一种基于流水线递归小波神经网络的出水氨氮预测方法技术

一种基于流水线递归小波神经网络的出水氨氮预测方法本发明专利技术涉及人工智能领域，直接应用于污水处理领域。本发明专利技术提出了一种基于流水线递归小波神经网络的出水NH4‑

【技术实现步骤摘要】
一种基于流水线递归小波神经网络的出水氨氮预测方法

：
[0001]本专利技术涉及人工智能领域，直接应用于污水处理领域。

技术介绍
：
[0002]氨氮(ammonia nitrogen，NH4‑
N)是指在水中以游离氨和铵离子形式存在的氮。出水NH4‑
N是衡量污水处理过程运行状态的关键出水指标。目前，污水处理厂主要采用实验室化验或在线仪表对出水NH4‑
N的浓度进行检测。但是实验室化验的检测周期长，且滞后时间长，难以及时识别出水水质超标。在线检测仪表需要采用化学试剂辅助检测，容易受到干扰，通用性差。因此，如何精确地对出水NH4‑
N浓度进行预测是一个关键的问题。
[0003]目前，软测量方法是解决污水处理过程关键水质参数预测的重要技术，他通过一些容易检测的变量来预测难以检测的变量。然而，输入变量的不恰当选择会影响预测的精度。因此，本专利技术提出一种基于流水线递归小波神经网络的出水NH4‑
N预测方法，采用时间序列预测的思想，避免了输入变量的选取，以提高出水NH4‑
N的预测精度。

