一种基于动态模糊神经网络的出水总氮智能检测方法技术

一种基于动态模糊神经网络的出水总氮智能检测方法，既属于城市污水处理领域，又属于智能建模领域。本发明专利技术基于动态模糊神经网络建立了出水总氮智能检测模型，进而实现了对出水总氮的实时准确检测。首先，结合专家知识与互信息分析，确定出水总氮智能检测模型的输入变量。然后，结合自组织增删机制与改进二阶学习算法，设计了动态模糊神经网络，建立城市污水处理出水总氮智能检测模型；并且，动态模糊神经网络能够根据在线数据实时更新，保证了非平稳环境中对于出水总氮的准确测量。通过污水处理基准仿真模型平台上的数据，评估了基于动态模糊神经网络的出水总氮智能检测方法的有效性。本发明专利技术解决了城市污水处理出水总氮难以实时准确检测的问题。时准确检测的问题。时准确检测的问题。

【技术实现步骤摘要】
一种基于动态模糊神经网络的出水总氮智能检测方法


[0001]本专利技术涉及城市污水处理出水总氮智能检测方法；建立了基于动态模糊神经网络的出水总氮智能检测模型，进而实现了对出水总氮的实时准确检测。既属于城市污水处理领域，又属于智能建模领域。

技术介绍

[0002]随着我国城市化进程的不断加快以及人口的持续增长，城市用水量大幅增加，污水排放量也随之急剧增长。为了充分循环利用水资源、保护生态环境，污水处理成为近年来学术界和工业界的热门话题。氮是导致水体富营养化的主要营养物质，对出水总氮进行实时准确检测对于提高污水处理厂脱氮效率、保障污水处理厂正常稳定运行来说至关重要。然而，受限于检测环境、仪器仪表成本等因素，仍然难以获取出水总氮的可靠测量值。
[0003]随着数据挖掘、人工智能等方法技术的飞速发展，数据驱动的软测量方法已成为城市污水处理关键参数实时检测领域的研究热点，其中，人工神经网络凭借其强大的自学习能力和非线性逼近能力，成为建立数据驱动模型的主流方法。本专利技术提出了一种基于动态模糊神经网络的出水总氮智能检测方法。一方面，联合自组织增删机制和快速二阶梯度算法构建模糊神经网络，以快速获得结构精简的智能检测模型。另一方面，设计了一种模糊神经网络更新策略，确保了模型在非平稳环境中具有良好的性能。该方法能够实现对出水总氮的实时、准确检测，有效提高了非平稳环境中出水总氮的测量精度，具有重要的理论意义与应用价值。

