一种基于PLS-PSO-RBF神经网络模型的污水质量监测方法技术

本发明专利技术公开一种基于PLS‑PSO‑RBF神经网络模型的污水质量监测方法，实现了在小样本的前提下，利用RBF神经网络建立符合精度要求的污水质量监测模型，从而实现对污水出水端质量的实时监测或软测量。具体来讲，本发明专利技术方法首先使用PLS算法来降低输入数据的维数，然后使用PSO算法优化得到RBF神经网络各个隐层神经元的中心点向量，进而基于PLS‑PSO‑RBF神经网络模型实时污水出水端质量的实时监测。本发明专利技术方法通过PLS算法的降维策略，能降低污水质量监测建模时遇到的小样本问题相对于输入变量维数的负面影响。同时通过PSO算法优化搜寻出多个隐层神经元的中心点向量，能较大程度的保证RBF神经网络模型的精度。

【技术实现步骤摘要】
一种基于PLS-PSO-RBF神经网络模型的污水质量监测方法
本专利技术涉及一种污水质量软测量方法，特别涉及一种基于PLS-PSO-RBF神经网络模型的污水质量监测方法。
技术介绍
污水处理厂对污水出水质量的监测能直接影响到自然水环境以及公众的健康，因为不适宜的污水处理会将有害物质排放进大自然中，从而会传播疾病影响大众生活与工作。一般而言，污水出水的生化需氧量(BiochemicalOxygenDemand，缩写：BOD)、化学需氧量(ChemicalOxygenDemand，缩写：COD)、总磷浓度(TotalPhosphorus，缩写：TP)、污泥体积指数(SludgeVolumeIndex，缩写：SVI)四个指标对于监测污水的出水质量有着重要作用。因此，监测污水质量其实就是在监测上述这四个污水的指标。监测这个四个指标的技术手段无外乎直接测量与间接测量，直接测量通过仪器仪表直接测量得到，又可分为在线直接测量和离线直接测量。在线直接测量对仪表的可靠性要求比较高，且相应仪表的价格高昂，不为国内污水处理厂所采纳，离线直接测量则是通过采集污本文档来自技高网...

【技术保护点】
1.一种基于PLS-PSO-RBF神经网络模型的污水质量监测方法，其特征在于，具体包括如下所示步骤：/n步骤(1)：先确定输入变量，具体由污水进站，曝气池，和沉淀池三个污水处理环节的15个测量变量组成；其中，污水进站的6个测量变量依次是：入水流量，入水温度，入水色度，入水氯离子浓度，入水悬浮物固体浓度，入水PH值；曝气池的4个测量变量依次是：污水色度，污水氯离子浓度，污水悬浮物固体浓度，污水PH值；沉淀池的5个测量变量依次是：污水PH值，污泥量，悬浮物固体浓度，污水色度，污水氯离子浓度；再确定输出变量，具体包括4个测量变量，依次是：生化需氧量，化学需氧量，总磷浓度，和污泥体积指数；/n步骤(2...

【技术特征摘要】
1.一种基于PLS-PSO-RBF神经网络模型的污水质量监测方法，其特征在于，具体包括如下所示步骤：
步骤(1)：先确定输入变量，具体由污水进站，曝气池，和沉淀池三个污水处理环节的15个测量变量组成；其中，污水进站的6个测量变量依次是：入水流量，入水温度，入水色度，入水氯离子浓度，入水悬浮物固体浓度，入水PH值；曝气池的4个测量变量依次是：污水色度，污水氯离子浓度，污水悬浮物固体浓度，污水PH值；沉淀池的5个测量变量依次是：污水PH值，污泥量，悬浮物固体浓度，污水色度，污水氯离子浓度；再确定输出变量，具体包括4个测量变量，依次是：生化需氧量，化学需氧量，总磷浓度，和污泥体积指数；
步骤(2)：连续采集n天的数据，并将每天采集到的输入变量与输出变量对应的数据分别存储为一个15×1维与4×1维的数据向量，则可得到n个输入数据向量x1，x2，…，xn和n个输出数据向量y1，y2，…，yn；其中，第i天的输入数据向量xi∈R15×1中的元素按照步骤(1)中15个输入变量的先后顺序排列，第i天的输出数据向量yi∈R4×1中的元素按照步骤(1)中4个输出变量的先后顺序排列，i∈{1，2，…，n}，R15×1与R4×1分别表示15×1维与4×1维的实数向量，R表示实数集；
步骤(3)：组建矩阵X＝[x1，x2，…，xn]T与矩阵Y＝[y1，y2，…，yn]T后，再根据如下所示公式分别对X与Y中的各个列向量实施归一化处理，得到归一化后的输入矩阵与输出矩阵






