專利名稱：基于動態(tài)徑向基神經(jīng)網(wǎng)絡(luò)的溶解氧的控制方法
技術(shù)領(lǐng)域：
本發(fā)明利用基于動態(tài)徑向基(RBF)神經(jīng)網(wǎng)絡(luò)的控制器實(shí)現(xiàn)污水處理過程中溶解氧(DO)的 控制方法，污水處理過程中溶解氧(DO)的控制作為污水處理的重要環(huán)節(jié)，是先進(jìn)制造技術(shù)領(lǐng) 域的重要分支，既屬于水處理領(lǐng)域，又屬于控制領(lǐng)域。
背景技術(shù)：
隨著國民經(jīng)濟(jì)的增長和公眾環(huán)保意識的增強(qiáng)，污水處理自動化技術(shù)迎來了前所未有的發(fā) 展機(jī)遇。國家中長期科技發(fā)展規(guī)劃中提出要研究并推廣高效、低能耗的污水處理新技術(shù)。因 此，本發(fā)明的研究成果具有廣闊的應(yīng)用前景。
溶解氧(DO)濃度是目前污水處理中應(yīng)用最為廣泛的運(yùn)轉(zhuǎn)控制參數(shù)，當(dāng)溶解氧不足或過量 時(shí)都會導(dǎo)致污泥生存環(huán)境惡化當(dāng)氧氣不足時(shí)， 一方面由于好氧池中絲狀菌會大量繁殖，最 終產(chǎn)生污泥膨脹，發(fā)生異常工況；另一方面由于好氧菌的生長速率降低從而引起出水水質(zhì)的 下降。而氧氣過量(即過量曝氣)則會引起懸浮固體沉降性能變差，影響污水處理系統(tǒng)的正常 運(yùn)行。溶解氧的控制涉及到微生物的生長環(huán)境以及處理過程的能耗，因此，溶解氧控制一直 是研究的重點(diǎn)。
傳統(tǒng)的開關(guān)控制或者PID控制，雖然是當(dāng)前應(yīng)用較為廣泛的控制方法，但是由于氧氣的 溶解過程受入水水質(zhì)、溫度和pH值等方面的影響，具有高度非線性、強(qiáng)耦合性、時(shí)變、大 滯后和不確定性等特點(diǎn)。采用傳統(tǒng)的開關(guān)控制或者PID控制方法自適應(yīng)能力較差，往往不能 取得理想的控制效果。近年來，國內(nèi)外也有基于模糊和神經(jīng)網(wǎng)絡(luò)的智能控制方法研究，很好 地解決了傳統(tǒng)的開關(guān)控制或者PID控制方法自適應(yīng)能力較差的問題。伹是仍有一些不足，以 上模糊控制和神經(jīng)網(wǎng)絡(luò)控制在應(yīng)用前必須確定其本身規(guī)則數(shù)或神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在應(yīng)用過程中 只能修改其參數(shù)，不能修改其結(jié)構(gòu)；規(guī)模過大的模糊規(guī)則或神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有較好的學(xué)習(xí)精 度，但是往往需要較大的存儲空間和計(jì)算時(shí)間；而規(guī)模過小的模糊規(guī)則或神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)雖具 有較簡單的網(wǎng)絡(luò)結(jié)構(gòu)，但信息處理能力又有限。優(yōu)良的控制可以節(jié)省污水處理運(yùn)行費(fèi)用，同時(shí)也是減少和應(yīng)對異常工況發(fā)生、保障污水處理過程正常運(yùn)行的關(guān)鍵。此外，通過提高污水 處理過程自動化水平，還可以有效地減少運(yùn)行管理和操作人員，降低運(yùn)行費(fèi)用。
本發(fā)明設(shè)計(jì)了一種基于動態(tài)徑向基(RBF)神經(jīng)網(wǎng)絡(luò)的溶解氧控制器，通過構(gòu)建動態(tài)徑向基 (RBF)神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對污水處理過程中溶解氧(DO)的在線控制。
發(fā)明內(nèi)容
本發(fā)明的目的在于通過提供一種基于動態(tài)徑向基神經(jīng)網(wǎng)絡(luò)的溶解氧的控制方法，構(gòu)建動 態(tài)徑向基(RBF)神經(jīng)網(wǎng)絡(luò)模型，分析污水處理過程，實(shí)時(shí)改變神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高控制器的控 制能力；解決控制器根據(jù)環(huán)境自動調(diào)整的問題，通過控制污水處理過程中的曝氣量達(dá)到控制 DO濃度的效果；提高污水處理過程中DO控制的精度，保障污水處理過程正常運(yùn)行；
本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟
一種基于動態(tài)徑向基神經(jīng)網(wǎng)絡(luò)的溶解氧的控制方法，包括以下步驟
