一种基于类脑模块化神经网络的城市固废焚烧过程氮氧化物软测量方法技术

本发明专利技术涉及一种基于类脑模块化神经网络的城市固废焚烧过程氮氧化物软测量方法，实现了对NO

【技术实现步骤摘要】
一种基于类脑模块化神经网络的城市固废焚烧过程氮氧化物软测量方法


[0001]本专利技术涉及城市固废焚烧过程氮氧化物(NO
X
)软测量方法；建立了基于类脑模块化神经网络(Brain
‑
Inspired Modular Neural Network,BIMNN)的NO
X
软测量模型，实现了对NO
X
浓度的实时准确获取。既属于城市固废治理领域，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，城市固废产量与日俱增，多个城市面临着“固废围城”危机。而固废焚烧处理方式日益成为我国城市固废处理的主要方式。而NO
X
是城市固废焚烧过程中产生的主要污染物之一，严重影响人民身体健康和生态环境质量。随着我国环保治理要求日益提高，NOx排放控制已成为城市固废焚烧厂亟待解决的关键问题之一，NOx的实时精准检测是提高城市固废焚烧厂脱硝效率的重要前提之一。因此，实现NO
X
的实时精准检测，具有重要的理论意义和应用价值。
...

【技术保护点】

【技术特征摘要】
1.一种基于类脑模块化神经网络的城市固废焚烧过程氮氧化物软测量方法，其特征在于，包括以下步骤：步骤1、数据采集；步骤2、确定模型输入、输出变量；模型的输入变量通过最大相关最小冗余mRMR算法进行确定，模型的输出变量为当前时刻的NO
X
浓度；步骤3、设计类脑模块化神经网络，建立软测量模型；步骤4、将测试数据作为模型的输入，模型的输出即为当前时刻的NO
X
浓度测量值；步骤2中，基于mRMR算法的输入变量选取方法如下：给定两随机变量a和b，则两随机变量间的互信息计算如下：其中，I为随机变量a与b之间的互信息，p(a)和p(b)分别为随机变量a和b的边缘概率分布；p(a,b)为随机变量a和b的联合分布；首先，基于互信息，寻找与待测变量c具有最大相关性的特征子集S：其中，m
i
为特征子集S中的特征变量，|S|为特征子集S中的特征变量的个数，D为选取的特征变量与待测变量c的相关性，若D越大，则选取的特征变量与待测变量c的相关性越高；考虑到已选特征变量间存在一定的相似性，且剔除“冗余”特征并不会影响模型性能；因此，计算特征间的冗余性，找到“互斥”特征：其中，m
i
，n
j
为特征子集S中的特征变量，R为特征子集S中变量间的冗余性，R越小则冗余性越低；在mRMR算法应用过程中，通常将最大相关性指标D和最小冗余性指标R统一到评价函数Φ＝D
‑
R中，然后通过寻找该评价函数的最大值确定最优特征子集S*：maxΦ(D,R),Φ＝D
‑
R
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)步骤3中，基于类脑模块化神经网络的软测量模型设计方法如下：(1)、任务分解为了衡量评价网络的模块化程度，模拟脑网络中模块化的特性，提出一种面向模块化神经网络的“模块化指标MQ”，模块化指标由模块内的密集程度和模块间的稀疏程度组成，其中，模块内的密集程度计算如下：其中，J
C
为模块内的密集程度，P为当前网络中模块的数量，N
l
为分配给第l个模块的样本数，x
i
为输入样本，h
l
和r
l
分别表示第l个模块的核心节点的位置和作用范围；模块间的稀疏程度基于欧式距离进行计算：
其中，J
S
为模块间的稀疏程度，d(h
l
,h
s
)代表第l个模块核心节点和第s个模块核心节点间的距离，综合考虑模块内的密集程度J
C
和模块间的稀疏程度J
S
，提出模块化指标衡量方式如下：由此可得，MQ的值越大，该网络的模块化程度越高，因此，提出一种类脑模块化分区方法，其主要思想为：首先，通过核心节点来对训练样本进行分配，进而决定是分配给当前已有模块还是新增模块；然后，通过寻求网络最大的“模块化”程度来确定已有模块的新核心节点；因此，模块化结构构建可以分为两种情况：增加新模块和更新已有模块；
①
增加新模块初始时刻，整个网络的模块数为0；当第一个数据样本进入网络后，将其设定为第一个子模块的核心节点：h1＝x1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)(8)其中，h1和r1分别表示第一个模块核心节点的位置和作用范围，x1为第一个训练样本的输入向量，d
max
为训练样本x
i
与x
j
间的最大距离；t时刻，当第t个训练样本进入网络时，假设已经存在k个模块，找到距该样本最近的核心节点：其中，x
t
是第t个训练样本的输入向量，h
s
表示第s个模块核心节点的位置，k
min
表示距离训练样本样本x
t
最近的核心节点；若第t个训练样本x
t
不在k
min
核心节点的作用范围内，则需要新增一个模块来对当前样本进行学习，新增模块对应核心节点参数设置如下：h
k+1
＝x
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)其中，h
k+1
，r
k+1
为新增模块对应核心节点的位置和作用范围，x
t
是第t个训练样本的输入向量，为其它核心节点到新增模块核心节点的最远距离；
②
优化已有模块
反之，则认为该样本可以归为k
min
模块内，为了使网络具有最优的“模块化”程度，根据公式(7)，分别计算在当前样本与原有核心节点分别作为核心节点情况下整个网络的模块化指标值MQ
t
和若则认为选用当前输入样本作为核心节点的网络模块化程度要更高，则用该样本替换已有核心节点成为新的核心节点，初始参数设置如下：用该样本替换已有核心节点成为新的核心节点，初始参数设置如下：其中，分别为该模块新的核心节点和作用范围；N
k
为分配给第k个模块的样本数；若则当前核心节点的位置保持不变，只需要调整该节点的作用范围即可：其中，为该模块的原有核心节点；当所有训练样本都比较完毕后，样本被分配到了不同的子模块，分区结构形成，认为当前网络的模块化程度是最大的，接下来需要针对每个子模块...

【专利技术属性】
技术研发人员：蒙西，王岩，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：