技术实现思路

[0004]本专利技术的目的在于提出一种基于动态模糊神经网络的城市污水处理出水总氮智能检测方法，采用动态模糊神经网络构建出水总氮智能检测模型，实现对出水总氮的实时准确测量。
[0005]本专利技术采用了如下的技术方案及实现步骤：
[0006](1)确定出水总氮智能检测模型的输入变量与输出变量：根据污水处理基准仿真模型平台上的数据，采用基于互信息的辅助变量选择方法确定出水总氮智能检测模型的输入，分别为：混合液悬浮固体、出水固体悬浮物、出水化学需氧量、进水总氮、进水化学需氧量以及进水流量，模型输出变量为出水总氮检测值；
[0007](2)构建出水总氮智能检测模型；
[0008]利用动态模糊神经网络建立出水总氮智能检测模型，动态模糊神经网络结构包括：输入层、RBF层、规则化层、输出层；初始时刻，神经网络的结构为6
‑0‑0‑
1，输入层有6个神经元，网络的输入向量为x＝(x1,x2,...,x6)
T
，x1,x2,x3,x4,x5,x6分别为混合液悬浮固体、出水固体悬浮物、出水化学需氧量、进水总氮、进水化学需氧量、进水流量；RBF层与规则化层没有神经元；输出层有1个神经元，输出值为出水总氮的检测值；定义动态模糊神经网络的输出为y，计算如下：
[0009]①
输入层：该层由6个神经元组成，每个神经元的输出为：
[0010]u
i
＝x
i
,i＝1,2,...,6
ꢀꢀꢀ
(1)
[0011]其中，u
i
是k时刻第i个输入层神经元的输出；
[0012]②
RBF层：该层由K个神经元组成，每个神经元的输出为：
[0013][0014]其中，表示第j个RBF层神经元的对应输出，c
ij
和σ
ij
分别为高斯隶属函数的中心与宽度；
[0015]③
规则化层：该层由K个神经元组成，每个神经元的输出为：
[0016][0017]其中，h
j
表示该层第j个神经元的输出；
[0018]④
输出层：输出层输出为：
[0019][0020]其中，w
j
为第j个规则化层神经元到输出层神经元的连接权值；
[0021](3)基于一种自组织增删机制以及二阶梯度算法构建动态模糊神经网络，具体为：
[0022]①
初始时刻，网络中不含有规则；
[0023]②
寻找具有最大绝对期望输出值的样本，根据该样本增加第一个规则，
[0024]初始时刻，规则个数为0，首先寻找具有最大绝对期望输出的样本p1：
[0025]p1＝argmax[||y
d1
||,||y
d2
||,...,||y
dp
||,...||y
dP
||]ꢀꢀꢀ
(5)
[0026]其中，y
dp
为第p个样本的期望输出，y
p
为动态模糊神经网络对第p个样本的实际输出，P为训练样本数，相应地，第一个规则的初始参数分别设置如下：
[0027][0028]σ1＝d1ꢀꢀꢀ
(7)
[0029][0030]其中，x
p1
，y
dp1
为第p1个样本的输入与输出，d1＝[d1,...,d1]∈i
M
为元素值d1均为1的向量；
[0031]③
采用二阶梯度算法调整当前网络参数，计算公式如下：
[0032]ψ
t+1
＝ψ
t
‑
(Q
t
+μI)
‑1g
t
ꢀꢀꢀ
(9)
[0033]其中，ψ为参数向量，包含所有需要调整的网络参数(即中心、宽度、权值)，Q为类海森矩阵，μ为学习率，I为单位矩阵，g为梯度向量。为了提高计算效率，将类海森矩阵的计算可转化为对P个类海森子矩阵的求和。类似地，对梯度向量g的计算可转化为对P个梯度子向
量的求和，如下式所示：
[0034][0035][0036]其中，类海森子矩阵和梯度子向量可由下式计算：
[0037][0038][0039]其中，雅可比向量j
p
的计算如下：
[0040][0041]其中，K为规则个数，M为输入向量维数，利用微分链式法则，上式中雅可比向量中的元素可由下式计算：
[0042][0043][0044][0045]④
计算网络当前误差向量，找到误差峰值点所在样本，并在该处新增一个规则，然后根据公式(9)
‑
(17)调整网络参数，
[0046]k时刻，误差向量计算如下：
[0047]e(k)＝[e1(k),e2(k)...,e
p
(k),...,e
P
(k)]ꢀꢀꢀ
(18)
[0048]其中，e
p
