一种基于快速多层前馈小世界神经网络出水氨氮浓度预测方法技术

一种基于快速多层前馈小世界神经网络的出水氨氮预测方法实现出水氨氮浓度的准确预测是先进制造技术领域的重要分支，既属于控制领域，又属于水处理领域。本发明专利技术通过设计快速多层前馈小世界神经网络，根据污水处理过程采集的数据实现了出水氨氮浓度的准确预测，解决了污水处理过程出水氨氮浓度难以实时测量的问题，提高了城市污水处理厂水质质量实时监控水平与决策的灵活性。水平与决策的灵活性。水平与决策的灵活性。

【技术实现步骤摘要】
一种基于快速多层前馈小世界神经网络出水氨氮浓度预测方法

:
[0001]本专利技术涉及人工智能
，更具体地，涉及一种基于快速多层前馈小世界神经网络出水氨氮浓度预测方法。实现出水氨氮浓度的预测是先进制造
的重要分支，既属于控制领域，又属于水处理领域。

技术介绍
:
[0002]随着社会城市化和工业化进程的加快，水资源的污染也随之增加，这对人类的生存和发展以及社会的生态平衡产生了巨大的影响。在城市污水处理行业领域，废水中的氨氮是水体中可导致富营养化的营养物质，随着污水处理厂建设和运行规模的逐步扩大，污水处理厂承担着降低自然界氨氮总量的重要任务。因此，严格限制氨氮的排放可以有效地解决这个问题。通过预测出水氨氮的浓度，有利于提高污水处理厂控制与决策的灵活性。
[0003]通过提取历史数据信息提前预测，为污水处理过程中关键水质参数的预测提供了一种高效快速的解决方案。神经网络因其万能逼近特性使其成为预测主流模型之一，本专利技术设计了一种快速多层前馈小世界神经网络的出水氨氮预测方法，实现出水氨氮浓度的准确预测。

