基于自组织T-S模糊神经网络的污泥沉降指数软测量方法技术

基于自组织T-S模糊神经网络的污泥沉降指数软测量方法既属于控制领域，又属于污水处理领域。污泥沉降指数SVI的准确预测是污水处理过程正常运行的保证，本发明专利技术首先以规则层的输出量，即规则层的空间激活强度作为判定模糊规则是否增加的依据；其次，在生成新的模糊规则的基础上，以隶属函数层输出量作为判定模糊集是否增加的依据；最后，利用梯度下降算法调整模型的权值参数和高斯函数的中心值和宽度，获得一种自组织T-S模糊递归神经网络，并基于SOTSFEN建立了SVI的在线软测量模型，实现了SVI的实时检测，为预防污泥膨胀提供了一种有效方法。

【技术实现步骤摘要】
基于自组织T-S模糊神经网络的污泥沉降指数软测量方法
本专利技术利用自组织T-S模糊递归网络建立污泥容积指数SVI的软测量模型，实现对污泥沉降指标SVI的实时预测。污泥沉降指数SVI的准确预测是污水处理过程正常运行的保证，本专利技术既属于控制领域，又属于污水处理领域。
技术介绍
污水处理是我国政府水资源综合利用的重要举措，也是我国可持续发展战略的重要组成部分。目前，全国各城市、县基本上建立了城镇污水处理厂，污水处理能力与美国等国家发达国家相当。但污水处理运行状况不容乐观，其中污泥膨胀问题严重制约着污水处理的发展。污泥膨胀一旦发生，丝状菌大量繁殖，污泥沉降性能变差，固液分离困难，导致出水水质超标，污泥溢出流失，甚至可能引发泡沫的产生，造成污水处理系统崩溃。因此，本专利技术基于自组织T-S模糊递归神经网络SOTSRFNN的SVI的软测量研究具有广泛的应用前景。污泥容积指数SVI是污泥沉降性能的重要评价指标之一。目前，针对SVI的检测方法主要有两类：①人工检测法，利用量筒定时采样检测，计算SVI值，但该方法耗时且误差大，难以满足污水处理日益复杂的现实要求；②自动检测法，但该方法存在设备造价本文档来自技高网...

【技术保护点】
一种SVI软测量方法，其特征在于，包括以下步骤：(1)数据预处理及辅助变量精选；样本集数据用零均值标准化方法进行归一化处理，通过主元分析PCA进行辅助变量的精选，最终确定混合液悬浮物浓度MLSS、酸碱度pH、曝气池水温T、曝气池氨NH4作为模型的输入变量；(2)建立SVI的软测量的递归模糊神经网络模型，输入量为MLSS、pH、T、NH4，模型的输出量为SVI；递归模糊神经网络拓扑结构：输入层即第一层、隶属函数层即第二层、规则层即第三层、参数层即第四层、输出层即第五层、反馈层；神经网络结构：输入层有4个输入节点，每个输入层节点连接m个隶属函数层节点，规则层有m个节点，m表示模糊规则数，在网络结构...