(1) 確定控制對象；本發(fā)明主要針對序批式間歇活性污泥系統(tǒng)中溶解氧進(jìn)行控制，以曝 氣量為控制量，溶解氧濃度為被控量；
(2) 設(shè)計(jì)用于污水處理過程中溶解氧DO控制器的動態(tài)RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；網(wǎng)絡(luò)分 為三層輸入層、隱含層、輸出層；輸入為溶解氧DO濃度的期望值與實(shí)際值的誤差和誤差 變化率，輸出為污水處理系統(tǒng)中變頻器的輸入量；
初始化RBF神經(jīng)網(wǎng)絡(luò)確定神經(jīng)網(wǎng)絡(luò)^ —"一i的連接方式，即輸入層神經(jīng)元為p個(gè)，隱 含層神經(jīng)元為"個(gè)，輸出層神經(jīng)元為l個(gè)；對神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行隨機(jī)賦值；RBF神經(jīng)網(wǎng)絡(luò) 的輸入表示為^'^'A'"^，神經(jīng)網(wǎng)絡(luò)的期望輸出表示為y^實(shí)際輸出表示為y;設(shè)第&時(shí)
刻RBF神經(jīng)網(wǎng)絡(luò)輸入為^("'^("A RBF神經(jīng)網(wǎng)絡(luò)各層的計(jì)算功能是
輸入層，該層由p個(gè)神經(jīng)元組成<formula>formula see original document page 7</formula>分別表示輸入層的輸入和輸出；
隱含層，該層由w個(gè)神經(jīng)元組成-<formula>formula see original document page 7</formula>("表示隱含層的輸入和輸出<formula>formula see original document page 7</formula>表示第A時(shí)刻的輸入值，。表示隱含層第y個(gè)神經(jīng)元，X("-。.表示。與X("之間的歐式距離， P—)為高斯函數(shù)，其形式為
<formula>formula see original document page 8</formula>
。表示隱含層第j個(gè)神經(jīng)元中心值，《表示隱含層第y個(gè)神經(jīng)元的中心寬度。
輸出層，該層只有l(wèi)個(gè)神經(jīng)元
<formula>formula see original document page 8</formula>
(9^(3)(^:)表示輸出層的輸出，w)("表示第y個(gè)隱含層神經(jīng)元與輸出層神經(jīng)元之間的聯(lián) 結(jié)權(quán)值，KQ為RBF神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出； 定義誤差函數(shù)為
<formula>formula see original document page 8</formula>
r為0(W-h(")的轉(zhuǎn)置，附為訓(xùn)練樣本總數(shù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的目的是使得式(5)定義 的誤差函數(shù)達(dá)到期望值^;
(3)對樣本數(shù)據(jù)進(jìn)行校正； _ _
設(shè)f個(gè)數(shù)據(jù)樣本JC(l),;c(2)，A，x(0，均值為^，每一個(gè)樣本的偏差為D^)-x^)-；， 《=1，2，A ，f ，按照Bessel公式計(jì)算出標(biāo)準(zhǔn)偏差
CT = js 、 ， ~~^~ (7) y=i f — 1
若某一個(gè)樣本X(^)的偏差滿足
|D (《)I 2 3 o"， "1,2，A ,n (8)
則認(rèn)為樣本x(《)是異常數(shù)據(jù)，應(yīng)予以剔除，得到校正后的數(shù)據(jù)，該數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的
訓(xùn)練樣本；
(4)用校正后的部分?jǐn)?shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中利用模型輸出敏感度分析對神經(jīng) 網(wǎng)絡(luò)的冗余隱神經(jīng)元進(jìn)行修剪，利用最臨近插值法對隱含層神經(jīng)元進(jìn)行增加；以簡化神經(jīng)網(wǎng) 絡(luò)結(jié)構(gòu)，提高神經(jīng)網(wǎng)絡(luò)的性能。
動態(tài)RBF神經(jīng)網(wǎng)絡(luò)調(diào)整具體步驟為
①訓(xùn)練給定初始神經(jīng)網(wǎng)絡(luò)達(dá)到預(yù)先設(shè)定訓(xùn)練步驟m;記下訓(xùn)練過程中每個(gè)隱含層神經(jīng)元 的輸出權(quán)值wf，M^,A ，W，找出最大值和最小值；通過計(jì)算參數(shù)wf，M《，A ,M^對于網(wǎng)絡(luò)輸出_y的靈敏度；