技术实现思路

[0004]本专利技术获得了一种基于快速多层前馈小世界神经网络的出水氨氮浓度预测方法，根据污水处理过程采集的数据实现了出水氨氮的准确预测，解决了污水处理过程出水氨氮难以实时准确测量的问题，提高了城市污水处理厂控制与决策的灵活性。
[0005]一种基于快速多层前馈小世界神经网络的出水氨氮浓度预测方法，此方法包括以下步骤：
[0006]步骤1：选取出水氨氮浓度历史数据，数据预处理；
[0007]首先，对出水氨氮浓度历史数据按照公式(1)归一化至[0,1]，
[0008][0009]其中，y是由出水氨氮浓度历史数据组成的时间序列，y(t)是t时刻的出水氨氮浓度，min(y)和max(y)分别表示序列y中的最小值和最大值；
[0010]其次，选取前τ时刻的出水氨氮浓度y(t
‑
τ)～y(t)作为网络输入，τ取[3,8]，预测下一时刻的出水氨氮浓度y(t+1)，即模型的输入为y(t
‑
τ)～y(t),y(t+1)作为模型的期望输出；
[0011]步骤2：设计快速多层前馈小世界神经网络模型的拓扑结构；
[0012]步骤2.1：设计快速多层前馈小世界神经网络模型布线方式；
[0013]随机断开多层前馈神经网络中的规则连接，按照优先长距离连接的重连规则来构造前馈小世界神经网络；具体构造过程如下：构建一个规则连接的L层前馈神经网络，随机
选择相邻层之间的一个连接，然后断开；假设该连接是从第l层的神经元i到第l+1层的神经元j，其权值被设置为零；其次，以一定概率引入一个跨层连接即从第l层中的神经元i到第s层中的神经元c的连接，该概率值计算方式如下，
[0014][0015]其中,当l＝1时D等于L
‑
1，否则D等于L，s是跨层连接出现的层数，是s所有可能值的累加和；
[0016]重复上述步骤，直到重新布线的跨层连接数达到设定值V
max
，取[10,100]；
[0017]步骤2.2：设计快速多层前馈小世界神经网络的神经元激活函数；
[0018]设计的前馈小世界神经网络拓扑结构共有L层，包含输入层、隐含层、输出层；各层的神经元激活函数设计如下：
[0019]①
输入层：该层共有n个神经元，代表n个输入，表示为x＝[x1,x2,x3…
x
n
]T
，其中x
n
代表输入层的第n个输入变量，该层神经元激活函数设置为线性的，则输入层神经元i的输出为，
[0020][0021]其中，x
i
代表输入层的第i个输入变量；
[0022]②
隐含层：该层具有多层，并通过其非线性激活函数实现非线性映射，第l层的神经元j的输出为，
[0023][0024]其中，n
s
代表神经网络第s层的神经元个数，代表神经网络第s层的神经元i与第l层的神经元j之间的连接权值，是第s层的神经元i的输出，f(
·
)是Sigmoid函数；
[0025]③
输出层：输出层包含一个神经元，激活函数为线性，则其输出为，
[0026][0027]其中，n
s
代表神经网络第s层的神经元个数，代表神经网络第s层的神经元i与输出层神经元之间的连接权值，是第s层的神经元i的输出；
[0028]步骤3：初始化快速多层前馈小世界神经网络的权值；
[0029]步骤3.1：初始化隐含层神经元的连接权值；
[0030]使用岭回归算法初始化隐含层神经元的连接权值，确保隐含层神经元处于激活状态；
[0031]使用岭回归初始化神经元连接权值，定义损失函数为，
[0032][0033]其中，是表示与l层中的神经元j连接的所有神经元的权重的向量，H是存储这
些神经元的输出矩阵，μ1是正则化因子，μ1取[0.01,001],t是在[
‑
4.36,4.36]的激活区间内以均匀分布采样的向量；计算方式如下，
[0034][0035]其中，I是单位矩阵，H是存储这些神经元的输出矩阵，H
T
是H的转置矩阵，t是在[
‑
4.36，4.36]的激活区间内以均匀分布采样的向量，μ1是正则化因子，μ1取[0.01,001]；
[0036]重复以上方法，直至所有隐含层神经元的连接权值被初始化；
[0037]步骤3.2：初始化输出层神经元的连接权值；
[0038]输出层神经元的激活函数为线性，不存在激活死区，所以其连接权值在区间[
‑
1，1]内均匀采样；
[0039]步骤4：设计快速多层前馈小世界神经网络的训练算法；
[0040]基于神经元激活函数特性，快速多层前馈小世界神经网络可以被视为两个子网络的级联，即由输入层和隐藏层组成的深度子网络和由输出层和与其直接连接的神经元组成的宽度子网络；宽度子网络的权值连接为线性的，采用岭回归法训练；深度子网络的权值连接是非线性的，随后采用梯度下降法训练；具体细节描述如下：
[0041]步骤4.1：岭回归训练宽度子网络；
[0042]快速多层前馈小世界神经网络的输出层是对其输入进行线性求和，因此使用岭回归方法来学习其输出权值w
out
。损失函数定义为，
[0043]L1(w
out
)＝||H
o
w
out
‑
y
d
||2+||μ2w
out
||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0044]则t+1时刻的w
out
计算方式如下，
[0045][0046]其中，t是迭代次数，H
o
(t)是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于快速多层前馈小世界神经网络的出水氨氮浓度预测方法，此方法包括以下步骤：步骤1：选取出水氨氮浓度历史数据，数据预处理；首先，对出水氨氮浓度历史数据按照公式(1)归一化至[0,1]，其中，y是由出水氨氮浓度历史数据组成的时间序列，y(t)是t时刻的出水氨氮浓度，min(y)和max(y)分别表示序列y中的最小值和最大值；其次，选取前τ时刻的出水氨氮浓度y(t
‑
τ)～y(t)作为网络输入，τ取[3,8]，预测下一时刻的出水氨氮浓度y(t+1)，即模型的输入为y(t
‑
τ)～y(t),y(t+1)作为模型的期望输出；步骤2：设计快速多层前馈小世界神经网络模型的拓扑结构；步骤2.1：设计快速多层前馈小世界神经网络模型布线方式；随机断开多层前馈神经网络中的规则连接，按照优先长距离连接的重连规则来构造前馈小世界神经网络；具体构造过程如下：构建一个规则连接的L层前馈神经网络，随机选择相邻层之间的一个连接，然后断开；假设该连接是从第l层的神经元i到第l+1层的神经元j，其权值被设置为零；其次，以一定概率引入一个跨层连接即从第l层中的神经元i到第s层中的神经元c的连接，该概率值计算方式如下，其中,当l＝1时D等于L
‑
1，否则D等于L，s是跨层连接出现的层数，是s所有可能值的累加和，p
s
随s增大而增大；重复上述步骤，直到重新布线的跨层连接数达到设定值V
max
，取[10,100]；步骤2.2：设计快速多层前馈小世界神经网络的神经元激活函数；设计的前馈小世界神经网络拓扑结构共有L层，包含输入层、隐含层、输出层；各层的神经元激活函数设计如下：
①
输入层：该层共有n个神经元，代表n个输入，表示为x＝[x1,x2,x3…
x
n
]
T
，其中x
n
代表输入层的第n个输入变量，该层神经元激活函数设置为线性的，则输入层神经元i的输出为，其中，x
i
代表输入层的第i个输入变量；
②
隐含层：该层具有多层，并通过其非线性激活函数实现非线性映射，第l层的神经元j的输出为，其中，n
s
代表神经网络第s层的神经元个数，代表神经网络第s层的神经元i与第l层
的神经元j之间的连接权值，是第s层的神经元i的输出，f(
·
)是Sigmoid函数；
③
输出层：输出层包含一个神经元，激活函数为线性，则其输出为，其中，n
s
代表神经网络第s层的神经元个数，代表神经网络第s层的神经元i与输出层神经元之间的连接权值，是第s层的神经元i的输出；步骤3：初始化快速多层前馈小世界神经网络的权值；步骤3.1：初始化隐含层神经元的连接权值；使用岭回归算法初始化隐含层神经元的连接权值，确保隐含层神经元处于激活状态；使用岭回归初始化神经元连接权值，定义损失函数为，其中，是表示与l层中的神经元j连接的所有神经元的权重的向量，H是存储这些神经元的输出矩阵，μ1是正则化因子，μ1取[0.01,001],t是在[
‑
4.36,4.36]的激活区间内以均匀分布采样的向量；计算方式如下，其中，I是单位矩阵，H是存储这些神经元的输出矩阵，H
T
是H的转置矩阵，t是在[
‑
4.36，4.36]的激活区间内以均匀分布采样的向量，μ1是正则化因子，μ1取[0.01,001]；重复以上方法，直至...

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