【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 ...
【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
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。