一种基于弹性径向基神经网络的生化需氧量ＢＯＤ软测量方法属于检测技术领域。污水处理过程的生产条件恶劣，随机干扰严重，具有强非线性、大时变、严重滞后的特点，难以通过机理分析建立精确的数学模型。本发明专利技术利用ＲＢＦ神经元的活跃度函数判断神经元的活跃性，对活跃度较强的神经元进行分裂；其次，通过计算交互信息相关性函数，分析ＲＢＦ神经网络隐含层神经元与输出层神经元间的连接强度，从而根据交互信息强度对神经网络结构进行修改；最后，对神经网络参数进行调整，直到网络结构满足处理信息的需求；本发明专利技术提高污水处理的质量和效率、降低污水处理成本，为污水处理过程实现闭环控制提供及时监测出水水质和相关参数，从而促使污水处理厂高效稳定运行。
【技术实现步骤摘要】
软测量方法是检测技术及仪表研究的主要发展趋势之一，是先进制造
的 重要分支，本专利技术涉及污水处理过程中出水关键水质指标生化需氧量BOD的软测量方法； 软测量是根据某种最优准则，选择一组既与主变量密切联系，又容易测量的辅助变量，通过 构造某种数学模型，依靠事先学习和记忆实现对主变量的估计；软测量的精度取决于对实 测数据的学习、记忆和联想的效果以及不断进行再学习的能力；将软测量方法应用于污水 处理系统，既可节约投资和运行成本，又能及时监测出水水质和相关参数，促使污水处理厂 高效稳定运行；因此，BOD的软测量方法在污水处理系统中具有重要意义。
技术介绍
国务院在《中华人民共和国国民经济和社会发展第十一个五年规划纲要》中明确 提出加强城市污水处理设施建设，全面开征污水处理费，到2010年城市污水处理率不低 于70%。在此背景下，仅2007年全国就新建成城市污水处理厂482座。到2008年末，我国 城市污水处理厂日处理能力达8295万立方米，城市污水处理率达到66%。但污水处理厂 的运行状况却不容乐观，据国家环保部门统计，运行负荷不足、出水水质超标或运行异常的 污水处理厂约占到50%。城市污水处理过程中存在的主要问题是①电能消耗过大，运行 成本居高；②异常工况繁发，出水水质超标现象严重。国家中长期科技发展规划中提出要抑 制异常工况发生，确保污水处理质量达标；研究并推广高效、低能耗的污水处理新技术；因 此，本专利技术的研究成果具有广阔的应用前景。城市污水处理的控制目标就是使出水达到国家排放标准——如GB18918，主要涉 及的参数有生化需氧量——B0D、化学需氧量——COD、悬浮物——SS、氨氮——NH3-N、总 氮——TN和总磷——TP等。其中水质参数BOD是指在规定时间内分解单位有机物所需要 的氧量，目前污水处理厂多通过使用稀释接种法、微生物传感器快速测定法测定不同类型 水中生化需氧量B0D，其BOD分析测定周期一般为5天，不能及时反映污水处理实际情况，不 能实现对BOD实时测量，直接导致污水处理过程难以实现闭环控制。另外，污水中污染物的 数量多、含量各异，对检测是一大挑战。研制新型硬件形式的过程测量仪表，虽然可以直接 地解决各种污水处理过程变量及水质参数的检测问题，但由于污水中有机物非常复杂，研 发这些传感器将是一个耗资大、历时长的工程。因此，研究新的测量方法解决过程参数的实 时测量问题，已成为污水控制工程领域研究的重要课题，并且具有重要的现实意义。本专利技术提出一种新的BOD软测量方法，通过构建弹性径向基(以下简称RBF)神经 网络模型，利用神经元的活跃度以及神经元间的交互信息分析网络的连接强度，以此判断 增加或删除RBF神经网络隐含层神经元，同时调整神经网络的拓扑结构，有效地解决了 RBF 神经网络结构设计问题，同时利用梯度下降的参数修正算法保证了最终弹性RBF网络的精 度，实现了神经网络的结构和参数自校正，实现对污水处理过程中关键参数BOD的间接在 线测量。
技术实现思路
