一种基于模糊迁徙的出水总氮预测方法技术

本发明专利技术提出了一种基于模糊迁徙的出水总氮检测方法，针对污水处理过程数据量不足的情况下，难以获得精确检测模型的问题。本发明专利技术采用主成分分析算法提取特征变量并建立基于模糊神经网络的检测模型，通过参考模型获取知识，并设计粒子滤波算法对知识进行校正，利用污水处理过程的知识和数据完成检测模型的参数调整，实现出水总氮的精准检测，解决了传统模糊神经网络在数据不足的情况下泛化能力较差的问题，具有较好的学习效率和预测精度，能够保证电子产品回收的高效稳定运行。

【技术实现步骤摘要】
一种基于模糊迁徙的出水总氮预测方法
本专利技术基于污水处理过程运行特性，利用基于模糊迁徙的模糊神经网络设计了一种出水总氮智能预测方法，实现了污水处理过程出水总氮的实时测量；污水处理厂出水总氮浓度是指经过污水处理厂的工艺设施处理后出水的所有含氮污染物的总和，是衡量水质好坏的重要指标，也是水体富营养化的最重要的标志。基于模糊迁徙的出水总氮预测方法能够充分利用总氮历史预测知识弥补当前预测数据不足的缺陷，获得更加精准的预测效果，属于水处理领域。
技术介绍
随着我国城镇化进程的加快，我国对淡水资源的需求量不断增加，导致污水产生量越来越大，因此污水治理成为我国近年来的重要工作之一。从20世纪80年代我国污水处理厂开始大规模建设，到现在我国污水处理能力得到了极大提高。据统计2019年我国城市污水处理厂的污水处理能力超过2.1亿立方米/日，对防治水体污染、环境保护起到积极作用。因此，对污水处理过程的研究成果具有广阔的应用前景。随着污水处理技术提高，污水中有机物污染得到遏制，但氮、磷等营养物超标排放使水体污染仍然十分严重。其中，氮含量的增加是造成水体质量本文档来自技高网...

【技术保护点】
1.一种基于模糊迁徙的出水总氮预测方法，其特征在于，建立基于模糊神经网络的智能预测模型，利用迁徙学习算法调整模糊神经网络预测模型的参数，解决了实际总氮预测过程中数据缺失和数据不足的问题，实现出水总氮浓度的实时预测，包括以下步骤：/n(1)确定总氮预测模型的输入与输出变量/n污水处理厂出水总氮浓度是污水处理厂出水水质中含氮污染物的总和，是衡量水质好坏的重要指标，也是水体富营养化的最重要的标志；以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与出水总氮相关的过程变量作为预测模型的输入：氨氮，硝态氮，出水悬浮物浓度，生化需氧量，出水总磷；预测模型的输出为出水总氮值；/n(2)...

【技术特征摘要】
1.一种基于模糊迁徙的出水总氮预测方法，其特征在于，建立基于模糊神经网络的智能预测模型，利用迁徙学习算法调整模糊神经网络预测模型的参数，解决了实际总氮预测过程中数据缺失和数据不足的问题，实现出水总氮浓度的实时预测，包括以下步骤：
(1)确定总氮预测模型的输入与输出变量
污水处理厂出水总氮浓度是污水处理厂出水水质中含氮污染物的总和，是衡量水质好坏的重要指标，也是水体富营养化的最重要的标志；以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与出水总氮相关的过程变量作为预测模型的输入：氨氮，硝态氮，出水悬浮物浓度，生化需氧量，出水总磷；预测模型的输出为出水总氮值；
(2)建立基于模糊神经网络的智能预测模型
模糊神经网络智能预测模型的拓扑结构共四层：输入层、隐含层、规则层和输出层；确定其5-10-10-1的初始连接方式，即输入特征变量的个数为5，隐含层神经元数为10，规则层神经元数为10，输入层与隐含层之间的连接权值都赋值为1，隐含层与输出层之间的连接权值随机赋值，赋值区间为[-1,1]；设定模糊神经网络智能预测模型的训练数据样本为Q个，用于获取迁徙知识的参考模糊神经网络模型的训练数据样本为N个，则智能预测模型中各层的数学描述如下：
输入层：该层的输入为特征变量，每个输入层神经元的输出为：
xp(t)＝op(t),(1)
其中，xp(t)为第t时刻输入层第p个神经元的输出，t＝1,…,Q，p＝1,,...,5；op(t)为第t时刻输入层第p个神经元的输入，o1(t)表示t时刻氨氮浓度，o2(t)表示t时刻硝态氮浓度，o3(t)表示t时刻出水悬浮物浓度浓度，o4(t)表示t时刻生化需氧量浓度，o5(t)表示t时刻出水总磷浓度；
隐含层:该层的输入为输入层的输出，该层输出表示为：



其中为t时刻隐含层第k个神经元的输出值，k＝1,…,10；cpk(t)为t时刻第k个隐含层神经元的第p个隶属度函数的中心，在区间(0,1]中随机取值，σpk(t)为t时刻第k个隐含层神经元的第p个隶属度函数的宽度，在区间(0,1]中随机取值；
规则层：该层的输入为隐含层的输出，每个规则层神经元的输出为：



其中，vk(t)为t时刻规则层第k个神经元的输出值；
输出层：该层的输入为规则层的输出，输出层神经元的输出为：



其中，y(t)为t时刻模糊神经网络智能预测模型的输出，wk(t)为t时刻第k个规则层神经元与输出神经元之间的权值；
(3)利用迁徙学习算法调整模糊神经网络智能预测模型的参数
①利用历史数据构建用于获取迁徙知识的参考模糊神经网络模型，其网络的结构与智能预测模型相同，参考模糊神经网络模型的输出为：



其中，yZ(n)为n时刻参考模糊神经网络模型的输出，n＝1,…,N，为n时刻参考模糊神经网络模型第k个规则层神经元与输出神经元之间的权值，在区间[-1,1]中随机取值；为n时刻参考模糊神经网络模型第k个隐含层神经元的第p个隶属度函数的中心，在区间(0,1]中随机取值；为n时刻参考模糊神经网络模型第k个隐含层神经元的第p个隶属度函数的宽度，在区间(0,1]中随机取值；
②利用梯度下降算法训练参...

【专利技术属性】
技术研发人员：韩红桂，刘洪旭，伍小龙，侯莹，乔俊飞，顾剑，何政，魏磊，刘垚，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11