技术实现思路

[0004]1、本专利技术能够解决的问题：
[0005]本专利技术提出了一种基于流水线递归小波神经网络的出水NH4‑
N预测方法。采用已有的出水NH4‑
N数据，构建流水线递归小波神经网络对出水NH4‑
N下一时刻的值进行预测。同时通过改进的自适应学习率算法对网络参数进行训练。以提高污水处理过程中出水NH4‑
N的预测精度。
[0006]2、本专利技术具体的技术方案：
[0007]采集污水处理厂实际数据，记x＝[x(1),x(2),...,x(N)]为出水氨氮(ammonia nitrogen，NH4‑
N)浓度。本专利技术仅仅采用出水NH4‑
N的浓度的过去值来预测下一时刻的值。
[0008]步骤1：设计流水线递归小波神经网络结构:
[0009]步骤1.1：将出水NH4‑
N浓度按照公式(1)归一化至[0,1][0010][0011]步骤1.2：设计流水线递归小波神经网络：流水线递归小波神经网络由M个模块构成，每个模块的结构和参数都是相同的,其中M在本专利技术中取3。整个网络的结构如图1所示。模块采用递归小波神经网络，包含输入层、隐含层和输出层三层，结构如图2所示。每个模块的网络拓扑结构为s
‑
q
‑
1，其中s为输入神经元数量，q为隐藏神经元数量，1为输出神经元数量。输入神经元s包含p个外部输入，1个偏置和q个反馈输入，即：s＝p+q+1。外部输入是1到p个时刻对应的氨氮浓度的值，反馈输入是q个隐藏神经元上一时刻的输出值。本专利技术中p和q分别取6和5，则s的值为12。
[0012]步骤1.3：在第t个时刻，第i个模块的输入V
i
(t)表示如下
[0013]V
i
(t)＝[X
i
(t),1,r
i
(t)]T i＝1,2,3
ꢀꢀꢀ
(2)
[0014]其中X
i
(t)＝[x(t
‑
i),x(t
‑
(i+1)),...,x(t
‑
(i+5))]是外部输入，其中x(t
‑
i)是t减i时刻的外部输入，1是固定的偏置，r
i
(t)＝[h
i+1,1
(t),h
i
(t
‑
1)]是内部反馈输入，其中h
i+1,1
(t)是第i+1个模块第l个隐藏神经元t时刻的输出，h
i
(t
‑
1)＝[h
i,2
(t
‑
1),...,h
i,5
(t
‑
1)]是第i个模块第2个隐藏神经元到第5个隐藏神经元t减1时刻的输出。第3个模块的反馈输入向量与第一个和第二个模块有所不同，定义为r3(t)＝h3(t
‑
1)，其中h3(t
‑
1)＝[h
3,1
(t
‑
1),h
3,2
(t
‑
1),...,h
3,5
(t
‑
1)]是第3个模块第1个隐藏神经元到第5个隐藏神经元t减1时刻的输出。
[0015]则网络的隐藏层输出H
i
(t)＝[h
i,1
(t),h
i,2
(t),...,h
i,5
(t)]T
为
[0016][0017][0018][0019]其中是小波函数，a(t)＝[a1(t),a2(t),...,a5(t)]T
和b(t)＝[b1(t),b2(t),...,b5(t)]T
是分别是小波函数的扩展和平移系数，u
i
(t)＝[u
i,1
(t),u
i,2
(t),...,u
i,5
(t)]T
是隐藏层的输入，定义为
[0020]u
i,l
(t)＝V
iT
(t)w
l
(t)l＝1,2,...,5
ꢀꢀꢀ
(6)
[0021]其中u
i,l
(t)是第i个模块第l个隐藏神经元的输入，w
l
(t)＝[w
1,l
(t),w
2,l
(t),...,w
6,l
(t)]是第l个隐藏神经元的输入权重，则第i个模块的输出y
i
(t)为
[0022][0023]其中是输出权重。则流水线递归小波神经网络的输出为
[0024]y(t)＝y1(t)
ꢀꢀꢀ
(8)
[0025]其中y1(t)是第一个模块的输出，即每次流水线递归小波神经网络的输出均等于第一个模块的输出。
[0026]步骤2：设计流水线递归小波神经网络学习算法
[0027]步骤2.1：定义流水线递归小波神经网络的代价函数为
[0028][0029]其中ε是一个指数遗忘因子，取值为0.6；e
i
(t)＝o(t
‑
i)
‑
y(t)是第i个模块的误差，其中o(t
‑
i)是t减i时刻的期望输出。根据梯度规则，流水线递归小波神经网络的参数更新公式为
[0030][0031]其中P(t)＝{W(t),W0(t),a(t),b(t)}是一个包含了输入权值，输出权值，扩展系数和平移系数的向量，其中W(t)＝[w1(t),w2(t),...,w5(t)]；Λ＝[α1,α2,α3,α4]是自适应学习率向量，表达式如下所示
[0032][0033]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于流水线递归小波神经网络的出水氨氮预测方法，其特征在于包括：采集污水处理厂实际数据，记x＝[x(1),x(2),...,x(N)]为出水氨氮浓度，N为样本的总个数；采用出水NH4‑
N的浓度的过去值来预测下一时刻的值；步骤1：设计流水线递归小波神经网络结构:步骤1.1：将出水NH4‑
N浓度按照公式(1)归一化至[0,1]步骤1.2：设计流水线递归小波神经网络：流水线递归小波神经网络由M个模块构成，每个模块的结构和参数都是相同的,其中M取3；模块采用递归小波神经网络，包含输入层、隐含层和输出层三层；每个模块的网络拓扑结构为s
‑
q
‑
1，其中s为输入神经元数量，q为隐藏神经元数量，1为输出神经元数量；输入神经元s包含p个外部输入，1个偏置和q个反馈输入，即：s＝p+q+1；外部输入是p个时刻氨氮浓度的值，反馈输入是q个隐藏神经元上一时刻的输出值；中p和q分别取6和5，则s的值为12；步骤1.3：在第t个时刻，第i个模块的输入V
i
(t)表示如下V
i
(t)＝[X
i
(t),1,r
i
(t)]
T i＝1,2,3
ꢀꢀꢀꢀ
(2)其中X
i
(t)＝[x(t
‑
i),x(t
‑
(i+1)),...,x(t
‑
(i+5))]是外部输入，其中x(t
‑
i)是t减i时刻的外部输入，1是固定的偏置，r
i
(t)＝[h
i+1,1
(t),h
i
(t
‑
1)]是内部反馈输入，其中h
i+1,1
(t)是第i+1个模块第l个隐藏神经元t时刻的输出，h
i
(t
‑
1)＝[h
i,2
(t
‑
1),...,h
i,5
(t
‑
1)]是第i个模块第2个隐藏神经元到第5个隐藏神经元t减1时刻的输出；第3个模块的反馈输入向量与第一个和第二个模块有所不同，定义为r3(t)＝h3(t
‑
1)，其中h3(t
‑
1)＝[h
3,1
(t
‑
1),h
3,2
(t
‑
1),...,h
3,5
(t
‑
1)]是第3个模块第1个隐藏神经元到第5个隐藏神经元t减1时刻的输出；则第i个模块的隐藏层输出H
i
(t)＝[h
i,1
(t),h
i,2
(t),...,h
i,5
(t)]
T
为为为其中是小波函数，a(t)＝[a1(t),a2(t),...,a5(t)]
T
和b(t)＝[b1(t),b2(t),...,b5(t)]
T
是分别是小波函数的扩展和平移系数，u
i
(t)＝[u
i,1
(t),u
i,2
(t),...,u
i,5

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