基于模糊神经网络的出水总磷预测方法、电子设备及介质技术

本申请公开了一种基于模糊神经网络的出水总磷预测方法、电子设备及介质。该方法可以包括：确定出水总磷的特征变量作为输入变量；构建基于模糊神经网络的初始预测模型；获取训练样本并输入至初始预测模型，通过多目标粒子群优化算法确定最终预测模型；将输入变量输入至最终预测模型，计算出水总磷。本发明专利技术建立基于模糊神经网络的预测模型对出水总磷进行预测，采用非对称隶属函数对变量数据的分布特性进行描述，利用多目标粒子群优化算法同时对模糊神经网络结构和参数进行动态调整，实现污水处理出水总磷浓度的实时预测。

【技术实现步骤摘要】
基于模糊神经网络的出水总磷预测方法、电子设备及介质
本专利技术涉及水处理领域，更具体地，涉及一种基于模糊神经网络的出水总磷预测方法、电子设备及介质。
技术介绍
在过去100年中，全球的用水量增长了6倍，并且由于人口、经济等因素，用水量仍以每年约1％的速度增长，这加剧了当前的缺水形势，使水资源使用面临着更严峻的压力。随着对水资源的需求量不断增加，污水产生量越来越大，对污水进行处理再利用成为近年来的重点；同时，做好污水处理工作是改善环境质量、推动绿色发展的重要步骤。因此，对城市污水处理过程进行研究有重要的意义，为进行污水处理提供科学支撑。污水中包含各种有机物和无机物污染物，其中氮、磷等营养物超标使水体污染仍然十分严重。生活中常用的洗衣粉、洗衣液，工业中各种合成车间进行的阳极氧化表面处理等都含有各种磷酸盐。据统计仅生活污水中，每人每天将产生0.7g～1.4g的含磷污染物，因此，总磷含量是一个重要的衡量指标，精准预测污水处理中出水总磷浓度是当前污水处理厂面临的关键问题。当前，污水处理厂主要通过采集水样，在实验室使用化学实验手段检测总磷浓度，实现较精确的检测精度。但由于污水处理是一个长流程工艺过程，同时总磷检测时间长，无法满足实时性检测的要求。当发现总磷超标时再进行除磷操作是存在问题的。因此，有必要开发一种基于模糊神经网络的出水总磷预测方法、电子设备及介质。公开于本专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术的一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
本专利技术提出了一种基于模糊神经网络的出水总磷预测方法、电子设备及介质，建立基于模糊神经网络的预测模型对出水总磷进行预测，采用非对称隶属函数对变量数据的分布特性进行描述，利用多目标粒子群优化算法同时对模糊神经网络结构和参数进行动态调整，实现污水处理出水总磷浓度的实时预测。第一方面，本公开实施例提供了一种基于模糊神经网络的出水总磷预测方法，包括：确定出水总磷的特征变量作为输入变量；构建基于模糊神经网络的初始预测模型；获取训练样本并输入至所述初始预测模型，通过多目标粒子群优化算法确定最终预测模型；将所述输入变量输入至所述最终预测模型，计算出水总磷。优选地，所述初始预测模型包括输入层、径向基层、规则层和输出层。优选地，所述输入层为：uq(n)＝xq(n)(1)其中，xq(n)为输入层第q个神经元的输入值，uq(n)为输入层第q个神经元的输出值。优选地，所述径向基层由M个神经元组成，表示为：其中，κqm(n)为径向基层中第m个神经元的第q个非对称隶属度函数，m＝1,2,...,M，μqm(n)为径向基层中第m个神经元的第q个非对称隶属度函数的中心，σlm(n)为径向基层第m个神经元非对称隶属函数左侧宽度，σrm(n)为径向基层第m个神经元非对称隶属函数右侧宽度，为径向基层第m个神经元的输出。优选地，所述规则层由K个神经元组成，表示为：其中，ηk(n)为规则层中第k个神经元的输出值，k＝1,2,...,K。优选地，所述输出层为：其中，wk(n)为规则层第k个神经元与输出层神经元的连接权值，y(n)为初始预测模型的预测输出值。优选地，获取训练样本并输入至所述初始预测模型，通过多目标粒子群优化算法确定最终预测模型包括：设定当前迭代次数t＝1，多目标粒子群优化算法的最大迭代次数为Tmax，种群中粒子数为L，计算种群中第i个粒子的有效位置和速度；计算第t次迭代时多目标粒子群优化算法的适应度值，进而计算第t次迭代时种群的全局最优粒子ai(t)；在第t次迭代时种群的全局最优粒子ai(t)的基础上更新粒子的速度和位置，计算第t+1次迭代时种群的全局最优粒子ai(t+1)；重复上述步骤，直至t≥Tmax时停止计算，选出全局最优粒子并作为所述最终预测模型的最佳参数和结构，确定所述最终预测模型。优选地，计算第t+1次迭代时种群的全局最优粒子ai(t+1)包括：若ai,1(t+1)>ai,1(t)时，随机初始化一个9(ai,1(t+1)-ai,1(t))维新向量bi,new(t+1)，则新粒子ai(t+1)＝[ai(t+1),bi,new(t+1)]；若ai,1(t+1)<ai,1(t)时，新粒子ai(t+1)＝[ai,1(t+1),…,ai,o(t+1)]，o＝1,2,…,9ai,1(t+1)+1；若ai,1(t+1)＝ai,1(t)时，粒子ai(t+1)不发生变化，其中，ai,d(t)表示第i个粒子在第t次迭代时的第d维位置。作为本公开实施例的一种具体实现方式，第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：存储器，存储有可执行指令；处理器，所述处理器运行所述存储器中的所述可执行指令，以实现所述的基于模糊神经网络的出水总磷预测方法。第三方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现所述的基于模糊神经网络的出水总磷预测方法。其有益效果在于：(1)针对传统模糊神经网络泛化能力不足的问题，提出了一种具有非对称隶属函数的模糊神经网络结构，以更好的对输入数据的分布情况进行描述；(2)针对模糊神经网络的结构和参数同时优化的问题，采用改进的多目标粒子群优化算法解决离散-连续混合变量的优化问题，使构建的模型具有合适的训练精度和网络结构，解决了模糊神经网络预测精度低的问题，实现污水处理厂实时精准预测的需求。本专利技术的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本专利技术的特定原理。附图说明通过结合附图对本专利技术示例性实施例进行更详细的描述，本专利技术的上述以及其它目的、特征和优势将变得更加明显，其中，在本专利技术示例性实施例中，相同的参考标号通常代表相同部件。图1示出了根据本专利技术的一个实施例的基于模糊神经网络的出水总磷预测方法的步骤的流程图。图2示出了根据本专利技术的一个实施例的出水总磷训练效果的示意图。图3示出了根据图2的出水总磷训练输出误差的示意图。图4示出了根据本专利技术的一个实施例的出水总磷预测结果的示意图。图5示出了根据图4的出水总磷预测误差的示意图。具体实施方式下面将更详细地描述本专利技术的优选实施方式。虽然以下描述了本专利技术的优选实施方式，然而应该理解，可以以各种形式实现本专利技术而不应被这里阐述的实施方式所限制。本专利技术提供一种基于模糊神经网络的出水总磷预测方法，包括：确定出水总磷的特征变量作为输入变量。...

