【技术实现步骤摘要】
一种基于删减型前馈小世界神经网络出水BOD预测方法
:本专利技术涉及一种基于删减型前馈小世界神经网络的出水BOD预测方法。实现BOD浓度的实时预测是先进制造
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小世界神经网络具有强泛化能力，本专...
【技术保护点】
1.一种基于删减型前馈小世界神经网络的出水BOD浓度软测量方法，其特征在于，包括以下步骤：/n步骤1：选取出水BOD预测模型辅助变量；/n直接选取给定的M个辅助变量；将辅助变量按照公式(1)归一化至[-1,1]，输出变量出水BOD按照公式(2)归一化至[0,1]：/n
【技术特征摘要】
1.一种基于删减型前馈小世界神经网络的出水BOD浓度软测量方法，其特征在于，包括以下步骤：
步骤1：选取出水BOD预测模型辅助变量；
直接选取给定的M个辅助变量；将辅助变量按照公式(1)归一化至[-1,1]，输出变量出水BOD按照公式(2)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；min(Fm)和max(Fm)分别表示第m个辅助变量中的最小值和最大值，min(O)和max(O)分别表示输出变量中的最小值和最大值；
步骤2：设计前馈小世界神经网络模型；
步骤2.1：设计前馈小世界神经网络模型布线方式；
根据Watts-Strogatz重新布线规则构造前馈小世界神经网络；具体构造过程如下：首先，构建一个规则连接的L层前馈神经网络，然后以重连概率p从模型中随机选择一个连接从末端断开并重连到模型中的另一个神经元，其中p取值范围为(0,1)，如果这个新的连接已经存在，随机选择另一个新的神经元进行连接，并且同一层中的神经元不能相互连接；
步骤2.2：设计前馈小世界神经网络模型的拓扑结构；
设计的前馈小世界神经网络拓扑结构共有L层，包含输入层、隐含层、输出层；各层的计算功能如下：
①输入层：该层共有M个神经元，代表M个输入辅助变量，输入层的输入为x(1)＝[x1(1),x2(1),…,xM(1)]，其中xm(1)代表输入层的第m个输入辅助变量，m＝1,2,…,M，该层输出等于输入，则输入层第m个神经元的输出为：
②隐含层：采用sigmoid函数作为隐含层的激活函数，则神经网络第l层的第j个神经元的输入和输出定义分别如公式(4)和(5)所示：
其中nu代表神经网络第u层的神经元个数，代表神经网络第u层的第i个神经元与第l层的第j个神经元之间的连接权值；
③输出层：输出层包含一个神经元，输出神经元的输出为：
其中代表神经网络第l层的第j个神经元与输出神经元之间的连接权值，nl代表神经网络第l层的神经元个数；
步骤3：设计前馈小世界神经网络的删减算法；
步骤3.1：定义性能指标函数：
其中，Q为样本数，dq为第q个样本的期望输出值，为第q个样本的预测输出值；
步骤3.2：采用批量梯度下降算法进行参数修正；
①输出层的输出权值修正如公式(8)-(10)所示：
其中
其中，和分别代表t和t+1时刻神经网络第l层的第j个神经元与输出神经元之间的连接权值，代表t时刻神经网络第l层的第j个神经与输出神经元之间连接权值的变化值，ηv代表输出层的输出权值修正过程中的学习率，ηv取值范围为(0,0.1]；
②隐含层的输出权值修正如公式(11)-(13)所示：
其中
其中，和分别代表t和t+1时刻神经网络第s层的第i个神经元与第l层的第j个神经元之间的连接权值，代表t时刻神经网络第s层的第i个神经元与第l层的第j个神经元之间...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。