其中，上标号T表示矩阵或向量的转置，j∈{1，2，…，15}，k∈{1，2，3，4}，zj(min)和zj(max)分别表示zj中元素的最小值和最大值，εj(min)和εj(max)分别表示εj中元素的最小值和最大值，zj和分别表示X和中的第j列的列向量，εk和分别表示Y与中第k列的列向量；
步骤(4)：使用5-折交叉验证法建立与之间的PLS模型：其中，输入特征矩阵P∈R15×A与Q分别表示输入载荷矩阵和输出载荷矩阵，E为残差矩阵，R15×A表示15×A维的实数矩阵，A表示输入特征的个数；
步骤(5)：搭建一个三层的RBF神经网络，并使用PSO算法优化得到n个中心点向量c1，c2，…，cn，具体的实施过程如步骤(5.1)至步骤(5.5)所示；其中，输入层神经元的个数等于A，隐层神经元的个数等于n，输出层神经元的个数等于4；
步骤(5.1)：初始化迭代次数g＝0，确定PSO算法的参数，具体包括：粒子个数N，加速因子α1与α2，最大迭代次数M，和惯性权重δg；其中，惯性权重δg是根据如下所示公式从δmax＝1.2线性递减到δmin＝0.4：



步骤(5.2)：随机产生N个n×A维的粒子矩阵U1，U2，…，UN，每个粒子矩阵中的元素都按照均匀分布随机取值于区间[0，1]；
步骤(5.3)：计算粒子矩阵U1，U2，…，UN分别对应的适应度L1，L2，…，LN；其中，计算第γ个粒子矩阵Uγ对应的适应度Lγ的具体实施过程如步骤(5.3-1)至步骤(5.3-3)所示；
步骤(5.3-1)：分别将S∈Rn×A中的各个行向量s1，s2，…，sn作为RBF神经网络的输入，根据如下所示公式计算RBF神经网络的隐层输出向量v1，v2，…，vn：



其中，exp()表示以自然常数e为底数的指数函数，||si-Uγ(h)||2＝[si-Uγ(h)][si-Uγ(h)]T，vi(h)表示vi∈Rn×1中的第h个元素，Uγ(h)表示第γ个粒子矩阵Uγ中的第h行的行向量，ζγ表示第γ个粒子矩阵Uγ对应的RBF参数，h∈{1，2，…，n}，γ∈{1，2，…，N}，Rn×1表示n×1维的实数向量；
步骤(5.3-2)：根据计算第γ个粒子矩阵Uγ对应的输出层权重矩阵θγ∈Rn×4后，再计算得到RBF神经网络的输出层估计矩阵其中，Vγ＝[v1，v2，…，vn]T；
步骤(5.3-3)：根据公式计算第γ个粒子矩阵Uγ对应的适应度Lγ；其中，表示计算矩阵中所有元素的平方和；
步骤(5.4)：将L1，L2，…，LN中最小值对应的粒子矩阵，RB...

【专利技术属性】
技术研发人员：陈杨，陈勇旗，谢一凡，
申请(专利权)人：宁波大学科学技术学院，
类型：发明
国别省市：浙江;33