更新粒子和种群最优位置直到满足终止条件，选出最优粒子；步骤1.3：确定特征变量及隐含层神经元个数；经步骤1.2，选出最优粒子，将前b-1列进行二值化，值为0代表未选中该特征值，为1代表选中该特征值，从而得到出水BOD辅助变量，个数记为N；zbest最后一列取整确定为隐含层神经元的个数，个数记为J；步骤2：设计用于出水BOD预测的PSO-RRBF神经网络拓扑结构；步骤2.1：将由步骤1获取的N个辅助变量按照公式(6)归一化至[0,1]，输出变量出水BOD按照公式(7)归一化至[0,1]：其中，Fn表示第n个辅助变量，O表示输出变量，xn和y分布表示归一化后的第n个辅助变量和输出变量，min(Fn)表示辅助变量中的最小值，max(Fn)表示辅助变量中的最大值；步骤2.2：设计的PSO-RRBF神经网络分为四层：输入层、隐含层、递归层、输出层；各层的计算功能如下：①输入层：该层共有n个神经元代表n个输入变量，n由步骤1获得，该层输出等于输入，设有Q个训练样本，xq,n表示第q个样本的第n个辅助变量，则对第q个样本(q＝1,2,...,Q)，神经网络输入为：xq＝[xq,1,xq,2,...,xq,N]n＝1,2,...,N(8)②隐含层：采用高斯函数作为隐含层的激活函数，其中，φj(xq)代表第q个样本中隐含层第j个神经元的输出，fj代表递归层第j个神经元的反馈值，初始值设定为0；cj和为σj分别为第j个隐含层神经元的中心和宽度，随机设定范围为[0,1]的初始值；J为隐含层神经元的个数，由步骤1获得；③递归层：该层由隐含层的输出引到隐含层的输入，其节点数和隐含层的节点数相同，使得隐含层的输入不光与输入层有关，还和隐含层上一时刻的输出有关，计算公式为：fj(xq+1)＝φj(xq)×vj(xq+1)(10)其中，φj(xq)为输入第q个样本隐含层第j个神经元的输出值，vj(xq+1)为输入第q+1个样本递归层第j个神经元的反馈权值，随机设定范围为[0,1]的初始值；fj(xq+1)为输入第q+1个样本时，递归层第j个神经元的输出值；④输出层：该层是对其输入量进行线性加权求和：其中，y(xq)为输入为第q个样本时输出层的输出值，wj(xq)为输入为第q个样本时隐含层第j个神经元和输出层的连接权值，随机设定范围为[0,1]的初始值；步骤3：网络的参数学习，该网络选取梯度下降算法来调节网络参数，本设计采用的是在线学习，每进入一个样本，相关参数更新一次，相关算法定义如下：步骤3.1：性能指标函数定义其中，Q为样本数，dq为第q个样本的输出值，yq为第q个样本的期望输出值；步骤3.2：计算第q个样本的网络输出误差：eq＝dq-yqq＝1,2,...,Q(13)步骤3.3：参数修正①系数修正其中，wj(xq+1)和wj(xq)分别为输入为第q+1、q个样本时隐含层第j个神经元的输出权值，vj(xq+1)和vj(xq)分别为输入为第q+1、q个样本时递归层第j个神经元的反馈权值；为输入第q个样本时隐含层第j个神经元输出权值的变化率，为输入第q个样本时递归层第j个神经元反馈权值的变化率，φj(xq-1)为输入第q-1个样本隐含层第j个神经元的输出值，ηw为隐含层输出权值w的学习率，ηv为递归层反馈权值v的学习率，ηw和ηv∈(0,0.02]本文档来自技高网...