【技术特征摘要】
1.一种SVI软测量方法，其特征在于，包括以下步骤：(1)数据预处理及辅助变量精选；样本集数据用零均值标准化方法进行归一化处理，通过主元分析PCA进行辅助变量的精选，最终确定混合液悬浮物浓度MLSS、酸碱度pH、曝气池水温T、曝气池氨NH4作为模型的输入变量；(2)建立SVI的软测量的递归模糊神经网络模型，输入量为MLSS、pH、T、NH4，模型的输出量为污泥体积指数SVI；递归模糊神经网络拓扑结构：输入层即第一层、隶属函数层即第二层、规则层即第三层、参数层即第四层、输出层即第五层、反馈层；神经网络结构：输入层有4个输入节点，每个输入层节点连接m个隶属函数层节点，规则层有m个节点，m表示模糊规则数，在网络结构训练过程中生成的模糊规则数确定m的值，参数层节点个数、反馈层节点数与规则层的节点数相等，输出层有1个节点；x＝[x1,x2,x3,x4]表示神经网络的输入，yd表示神经网络的期望输出；设第k组样本数据为x(k)＝[x1(k),x2(k),x3(k),x4(k)]；第k组样本数据输入时：输入层第i个节点的输出表示为：其中，表示输入层的第i个节点在输入第k组样本时的输出；隶属函数层的节点总数为：4m，每个输入层的节点均连接m个隶属函数层的节点，隶属函数层的输出为：其中，隶属函数采用高斯函数，cij和σij分别代表输入层第i个节点对应的隶属函数层第j个节点的高斯函数的中心值和宽度，每一个高斯函数均为一个模糊集，在结构调整阶段对高斯函数赋初值；表示输入层的第i个节点对应的隶属函数层的第j个节点在输入第k组样本时的输出；规则层的节点数为m，输入层的每个节点对应的隶属函数层的第j个节点均连接到规则层的第j个节点；在规则层引入反馈连接，在反馈层加入内部变量；反馈层节点包含两种类型的节点：承接节点，对规则层的输出量和权值进行加权求和运算，计算内部变量；反馈节点，采用sigmoid函数作为隶属函数，计算反馈层的输出量；规则层每个节点均连接所有的反馈层承接节点；反馈层的承接节点与反馈节点一一对应，节点数相等，反馈节点与规则层节点一一对应，节点数相等，并随着模糊规则数的变化而变化，始终等于模糊规则数；规则层第j个节点的输出为：其中，ωjq是规则层的第j个节点与反馈层的第q个承接节点的连接权值，初始赋值为0到1间的随机数；表示规则层第j个节点在第k-1组样本的输出量，hq表示反馈层第q个承接节点的内部变量；fq表示反馈层第q个反馈节点的输出量；规则层的输出即模糊规则的激活强度，其中表示空间激活强度；规则层的节点与参数层的节点是一一对应的，参数层有m个节点，该层的输出表示为：其中，aij表示线性参数，初值赋值为0至1的随机数，aj＝[a1j,a2j,a3j,a4j]；Wj(k)表示参数层第j个节点在输入第k组样本时的线性参数加权求和的值，表示参数层的第j个节点在第k组样本的输出；网络模型为多输入单输出，输出层有1个节点，所有的参数层节点连接到输出节点；网络输出表示为：其中，y(k)表示第k组样本的网络输出；(3)模糊神经网络首先通过结构自组织调整确定网络结构；网络的结构自组织调整：x(k)＝[x1(k),x2(k),x3(k),x4(k)]表示模型当前输入第k组样本，从第一组样本数据开始输入，到全部数据输入完成，每输入一组样本数据均采用以下步骤判断是否增加新的模糊规则，在增加模糊规则的基础上判断是否增加新的模糊集；①网络模型初始结构中模糊规则数为0，第一组数据输入，模糊规则数变为1，并增加新的模糊集；模糊集的初始化，即高斯函数中心值和宽度值的初始化表示为：c(1)＝x(1)＝[x1(1),x2(1),x3(1),x4(1)](9)σ(1)＝[σ11,σ21,σ31,σ41]＝[0.5,0.5,0.5,0.5](10)其中c(1)表示生成的第一组模糊集的中心值，即隶属函数的中心值；σ(1)表示生成的第一个模糊集的宽度值，即隶属函数的宽度值；②输入数据依次输入，每输入一组数据，均判断是否增加新的模糊规则，判断公式表示为：其中表示规则层第j个节点的空间激活强度；J表示当取最大值时j的值；N表示当前模糊规则数；为预先设定的阈值，取值为0.24；如果满足式(13)，则增加一条新的模糊规则，N'＝N+1，执行③；如果不满足式(13)，重复②，输入下一组数据；③在增加一条新的模糊规则的基础上，判断是否增加新的模糊集，判断公式表示为：

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