第_/(7 = 1，2，八，")個(gè)隱神經(jīng)元輸出在訓(xùn)練附步中的最大值是~，最小值是^.，則假
定 < 以指定頻率C7y在["y, ~]內(nèi)振蕩，艮口
《)=0) + ~ /2) + (~ - ^ /2) sin(cj/力) (9) 其中，5(7)=2;2"/附，c^指定頻率，m是總訓(xùn)練步驟。結(jié)合式(5)，神經(jīng)網(wǎng)絡(luò)的輸出少表 示為-
少O) = c^(3)o) = i ox^)2)o) ， c/ = i，2，a ,") (io)
③計(jì)算各個(gè)神經(jīng)元的靈敏度如果要計(jì)算第yC/二l,2，A ，w)個(gè)隱神經(jīng)元的靈敏度，則該
神經(jīng)元對應(yīng)的傅立葉系數(shù)為
1 T 1 T
j乂 =一 J"/X s)cos(Q7)"<is ， =—J"/(^)sin(ezr乂"(is (11)
其中，s的取值范圍是[-;r，;r];由RBF神經(jīng)網(wǎng)絡(luò)的各隱含層神經(jīng)元的輸出之間沒有相互作
用，傅立葉振幅值主要集中在基頻上，采用下式計(jì)算第X乂-1,2,A ，w)個(gè)隱神經(jīng)元的靈敏度； (w-i)
<2 , D2
、一 (AM)
則y個(gè)隱神經(jīng)元的總靈敏度之和為
5"附_57 = |^7; (13)
第y個(gè)輸入?yún)?shù)的靈敏度為
二5T)/5V/m —5T (14) ④進(jìn)行結(jié)構(gòu)調(diào)整，若第y個(gè)隱含層神經(jīng)元的顯著性^小于A(預(yù)先設(shè)定)，則刪除該神經(jīng) 元；若第y個(gè)隱含層神經(jīng)元的顯著性^.大于^(預(yù)先設(shè)定)，利用最臨近插值法在該神經(jīng)元附
近插入新的神經(jīng)元；插入的新神經(jīng)元初始條件w3 二丄w3, V= V ， c=c (15)
wg沐 2 / y ， 乂 、^乂
其中，W:w， V ew， C"^分別表示插入新神經(jīng)元的聯(lián)結(jié)權(quán)值，中心值，中心寬度；
⑤ 繼續(xù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后每隔一定步數(shù)重復(fù)步驟②-④，直到新神經(jīng)網(wǎng)絡(luò)中所有隱含層 神經(jīng)元顯著性^處于A和&之間停止結(jié)構(gòu)調(diào)整；
⑥ 調(diào)整校正網(wǎng)絡(luò)中所有的參數(shù)
5w々) 辨o) av々)
(16)
其中，/ = l,2，A,w， ^,W,^是正常數(shù)，它們?nèi)≈捣秶?br>
;
⑦ 繼續(xù)對樣本數(shù)據(jù)進(jìn)行訓(xùn)練，直到誤差五小于期望誤差^/;
(5)利用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)對溶解氧(DO)進(jìn)行控制，期望D0濃度與實(shí)際輸出D0濃度的 誤差及誤差變化率作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，RBF神經(jīng)網(wǎng)絡(luò)的輸出即為變頻器的輸入，變頻器 通過調(diào)節(jié)電動機(jī)的轉(zhuǎn)速達(dá)到控制鼓風(fēng)機(jī)的目的，最終控制曝氣量，整個(gè)控制系統(tǒng)的輸出為實(shí) 際D0濃度值，
本發(fā)明與現(xiàn)有技術(shù)相比，具有以下明顯的優(yōu)勢和有益效果
(1) 本發(fā)明針對當(dāng)前活性污泥法污水處理過程是一個(gè)復(fù)雜的、動態(tài)的生物反應(yīng)過程，不僅 具有非線性、大時(shí)變等特點(diǎn)，而且各個(gè)因素之間存在強(qiáng)耦合關(guān)系，基于精確數(shù)學(xué)模型的各種 控制方法對污水處理過程的控制顯得比較困難的問題，根據(jù)神經(jīng)網(wǎng)絡(luò)可以逼近非線性函數(shù)的 特點(diǎn)，采用了動態(tài)RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)DO濃度的控制，具有實(shí)時(shí)性好、穩(wěn)定性好、精度高等特點(diǎn)； 從而省去了當(dāng)前污水處理廠需要人工經(jīng)驗(yàn)或基于精確數(shù)學(xué)模型研制其他控制器的復(fù)雜過程， 更方便快捷。