【技术保护点】
1.一种基于PSO的递归RBF神经网络出水BOD浓度预测方法，其特征在于，包括以下步骤：步骤1：利用PSO算法初步筛选出水BOD辅助变量并确定PSO‑RRBF神经网络的隐含层节点个数，确定网络结构；步骤1.1：初始化粒子种群；假设在一个b维的搜索空间，由z个粒子组成一个种群，每一个粒子由一个1行b列的向量xi表示，前b‑1列代表特征变量，通过随机二值化进行特征变量的初始化，第b列代表神经网络隐含层神经元的个数，随机设定初始值；群体中第i个粒子的位置和速度可分别表示为：xi＝(xi1,xi2,...,xib) i＝1,2,...,z   (1)vi＝(vi1,vi2,...,xib) i＝1,2,...,z   (2)其中xia(a＝1,2,...,b‑1)和via(a＝1,2,...,b‑1)分别代表粒子中特征变量的位置和速度，xib和vib分别代表粒子中神经网络隐含层神经元个数的位置和速度；xia通过随机二值化进行特征变量的初始化，xib随机设定初始值，vi的初始值取[‑1,1]的任意数；步骤1.2：确定PSO算法中的适应度函数及粒子速度位置更新方式；将PSO算法中的适应度函数定义为神经网络的预测精度，计算公式为：...

【技术特征摘要】
1.一种基于PSO的递归RBF神经网络出水BOD浓度预测方法，其特征在于，包括以下步骤：步骤1：利用PSO算法初步筛选出水BOD辅助变量并确定PSO-RRBF神经网络的隐含层节点个数，确定网络结构；步骤1.1：初始化粒子种群；假设在一个b维的搜索空间，由z个粒子组成一个种群，每一个粒子由一个1行b列的向量xi表示，前b-1列代表特征变量，通过随机二值化进行特征变量的初始化，第b列代表神经网络隐含层神经元的个数，随机设定初始值；群体中第i个粒子的位置和速度可分别表示为：xi＝(xi1,xi2,...,xib)i＝1,2,...,z(1)vi＝(vi1,vi2,...,xib)i＝1,2,...,z(2)其中xia(a＝1,2,...,b-1)和via(a＝1,2,...,b-1)分别代表粒子中特征变量的位置和速度，xib和vib分别代表粒子中神经网络隐含层神经元个数的位置和速度；xia通过随机二值化进行特征变量的初始化，xib随机设定初始值，vi的初始值取[-1,1]的任意数；步骤1.2：确定PSO算法中的适应度函数及粒子速度位置更新方式；将PSO算法中的适应度函数定义为神经网络的预测精度，计算公式为：其中，Q为样本数，dq为第q个样本的输出值，yq为第q个样本的期望输出值；将所有粒子适应度函数值中的最小值确定为全局最佳适应度值；对粒子的适应度进行评价，并基于公式(4)、(5)对粒子的位置和速度进行更新：xi(t+1)＝xi(t)+vi(t+1)(4)vi(t+1)＝wvi(t)+c1r1(pi(t)-xi(t))+c2r2(gd(t)-xi(t))(5)其中，xi(t)和xi(t+1)分别表示第i个粒子在t和t+1时刻的位置，vi(t)和vi(t+1)分别表示第i个粒子在t和t+1时刻的位置，w是惯性权重，初始值取(0,1)的任意数；r1和r2是在[0,1]范围内变化的随机数，pi(t)是t时刻粒子经过的最优位置，gd(t)是t时刻种群经过的全局最优位置，c1和c2为加速因子，c1和c2∈[1.5,2]；设最大迭代次数为Tmax，Tmax∈[50,200]；当预测精度fitness≤fitnessd或者总迭代次数Ttotal＝Tmax时，达到终止条件，fitnessd为期望预测精度，fitnessd∈(0,0.01]；更新粒子和种群最优位置直到满足终止条件，选出最优粒子；步骤1.3：确定特征变量及隐含层神经元个数；经步骤1.2，选出最优粒子，将前b-1列进行二值化，值为0代表未选中该特征值，为1代表选中该特征值，从而得到出水BOD辅助变量，个数记为N；zbest最后一列取整确定为隐含层神经元的个数，个数记为J；步骤2：设计用于出水BOD预测的PSO-RRBF神经网络拓扑结构；步骤2.1：将由步骤1获取的N个辅助变量按照公式(6)归一化至[0,1]，输出变量出水BOD按照公式(7)归一化至[0,1]：其中，Fn表示第n个辅助变量，O表示输出变量，xn和y分布表示归一化后的第n个辅助变量和输出变量，min(Fn)表示辅助变量中的最小值，max(Fn)表示辅助变量中的最大值；步骤2.2：设计的P...

【专利技术属性】
技术研发人员：李文静，褚明慧，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11