【技术保护点】
1.一种基于模糊神经网络的出水总磷预测方法，其特征在于，包括：/n确定出水总磷的特征变量作为输入变量；/n构建基于模糊神经网络的初始预测模型；/n获取训练样本并输入至所述初始预测模型，通过多目标粒子群优化算法确定最终预测模型；/n将所述输入变量输入至所述最终预测模型，计算出水总磷。/n

【技术特征摘要】
1.一种基于模糊神经网络的出水总磷预测方法，其特征在于，包括：
确定出水总磷的特征变量作为输入变量；
构建基于模糊神经网络的初始预测模型；
获取训练样本并输入至所述初始预测模型，通过多目标粒子群优化算法确定最终预测模型；
将所述输入变量输入至所述最终预测模型，计算出水总磷。


2.根据权利要求1所述的基于模糊神经网络的出水总磷预测方法，其中，所述初始预测模型包括输入层、径向基层、规则层和输出层。


3.根据权利要求2所述的基于模糊神经网络的出水总磷预测方法，其中，所述输入层为：
uq(n)＝xq(n)(1)
其中，xq(n)为输入层第q个神经元的输入值，uq(n)为输入层第q个神经元的输出值。


4.根据权利要求2所述的基于模糊神经网络的出水总磷预测方法，其中，所述径向基层由M个神经元组成，表示为：






其中，κqm(n)为径向基层中第m个神经元的第q个非对称隶属度函数，m＝1,2,...,M，μqm(n)为径向基层中第m个神经元的第q个非对称隶属度函数的中心，σlm(n)为径向基层第m个神经元非对称隶属函数左侧宽度，σrm(n)为径向基层第m个神经元非对称隶属函数右侧宽度，为径向基层第m个神经元的输出。


5.根据权利要求2所述的基于模糊神经网络的出水总磷预测方法，其中，所述规则层由K个神经元组成，表示为：



其中，ηk(n)为规则层中第k个神经元的输出值，k＝1,2,...,K。


6.根据权利要求2所述的基于模糊神经网络的出水总磷预测方法，其中，所述输出层为：



其中，wk(n)为规则层第k个神经元与输出层神经元的连接权值，y(n)为初始预测模型的预测输出值。


7.根据权利要求1所述的基于模糊神经网络的出水总磷...

【专利技术属性】
技术研发人员：郑江，顾剑，阜葳，韩红桂，何政，王欢欢，赵楠，孙晨暄，乔俊飞，
申请(专利权)人：北京北排水环境发展有限公司，北京工业大学，
类型：发明
国别省市：北京;11