本专利技术获得了一种基于弹性RBF神经网络的污水处理关键水质参数BOD的软测量 方法；该方法通过分析污水处理过程，在众多可测变量中选择一组既与BOD有密切联系又 容易测量的变量作为辅助变量，通过构造弹性RBF神经网络，实现辅助变量与BOD之间的映 射，实现污水水质BOD的在线测量，解决了当前BOD测量周期长的问题；本专利技术采用了如下的技术方案及实现步骤1. 一种基于弹性RBF神经网络的BOD软测量方法，(1)设计用于BOD软测量的弹性RBF神经网络初始拓扑结构；网络分为三层输入 层、隐含层、输出层。输入为污水曝气池进水水质指标，输出为出水生化需氧量BOD ；初始化神经网络确定神经网络1-K-1的连接方式，即输入层神经元为1个，隐含 层神经元为K个，输出层神经元为1个；对神经网络的权值进行随机赋值；神经网络的输入 表示为 X = (X1, X2, ...，X1)1, (X1, X2, ...，X1)τ 为(X1, X2, ... , X1)的转置，神经网络的期 望输出表示为yd;设共有M个训练样本，则第t个训练样本为x(t) = (Xl(t)，x2(t)，...， Xl(t))T，用第t个训练样本训练神经网络时，弹性RBF神经网络的输出可描述为XO = E^mWOX(1)A=I其中，K是隐含层神经元数，x(t) = (Xl(t)，X2(t)，...，Xl(t))T是输入向量，Wk是 第k个隐含层神经元与输出层神经元的联结权值；θ k是第k个隐含层神经元的输出，即ek{x) = e^x-^lab,(2)其中，μ k是中心值，Ok是方差；定义误差函数为E(t) = J-J(y(t) - ^rf (t))T (y(t) - yd ( )),(3)M ,=iM为训练样本总数，yd(t)和y(t)分别是t时刻神经网络的期望输出和实际输出， 训练RBF神经网络的目的是使得式(3)定义的误差函数达到期望值；(2)对样本数据进行校正；设N个数据样本(x(l)，x (2)，...，X(N))，均值为x，每一个样本的偏差为D (j)= X (j) - X，j = 1，2，· · ·，N，计算标准偏差σ ΡξΞΖ,(4)y j=\ yv — ι若某一个样本x (j)的偏差满足|D(j) I 彡 3σ，，j = 1，2，· · ·，N，(5)则认为样本x(j)是异常数据，应予以剔除，得到校正后的数据，该数据作为神经 网络的训练样本和测试样本；其特征还包括以下步骤(3)用校正后的数据训练神经网络，在训练过程中，首先，利用神经元的活跃度函 数判断神经元的活跃性，对活跃度较强的神经元进行分裂；其次，通过计算交互信息相关性 函数，分析RBF神经网络隐含层神经元与输出层神经元间的连接强度，从而根据交互信息 强度对网络结构进行修改；最后，对神经网络参数进行调整，直到网络结构满足处理信息的6需求；具体为①给定一个RBF神经网络，隐含层神经元为K，K为小于100的正整数，初始化神经 网络权值wk，其值为0到1的随机数，中心值μ k为与训练样本相关的数，期望误差设为Ed， 方差Ok e ，进行训练;②输入样本数据进行运算，计算神经元i的活跃度Afi,权利要求一种基于弹性径向基神经网络的生化需氧量BOD软测量方法，包括以下步骤(1)弹性径向基神经网络，以下简称RBF神经网络，设计用于BOD软测量的弹性RBF神经网络拓扑结构；网络分为三层输入层、隐含层、输出层；输入为污水曝气池进水水质指标，输出为出水生化需氧量BOD；初始化神经网络确定神经网络l K 1的连接方式，即输入层神经元为l个，隐含层神经元为K个，输出层神经元为1个；对神经网络的权值进行随机赋值；神经网络的输入表示为x＝(x1，x2，...，xl)T，(x1，x2，...，xl)T为(x1，x2，...，xl)的转置，神经网络的期望输出表示为yd；设共有M个训练样本，则第t个训练样本为x(t)＝(x1(t)，x2(t)，...，xl(t))T，用第t个训练样本训练神经网络时，弹性RBF神经网络的输出描述为 <mrow><mi>y</mi><mrow> <mo&g本文档来自技高网...
