基于模糊分数阶神经网络的水质系统参数辨识方法技术方案

本发明专利技术公开了一种基于模糊分数阶神经网络的水质系统参数辨识方法，首先根据水质等级和影响水质等级的因素，收集系统模型的输入输出数据；然后根据水质等级和影响因素之间的关系设计模糊神经网络系统输入输出变量的数目和基本结构；接着利用数据训练搭建好的模糊神经网络模型，并且计算网络模型和实际输出的误差；根据误差，采用分数阶梯度下降法修改模型的系数以及隶属度函数的参数；当训练的误差达到期望的数值时停止训练。本发明专利技术可以实现水质系统模型参数的快速、在线、高精度辨识，计算方法简单、高效。

【技术实现步骤摘要】
基于模糊分数阶神经网络的水质系统参数辨识方法
本专利技术涉及系统辨识领域，尤其涉及一种基于模糊分数阶神经网络的水质系统参数辨识方法。
技术介绍
水质等级系统与水资源与海洋工程、水生物学以及环境工程等领域息息相关，通过对水质等级的检测，才能了解到对应的水资源的污染程度，从而采用不同的治理方法来改善水质，为水生物提供更好的生存场所。水质等级系统通常由影响水质的指标作为输入项以及水质等级作为输出项。常用的分析指标包括氨氮、溶解氧、化学需氧量、高锰酸盐指数、总磷和总氮。其中，氨氮是有机物有氧分解的产物，可能会导致水体富营养化，是反映水体富营养化程度的指标；化学需氧量和高锰酸盐指数是反映有机污染的综合指标；溶解氧是溶解在水中的氧，是水体自净能力的指标；总磷和总氮均是衡量水体富营养化的指标。通过对这些指标的计算，判断出水体的水质等级，从而可以采用不同的治理方案来治理水源。但是在水质等级系统的模型的构建和辨识上存在以下的问题：(1)传统的模型不能够完全表现出所有指标对于水质等级的影响，难以满足实际应用的要求；(2)对于系统模型的辨识上，传统的方法计算量大，计算速度慢，精度低，尤其难以满足复杂系统对精度的需求。
技术实现思路
专利技术目的：本专利技术的目的是提供一种基于模糊分数阶神经网络的水质系统参数辨识方法，能够全面、快速、准确地辨识出水质等级和影响指标。技术方案：本专利技术的基于模糊分数阶神经网络的水质系统参数辨识方法包括如下步骤：(1)收集水质等级数据作为输出数据，影响水质等级的因素数据作为输入数据；(2)根据影响水质等级的因素和水质等级之间的关系建立模糊神经网络；(3)利用输入和输出数据对神经网络进行训练，计算输入向量的隶属度，根据隶属度函数得到模型的输出，计算其与真实输出的误差；(4)根据成本函数用分数阶梯度下降法计算隶属度函数参数和输出系数的修正量；(5)根据修正量修改隶属度函数的参数以及输出系数并返回步骤(3)重新训练；(6)重复步骤(3)-(5)，当误差达到设定的期望值时，停止对神经网络的训练，得到高精度的模糊分数阶神经网络用于水质检测。其中，步骤(2)中的模糊神经网络包括输入层、模糊化层、规则层、结论层和输出层，用if-then的规则定义模糊系统，对于规则为Ri的情况下，模糊推理的表达式如下：其中x＝[x1,x2,…,xk]是输入量，是模糊系统的模糊集，是模糊系统输出的系数，yi是根据第i个规则得到的确定的输出，该模糊推理表示模型输出是输入的线性组合。步骤(3)中，输入向量x＝[x1,x2,…,xk]的隶属度按下式计算：其中，其中分别是隶属度函数的中心和宽度，k是输入参数的数目，n是规则的数目，模型的输出值y按下式计算：其中wi是模糊算子，其表达式如下：通过成本函数计算模型输出与真实输出的误差，其表达式如下：其中yc是实际输出。步骤(4)中，隶属度函数参数和输出系数的修正量按下式计算：其中是输出系数的修正量，是隶属度中心的修正量，是隶属度宽度的修正量，α为分数阶阶数，μ,β为学习率，m是时间参数，k-m代表当前时刻k的第前m个时刻。步骤(5)中，根据修正量修改隶属度函数参数和输出系数的公式如下所示：有益效果：与现有技术相比，本专利技术具有如下显著优点：利用本专利技术提出的分数阶梯度下降法结合模糊神经网络，能够快速的实现模糊模型的在线辨识，并且通过此方法得到的模型，准确度比常规方法辨识得到的模型要高。该方法计算简便，并且效率高。在此基础上，鉴于模型的高精度，在后续针对水质控制设计控制器时，也能够设计精度较高的控制器，根据实际需求对水质进行精确控制。附图说明图1为本专利技术的方法流程图；图2为水质等级影响因素图；图3为本专利技术模糊分数阶神经网络结构框图；图4为本专利技术采用分数阶梯度下降法进行误差估计的结果图。具体实施方式下面结合附图和实施例对本专利技术的技术方案作进一步说明。如图1所示，本专利技术的基于模糊分数阶神经网络的水质系统参数辨识方法包括如下步骤：(1)收集影响水质等级的因素数据作为多输入数据，水质等级数据作为单输出数据；如图2所示，影响水质等级的常见因素包括氨氮、溶解氧、化学需氧量、高猛酸盐指数、总磷和总氮，因此在本实施例中以上述因素作为模型的输入；(2)根据水质等级和影响水质等级的因素之间的关系建立模糊神经网络，如图3所示，本专利技术中建立的模糊神经网络包括输入层、模糊化层、规则层、结论层和输出层，用“if-then”的规则形来定义T-S模糊系统，对于规则为Ri的情况下，模糊推理为：其中x＝[x1,x2,…,xk]是输入量，是模糊系统的模糊集，是模糊系统输出的系数，yi是根据第i个规则得到的确定的输出。在本实施例中具有6个输入量，k＝6，选择模糊规则数i＝12；(3)利用多输入单输出数据对神经网络进行训练，计算输入向量的隶属度，根据隶属度函数得到模型的输出，计算其与真实输出的误差；输入向量x＝[x1,x2,…,xk]的隶属度按下式计算：其中，其中分别是隶属度函数的中心和宽度，k是输入参数的数目，n是规则的数目，模型的输出值y按下式计算：其中wi是模糊算子，其表达式如下：通过成本函数计算模型输出与真实输出的误差，其表达式如下：其中yc是实际输出，通过将估计输出和真实输出相比较，验证辨识方法的准确性，本实施例的训练误差如图4所示，可以看出通过本专利技术提出的分数阶梯度下降法训练的神经网络，其预测的水质等级和实际水质等级的误差大多在±0.15之内，辨识结果较为准确，更有利于进行后续的水质控制。(4)根据成本函数用分数阶梯度下降法计算隶属度函数参数和输出系数的修正量；隶属度函数参数和输出系数的修正量按下式计算：其中是输出系数的修正量，是隶属度中心的修正量，是隶属度宽度的修正量，α为分数阶阶数，μ,β为学习率，m是时间参数，k-m代表当前时刻k的第前m个时刻。(5)根据修正量修改隶属度函数的参数以及输出系数并返回步骤(3)重新训练；根据修正量修改隶属度函数参数和输出系数的公式如下所示：(6)重复步骤(3)-(5)，当误差达到设定的期望值时，停止对神经网络的训练，得到高精度的模糊分数阶神经网络用于水质检测。本专利技术首先根据影响水质等级的元素成分，收集系统模型的输入输出数据；然后根据收集到的多输入单输出数据，设计模糊神经网络系统输入输出变量的数目，设计出神经网络的基本结构；接着利用数据训练搭建好的模糊神经网络模型，并且计算网络模型和实际输出的误差；根据误差，采用分数阶梯度下降法修改模型的系数以及隶属度函数的参数；当训练的误差达到期望本文档来自技高网...