(2) 本發(fā)明采用模型輸出敏感度分析對RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行動態(tài)調(diào)整，該調(diào)整方法解 決了RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)難以確定的問題，避免了RBF神經(jīng)網(wǎng)絡(luò)規(guī)模過于復(fù)雜而需要較大的存儲 空間和計(jì)算時(shí)間；規(guī)模過小而信息處理能力又有限。
特別要注意本發(fā)明只是為了描述方便，采用的是對DO濃度的控制，同樣該發(fā)明也可適 用其他系統(tǒng)的控制等，只要采用了本發(fā)明的原理進(jìn)行控制都應(yīng)該屬于本發(fā)明的范圍。
圖1是本發(fā)明的RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；
圖2是本發(fā)明的控制器結(jié)構(gòu)圖3是本發(fā)明控制系統(tǒng)結(jié)果圖4是本發(fā)明控制系統(tǒng)結(jié)果誤差圖。
具體實(shí)施例方式
以下結(jié)合具體實(shí)施方式
，對本發(fā)明做進(jìn)一步說明；
請參閱圖l所示，為本發(fā)明的RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；圖2是本發(fā)明的控制器結(jié)構(gòu)圖。 本發(fā)明獲得了一種基于動態(tài)徑向基(RBF)神經(jīng)網(wǎng)絡(luò)的污水處理過程中溶解氧(DO)濃度的
控制器；該控制器通過分析污水處理過程，通過控制污水處理過程中的曝氣量從而達(dá)到控制
DO濃度的目的；
實(shí)驗(yàn)數(shù)據(jù)來自某污水處理廠水質(zhì)分析日報(bào)表；實(shí)驗(yàn)樣本經(jīng)數(shù)據(jù)預(yù)處理后剩下200組數(shù)據(jù)， 將全部的200組數(shù)據(jù)樣本分為兩部分其中100組數(shù)據(jù)用作為訓(xùn)練樣本，其余100組數(shù)據(jù)作 為測試樣本；
本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟
l.基于動態(tài)RBF神經(jīng)網(wǎng)絡(luò)的溶解氧DO控制器的設(shè)計(jì)，包括以下步驟
(1) 確定控制對象；本發(fā)明主要針對序批式間歇活性污泥系統(tǒng)中溶解氧進(jìn)行控制，以曝 氣量為控制量，溶解氧濃度為被控量；
(2) 設(shè)計(jì)用于污水處理過程中溶解氧DO控制器的初始化動態(tài)RBF神經(jīng)網(wǎng)絡(luò)確定神經(jīng) 網(wǎng)絡(luò)2-3-l的連接方式，即輸入層神經(jīng)元為2個(gè)，隱含層神經(jīng)元為3個(gè)，輸出層神經(jīng)元為 l個(gè)，圖1給出了初始RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)；對神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行隨機(jī)賦值；RBF神 經(jīng)網(wǎng)絡(luò)的輸入為溶解氧DO濃度的期望值與實(shí)際值的誤差和誤差變化率，輸出為污水處理系 統(tǒng)模型的曝氣量；輸入為溶解氧DO濃度的期望值與實(shí)際值的誤差和誤差變化率，輸出為污 水處理系統(tǒng)中變頻器的輸入，圖2給出了控制器內(nèi)部結(jié)構(gòu)；
(3) 對樣本數(shù)據(jù)進(jìn)行校正；將全部的200組數(shù)據(jù)樣本分為兩部分其中100組數(shù)據(jù)用作為
訓(xùn)練樣本，其余100組數(shù)據(jù)作為測試樣本；
(4) 用校正后的部分?jǐn)?shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中利用模型輸出敏感度分析對神經(jīng) 網(wǎng)絡(luò)的冗余隱神經(jīng)元進(jìn)行修剪，利用最臨近插值法對隱含層神經(jīng)元進(jìn)行增加；以簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高神經(jīng)網(wǎng)絡(luò)的性能。
動態(tài)RBF神經(jīng)網(wǎng)絡(luò)調(diào)整具體步驟為
①訓(xùn)練給定初始神經(jīng)網(wǎng)絡(luò)達(dá)到預(yù)先設(shè)定訓(xùn)練步驟m;記下訓(xùn)練過程中每個(gè)隱含層神經(jīng)元
的輸出權(quán)值wf，M^，A ，W"3，找出最大值和最小值；通過計(jì)算參數(shù)wf,W,A ,W:對于網(wǎng)絡(luò)輸出 _y的靈敏度；
② 第y'(7-l，2,A,")個(gè)隱神經(jīng)元輸出在訓(xùn)練附步中的最大值是^，最小值是^.,則假
定W)以指定頻率^.在["乂,^]內(nèi)振蕩，艮P:
w)3) = (~ + ~ /2) + (~ — ./2) sin(cj,")) (18) 其中，s(y)=2;r/m， e^.指定頻率，m是總訓(xùn)練步驟。結(jié)合式(5)，神經(jīng)網(wǎng)絡(luò)的輸出少表
示為
= Cto(3)0) = iw)0)C^)2)0) ， C/ = 1，2,A ,") (19)
7=1
③ 計(jì)算各個(gè)神經(jīng)元的靈敏度如果要計(jì)算第jt/'-l，2,A,w;)個(gè)隱神經(jīng)元的靈敏度，則該
神經(jīng)元對應(yīng)的傅立葉系數(shù)為
4=—J"/Cs)cos(cr,)^s ， B乂. =—J"/(s)sin(cr,)(is (20)
其中，s的取值范圍是[-;r,;r];由RBF神經(jīng)網(wǎng)絡(luò)的各隱含層神經(jīng)元的輸出之間沒有相 互作用，傅立葉振幅值主要集中在基頻上，采用下式計(jì)算第y'C/'-l,2,A，")個(gè)隱神經(jīng)元的靈
敏度；
(w-i)
t (《+《) 則J'個(gè)隱祌經(jīng)元的總靈敏度之和為
S騰—57 = 1^7; (22)
第J'個(gè)輸入?yún)?shù)的靈敏度為
:S7;/^m一5T (23)④進(jìn)行結(jié)構(gòu)調(diào)整，若第y個(gè)隱含層神經(jīng)元的顯著性^小于^(預(yù)先設(shè)定)，則刪除該神經(jīng)
元；若第y個(gè)隱含層神經(jīng)元的顯著性^.大于^(預(yù)先設(shè)定)，利用最臨近插值法在該神經(jīng)元附
近插入新的神經(jīng)元；插入的新神經(jīng)元初始條件-
<formula>formula see original document page 13</formula>
其中，W 3ew， V ew， C^分別表示插入新神經(jīng)元的聯(lián)結(jié)權(quán)值，中心值，中心寬度；
⑤ 繼續(xù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后每隔一定步數(shù)重復(fù)步驟②-④，直到新神經(jīng)網(wǎng)絡(luò)中所有隱含層 神經(jīng)元顯著性處于A和￡2之間停止結(jié)構(gòu)調(diào)整；
⑥ 調(diào)整校正網(wǎng)絡(luò)中所有的參數(shù)
w(/ + l) = w(Ol^i,《0 + l)-柳-;;^i， V^ + 1) = V(0-;73M^ '、,' —② 柳) 、0)
(25)
其中，/ = 1,2,A，"， T7i,^，仏是正常數(shù)，它們?nèi)≈捣秶?br>
;
⑦ 繼續(xù)對樣本數(shù)據(jù)進(jìn)行訓(xùn)練，直到誤差五小于期望誤差五rf ;
(5)利用訓(xùn)練好的RB F祌經(jīng)網(wǎng)絡(luò)對模型(l沖的溶解氧(DO)進(jìn)行控制，DO期望濃度與實(shí)際 輸出濃度的誤差及誤差變化率作為訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)的輸入，RBF神經(jīng)網(wǎng)絡(luò)的輸出即為 變頻器輸入值，變頻器通過調(diào)節(jié)電動機(jī)的轉(zhuǎn)速達(dá)到控制鼓風(fēng)機(jī)的目的，最終控制曝氣量，整 個(gè)控制系統(tǒng)的輸出為實(shí)際DO濃度值，其值如圖3(X軸時(shí)間(分鐘)，Y軸溶解氧DO濃度(毫 克/升))，實(shí)線為期望DO濃度值，虛線是實(shí)際DO輸出濃度值；實(shí)際輸出DO濃度與期望DO濃 度的誤差如圖4(X軸時(shí)間(分鐘)，Y軸溶解氧DO濃度(毫克/升))，結(jié)果證明該方法的有效 性。
權(quán)利要求
1.一種基于動態(tài)徑向基神經(jīng)網(wǎng)絡(luò)的溶解氧的控制方法，其特征在于，包括以下步驟(1)確定控制對象；針對序批式間歇活性污泥系統(tǒng)中溶解氧進(jìn)行控制，以曝氣量為控制量，溶解氧濃度為被控量；(2)設(shè)計(jì)用于污水處理過程中溶解氧DO控制器的動態(tài)RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；網(wǎng)絡(luò)分為三層輸入層、隱含層、輸出層；初始化RBF神經(jīng)網(wǎng)絡(luò)確定神經(jīng)網(wǎng)絡(luò)p-n-1的連接方式，即輸入層神經(jīng)元為p個(gè)，隱含層神經(jīng)元為n個(gè)，輸出層神經(jīng)元為1個(gè)；對神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行隨機(jī)賦值；RBF神經(jīng)網(wǎng)絡(luò)的輸入表示為x1，x2，Λ，xp，神經(jīng)網(wǎng)絡(luò)的期望輸出表示為yd，實(shí)際輸出表示為y；設(shè)第k時(shí)刻RBF神經(jīng