【技术实现步骤摘要】
一种基于RBF神经网络的生活垃圾收集过程氨气浓度智能预测方法
[0001]本专利技术涉及生活垃圾收集过程的臭气智能预测方法；建立了基于RBF神经网络的氨气NH3预测模型，实现了对氨气浓度趋势的智能预测。既属于生活垃圾治理领域，又属于智能建模领域。
技术介绍
[0002]随着我国经济的快速发展与城市化进程的不断加快，城市生活垃圾产量与日俱增。为了提高垃圾治理效果，国家先后出台了一系列政策推进垃圾分类工作，防范环境风险。易腐垃圾在生活垃圾中占比较大，可降解性高、易腐烂，是生活垃圾收集过程恶臭气体产生的根源，严重危险居民身心健康及生活环境。氨气是恶臭气体的主要成分之一，对未来氨气浓度趋势进行预测，则可采取相应措施控制氨气排放。因此，实现氨气浓度趋势精准预测，具有重要的理论意义和应用价值。
技术实现思路
[0003]本专利技术的目的在于提出一种基于RBF神经网络的生活垃圾收集过程氨气智能预测方法，采用RBF神经网络建立氨气浓度预测模型，实现对未来时刻氨气浓度的预测。
[0004]本专利技术采用如下的技术方案及...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于RBF神经网络的生活垃圾收集过程氨气浓度智能预测方法，其特征在于，包括如下步骤：步骤1、采集现场数据；通过安装在生活垃圾分类驿站的设备实时采集、存储氨气NH3浓度数据，采样间隔时间为30秒；步骤2、确定预测模型输入、输出变量；预测模型的输入变量表示为x＝(x1,x2,x3,x4)
T
，分别代表t
‑
3、t
‑
2、t
‑
1以及t时刻的氨气NH3浓度，模型的输出变量y为t+2时刻的NH3浓度；步骤3、设计RBF神经网络，建立预测模型；步骤4、将测试数据作为预测模型的输入，模型的输出即为未来60秒的氨气NH3浓度预测值；步骤3中，基于RBF神经网络的预测模型输出计算方法如下：
①
输入层：该层由4个输入神经元组成，每个神经元的输出为：u
i
＝x
i
ꢀꢀꢀꢀ
(1)式中，u
i
是第i个输入神经元的输出，x
i
对应输入向量的第i个分量；
②
隐含层：隐含层由J个神经元组成，每个神经元的输出为：式中，Φ
j
(x)表示输入向量x进入网络时第j个隐层神经元的输出，c
j
为第j个隐节点的中心向量，σ
j
为第j个隐节点的宽度值；
③
输出层：输出层输出为：式中，y为RBF神经网络即预测模型的输出，w
j
为第j个隐含层神经元到输出神经元的连接权值，Φ
j
为第j个隐含层神经元的输出；步骤3具体为：
①
初始时刻，网络隐含层神经元数为0；
②
寻找输出值绝对值最大的样本，基于该样本信息增加第一个神经元；初始时刻，隐含层神经元数为0，当前网络最大绝对残差所对应的数据样本即为具有最大绝对期望输出的样本k1:k1＝argmax[||y
d1
||,||y
d2
||,...,||y
dp
||,...||y
dP
||]
ꢀꢀ
(4)式中，P代表训练样本的个数，y
dp
表示第p个样本的期望输出，则第一个RBF神经元参数设置如下：设置如下：σ1＝1
ꢀꢀꢀꢀꢀ
(7)式中，c1、w1和σ1分别为第一个RBF神经元的中心向量、权值以及宽度，和分别为样
本k1的输入向量和期望输出；
③
用二阶学习算法对网络参数进行调整，方法如下：Ψ(η+1)＝Ψ(η)
‑
(H(η)+λI(η))
‑1Ω(η)
ꢀꢀ
(8)式中，η为参数调整的迭代步数，H为类海森矩阵，λ为学习率，I为单位矩阵，Ω为梯度向量，Ψ指代所有需要调整的网络参数：Ψ(η)＝[c1(η),σ1(η),w1(η)]
ꢀꢀꢀꢀ
(9)为了降低计算复杂度，将类海森矩阵H转化为P个类海森子矩阵h的和，将梯度向量Ω转化P个梯度子向量g的和，如下所示：化P个梯度子向量g的和，如下所示：在对网络参数进行第η次调整时，第p个类海森子矩阵h
p
(η)和梯度子向量g
p
(η)计算如下：下：式中，e
p
(η)为在第η次调整时第p个样本的预测输出y
p
(η)与期望输出y
dp
的差值，j
p
(η)为雅可比向量，计算如下：e
p
(η)＝y
p
(η)
‑
技术研发人员：蒙西，段滈杉，周江龙，韩红桂，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
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。