【技术保护点】
一种基于弹性径向基神经网络的生化需氧量ＢＯＤ软测量方法，包括以下步骤：（１）弹性径向基神经网络，以下简称ＲＢＦ神经网络，设计用于ＢＯＤ软测量的弹性ＲＢＦ神经网络拓扑结构；网络分为三层：输入层、隐含层、输出层；输入为污水曝气池进水水质指标，输出为出水生化需氧量ＢＯＤ；初始化神经网络：确定神经网络ｌ－Ｋ－１的连接方式，即输入层神经元为ｌ个，隐含层神经元为Ｋ个，输出层神经元为１个；对神经网络的权值进行随机赋值；神经网络的输入表示为ｘ＝（ｘ↓［１］，ｘ↓［２］，．．．，ｘ↓［ｌ］）↑［Ｔ］，（ｘ↓［１］，ｘ↓［２］，．．．，ｘ↓［ｌ］）↑［Ｔ］为（ｘ↓［１］，ｘ↓［２］，．．．，ｘ↓［ｌ］）的转置，神经网络的期望输出表示为ｙ↓［ｄ］；设共有Ｍ个训练样本，则第ｔ个训练样本为ｘ（ｔ）＝（ｘ↓［１］（ｔ），ｘ↓［２］（ｔ），．．．，ｘ↓［ｌ］（ｔ））↑［Ｔ］，用第ｔ个训练样本训练神经网络时，弹性ＲＢＦ神经网络的输出描述为：ｙ（ｔ）＝＊ｗ↓［ｋ］（ｔ）θ↓［ｋ］（ｘ（ｔ）），（１）其中，Ｋ是隐含层神经元数，ｘ（ｔ）＝（ｘ↓［１］（ｔ），ｘ↓［２］（ｔ），．．．，ｘ↓［ｌ］（ｔ））↑［Ｔ］是输入向量，ｗ↓［ｋ］是第ｋ个隐含层神经元与输出层神经元的联结权值；θ↓［ｋ］是第ｋ个隐含层神经元的输出，即θ↓［ｋ］（ｘ）＝ｅ↑［（－｜｜ｘ－μ↓［ｋ］｜｜／σ↓［ｋ］↑［２］）］，（２）其中，μ↓［ｋ］和σ↓［ｋ］分别是第ｋ个隐含层神经元的中心值和方差；定义误差函数为Ｅ（ｔ）＝１／Ｍ＊（ｙ（ｔ）－ｙ↓［ｄ］（ｔ））↑［Ｔ］（ｙ（ｔ）－ｙ↓［ｄ］（ｔ）），（３）Ｍ为训练样本总数，ｙ↓［ｄ］（ｔ）和ｙ（ｔ）分别是ｔ时刻神经网络的期望输出和实际输出，训练ＲＢＦ神经网络的目的是使得式（３）定义的误差函数达到期望值；（２）对样本数据进行校正；设Ｎ个数据样本（ｘ（１），ｘ（２），．．．，ｘ（Ｎ）），均值为χ，每一个样本的偏差为Ｄ（ｊ）＝ｘ（ｊ）－χ，ｊ＝１，２，．．．，Ｎ，计算标准偏差：＊＊＊（４）若某一个样本ｘ（ｊ）的偏差满足：｜Ｄ（ｊ）｜≥３σ，，ｊ＝１，２，．．．，Ｎ，（５）则认为样本ｘ（ｊ）是异常数据，应予以剔除，得到校正后的数据，该数据作为神经网络的训练样本和测试样本；其特征还包括以下步骤：（３）用校正后的数据训练神经网络，在训练过程中，首先，利用神经元的活跃度函数判断神经元的活跃性，对活跃度较强的神经元进行分裂；其次，通过计算交互信息相关性...
【技术特征摘要】
【专利技术属性】
技术研发人员：乔俊飞，韩红桂，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：11[中国|北京]
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。