)網(wǎng)絡(luò)輸入為x1(k)，x2(k)，Λ，xp(k)，RBF神經(jīng)網(wǎng)絡(luò)各層的計(jì)算功能是輸入層，該層由p個(gè)神經(jīng)元組成<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><msubsup> <mi>In</mi> <mi>i</mi> <mrow><mo>(</mo><mn>1</mn><mo>)</mo> </mrow></msubsup><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>=</mo><msub> <mi>x</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>,</mo> </mrow>]]></math> id="icf0001" file="A2009100869910002C1.tif" wi="45" he="5" top= "128" left = "32" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths><maths id="math0002" num="0002" ><math><![CDATA[ <mrow><msubsup> <mi>Out</mi> <mi>i</mi> <mrow><mo>(</mo><mn>1</mn><mo>)</mo> </mrow></msubsup><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>=</mo><msubsup> <mi>In</mi> <mi>i</mi> <mrow><mo>(</mo><mn>1</mn><mo>)</mo> </mrow></msubsup><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>,</mo> </mrow>]]></math> id="icf0002" file="A2009100869910002C2.tif" wi="53" he="5" top= "128" left = "80" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>(i＝1，2，Λ，p)；(2)Ini(1)(k)，Outi(1)(k)分別表示輸入層的輸入和輸出；隱含層，該層由n個(gè)神經(jīng)元組成<maths id="math0003" num="0003" ><math><![CDATA[ <mrow><msubsup> <mi>In</mi> <mi>j</mi> <mrow><mo>(</mo><mn>2</mn><mo>)</mo> </mrow></msubsup><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>=</mo><mo>|</mo><mo>|</mo><mi>x</mi><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>-</mo><msub> <mi>c</mi> <mi>j</mi></msub><mo>|</mo><mo>|</mo><mo>,</mo> </mrow>]]></math> id="icf0003" file="A2009100869910002C3.tif" wi="63" he="7" top= "151" left = "42" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths> id="icf0004" file="A2009100869910002C4.tif" wi="52" he="6" top= "152" left = "110" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>(i＝1，2，Λ，p.j＝1，2，Λ，n)；(3)Inj(2)(k)，Outj(2)(k)表示隱含層的輸入和輸出，x(k)＝[x1(k)，x2(k)，Λ，xp(k)]T表示第k時(shí)刻的輸入值，cj表示隱含層第j個(gè)神經(jīng)元，‖x(k)-cj‖表示cj與x(k)之間的歐式距離， id="icf0005" file="A2009100869910002C5.tif" wi="8" he="4" top= "187" left = "53" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>為高斯函數(shù)，其形式為cj表示隱含層第j個(gè)神經(jīng)元中心值，δj表示隱含層第j個(gè)神經(jīng)元的中心寬度。