【技术保护点】
1.一种基于模糊分数阶神经网络的水质系统参数辨识方法，其特征在于，所述方法包括如下步骤：/n(1)收集水质等级数据作为输出数据，水质等级影响指标数据作为输入数据；/n(2)根据影响水质等级的因素和水质等级之间的关系建立模糊神经网络；/n(3)利用输入和输出数据对神经网络进行训练，计算输入向量的隶属度，根据隶属度函数得到模型的输出，计算其与真实输出的误差；/n(4)根据成本函数用分数阶梯度下降法计算隶属度函数参数和输出系数的修正量；/n(5)根据修正量修改隶属度函数的参数以及输出系数并返回步骤(3)重新训练；/n(6)重复步骤(3)-(5)，当误差达到设定的期望值时，停止对神经网络的训练，得到高精度的模糊分数阶神经网络用于水质检测。/n

【技术特征摘要】
1.一种基于模糊分数阶神经网络的水质系统参数辨识方法，其特征在于，所述方法包括如下步骤：
(1)收集水质等级数据作为输出数据，水质等级影响指标数据作为输入数据；
(2)根据影响水质等级的因素和水质等级之间的关系建立模糊神经网络；
(3)利用输入和输出数据对神经网络进行训练，计算输入向量的隶属度，根据隶属度函数得到模型的输出，计算其与真实输出的误差；
(4)根据成本函数用分数阶梯度下降法计算隶属度函数参数和输出系数的修正量；
(5)根据修正量修改隶属度函数的参数以及输出系数并返回步骤(3)重新训练；
(6)重复步骤(3)-(5)，当误差达到设定的期望值时，停止对神经网络的训练，得到高精度的模糊分数阶神经网络用于水质检测。


2.根据权利要求1所述的基于模糊分数阶神经网络的水质系统参数辨识方法，其特征在于，所述步骤(2)中的模糊神经网络包括输入层、模糊化层、规则层、结论层和输出层，用if-then的规则定义模糊系统，对于规则为Ri的情况下，模糊推理的表达式如下：



其中x＝[x1,x2,…,xk]是输入量，是模糊系统的模糊集，是模糊系统输出的系数，yi是根据第i个规则得到的确定的输出，该模糊推理表示模型输出是输入的线性组合。


3.根据权利要求1所述的基于模糊分数阶...

【专利技术属性】
技术研发人员：丁洁，李志杰，林金星，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32