(k)为k时刻第p个样本的误差：
[0049]e
p
(k)＝y
dp
‑
y
p
(k)
ꢀꢀꢀ
(19)
[0050]其中，y
dp
和y
p
(k)分别为第p个样本的期望输出以及k时刻实际输出；寻找当前误差峰值点所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态模糊神经网络的出水总氮智能检测方法，其特征在于包括如下步骤：步骤1：确定出水总氮智能检测模型的输入变量与输出变量；根据污水处理基准仿真模型平台上的数据，采用基于互信息的辅助变量选择方法确定出水总氮智能检测模型的输入变量，分别为：混合液悬浮固体、出水固体悬浮物、出水化学需氧量、进水总氮、进水化学需氧量以及进水流量，模型输出变量为出水总氮检测值；步骤2：构建出水总氮智能检测模型；利用动态模糊神经网络建立出水总氮的智能检测模型，动态模糊神经网络结构包括：输入层、RBF层、规则化层、输出层；初始时刻，神经网络的结构为6
‑0‑0‑
1，输入层有6个神经元，网络的输入向量为x＝(x1,x2,...,x6)
T
，x1,x2,x3,x4,x5,x6分别为混合液悬浮固体、出水固体悬浮物、出水化学需氧量、进水总氮、进水化学需氧量、进水流量；RBF层与规则化层没有神经元；输出层有1个神经元，输出值为出水总氮的检测值；步骤3：基于一种自组织增删机制以及二阶梯度算法构建动态模糊神经网络；步骤4：将测试样本作为已训练好的模糊神经网络的输入，同时采用分级更新策略对模糊神经网络进行更新，网络的输出即为出水总氮浓度的检测结果。2.如权利要求1所述的基于动态模糊神经网络的出水总氮智能检测方法，其特征在于，步骤2中动态模糊神经网络的输出y计算如下：
①
输入层：该层由6个神经元组成，每个神经元的输出为：u
i
＝x
i
,i＝1,2,...,6
ꢀꢀꢀꢀ
(1)其中，u
i
是k时刻第i个输入层神经元的输出；
②
RBF层：该层由K个神经元组成，每个神经元的输出为：其中，表示第j个RBF层神经元的对应输出，c
ij
和σ
ij
分别为高斯隶属函数的中心与宽度；
③
规则化层：该层由K个神经元组成，每个神经元的输出为：其中，h
j
表示该层第j个神经元的输出；
④
输出层：输出层输出为：其中，w
j
为第j个规则化层神经元到输出层神经元的连接权值。3.如权利要求1所述的基于动态模糊神经网络的出水总氮智能检测方法，其特征在于，步骤3具体为：
①
初始时刻，网络中不含有规则；
②
寻找具有最大绝对期望输出值的样本，根据该样本增加第一个规则，初始时刻，规则个数为0，首先寻找具有最大绝对期望输出的样本p1：p1＝arg max[||y
d1
||,||y
d2
||,...,||y
dp
||,...||y
dP
||]
ꢀꢀꢀꢀ
(5)其中，y
dp
为第p个样本的期望输出，y
p
为动态模糊神经网络对第p个样本的实际输出，P为训练样本数，相应地，第一个规则的初始参数分别设置如下：σ1＝d1ꢀꢀꢀꢀ
(7)其中，为第p1个样本的输入与输出，d1＝[d1,...,d1]∈
M
为元素值d1均为1的向量；
③
采用二阶梯度算法调整当前网络参数，计算如下：ψ
t+1
＝ψ
t
‑
(Q
t
+μI)
‑1g
t
ꢀꢀꢀꢀ
(9)其中，ψ为参数向量，包含所有需要调整的网络参数即中心、宽度、权值，Q为类海森矩阵，μ为学习率，I为单位矩阵，g为梯度向量；将类海森矩阵的计算转化为对P个类海森子矩阵的求和；对梯度向量g的计算转化为对P个梯度子向量的求和，如下式所示：P个梯度子向量的求和，如下式所示：其中，类海森子矩阵和梯度子向量由下式计算：其中，类海森子矩阵和梯度子向量由下式计算：其中，雅可比向量j
p
的计算如下：其中，K为规则个数，M为输入向量维数，利用微分链式法则，上式中雅可比向量中的元素由下式计算：素由下式计算：
④
计算网络当前误差向量，找到误差峰值点所在样本，并在该处新增一个规则，然后根据公式(9)
‑
(17)调整网络参数，k时刻，误差向量计算如下：e(k)＝[e1(k),e2(k)...,e
p
(k),...,e
...

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