輸出層，該層只有1個(gè)神經(jīng)元<maths id="math0004" num="0004" ><math><![CDATA[ <mrow><mi>y</mi><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>=</mo><msup> <mi>Out</mi> <mrow><mo>(</mo><mn>3</mn><mo>)</mo> </mrow></msup><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><msubsup> <mi>w</mi> <mi>j</mi> <mn>3</mn></msubsup><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><msubsup> <mi>Out</mi> <mi>j</mi> <mrow><mo>(</mo><mn>2</mn><mo>)</mo> </mrow></msubsup><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>,</mo> </mrow>]]></math> id="icf0007" file="A2009100869910002C7.tif" wi="74" he="10" top= "226" left = "44" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>(j＝1，2，Λ，n) (5)Out(3)(k)表示輸出層的輸出，wj3(k)表示第j個(gè)隱含層神經(jīng)元與輸出層神經(jīng)元之間的聯(lián)結(jié)權(quán)值，y(k)為神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；定義誤差函數(shù)為<maths id="math0005" num="0005" ><math><![CDATA[ <mrow><mi>E</mi><mo>=</mo><mfrac> <mn>1</mn> <mi>m</mi></mfrac><munderover> <mi>Σ</mi> <mrow><mi>k</mi><mo>=</mo><mn>1</mn> </mrow> <mi>m</mi></munderover><msup> <mrow><mo>(</mo><mi>y</mi><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>-</mo><msub> <mi>y</mi> <mi>d</mi></msub><mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo></mrow><mo>)</mo> </mrow> <mi>T</mi></msup><mrow> <mo>(</mo> <mi>y</mi> <mrow><mo>(</mo><mi>k</mi><mo>)</mo> </mrow> <mo>-</mo> <msub><mi>y</mi><mi>d</mi> </msub> <mrow><mo>(</mo><mi>k</mi><mo>)</mo> </mrow> <mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo></mrow> </mrow>]]></math></maths>T為(y(k)-yd(k))的轉(zhuǎn)置，m為訓(xùn)練樣本總數(shù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的目的是使得式(5)定義的誤差函數(shù)達(dá)到期望值Ed；(3)對樣本數(shù)據(jù)進(jìn)行校正；設(shè)t個(gè)數(shù)據(jù)樣本x(1)，x(2)，Λ，x(t)，均值為x，每一個(gè)樣本的偏差為D(q)＝x(q)-x，q＝1，2，Λ，t，按照Bessel公式計(jì)算出標(biāo)準(zhǔn)偏差<maths id="math0006" num="0006" ><math><![CDATA[ <mrow><mi>σ</mi><mo>=</mo><msqrt> <munderover><mi>Σ</mi><mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn></mrow><mi>t</mi> </munderover> <mfrac><msup> <mrow><mo>(</mo><mi>x</mi><mrow> <mo>(</mo> <mi>q</mi> <mo>)</mo></mrow><mo>-</mo><mover> <mi>x</mi> <mo>‾</mo></mover><mo>)</mo> </mrow> <mn>2</mn></msup><mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn></mrow> </mfrac></msqrt><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo></mrow> </mrow>]]></math></maths>若某一個(gè)樣本x(q)的偏差滿足|D(q)|≥3σ，q＝1，2，Λ，t； (8)則認(rèn)為樣本x(q)是異常數(shù)據(jù)，應(yīng)予以剔除，得到校正后的數(shù)據(jù)，該數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；(4)用校正后的部分?jǐn)?shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中利用模型輸出敏感度分析對神經(jīng)網(wǎng)絡(luò)的冗余隱神經(jīng)元進(jìn)行修剪，利用最臨近插值法對隱含層神經(jīng)元進(jìn)行增加；以簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高神經(jīng)網(wǎng)絡(luò)的性能；具體為①訓(xùn)練給定初始神經(jīng)網(wǎng)絡(luò)達(dá)到預(yù)先設(shè)定訓(xùn)練步驟m；記下訓(xùn)練過程中每個(gè)隱含層神經(jīng)元的輸出權(quán)值w13，w23，Λ，wn3，找出最大值和最小值；通過計(jì)算參數(shù)w13，w23，Λ，wn3對于網(wǎng)絡(luò)輸出y的靈敏度；②第j(j＝1，2，Λ，n)個(gè)隱神經(jīng)元輸出在訓(xùn)練m步中的最大值是bj，最小值是aj，則假定wj3以指定頻率 id="icf0010" file="A2009100869910003C2.tif" wi="5" he="4" top= "191" left = "75" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>在[aj，bj]內(nèi)振蕩，即其中，s(j)＝2π/m， id="icf0012" file="A2009100869910003C4.tif" wi="5" he="4" top= "212" left = "73" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>指定頻率，m是總訓(xùn)練步驟；結(jié)合式(5)，神經(jīng)網(wǎng)絡(luò)的輸出y表示為<maths id="math0007" num="0007" ><math><![CDATA[ <mrow><mi>y</mi><mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo></mrow><mo>=</mo><msup> <mi>Out</mi> <mrow><mo>(</mo><mn>3</mn><mo>)</mo> </mrow></msup><mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><msubsup> <mi>w</mi> <mi>j</mi> <mn>3</mn></msubsup><mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo></mrow><msubsup> <mi>Out</mi> <mi>j</mi> <mrow><mo>(</mo><mn>2</mn><mo>)</mo> </mrow></msubsup><mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo></mrow><mo>,</mo> </mrow>]]></math> id="icf0013" file="A2009100869910003C5.tif" wi="72" he="10" top= "227" left = "39" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>(j＝1，2，Λ，n) (10)③計(jì)算各個(gè)神經(jīng)元的靈敏度如果要計(jì)算第j(j＝1，2，Λ，n)個(gè)隱神經(jīng)元的靈敏度，則該神經(jīng)元對應(yīng)的傅立葉系數(shù)為 id="icf0014" file="A2009100869910003C6.tif" wi="56" he="11" top= "263" left = "37" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/> id="icf0015" file="A2009100869910003C7.tif" wi="74" he="11" top= "263" left = "97" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>其中，s的取值范圍是[-π，π]；由RBF神經(jīng)網(wǎng)絡(luò)的各隱含層神經(jīng)元的輸出之間沒有相互作用，傅立葉振幅值主要集中在基頻上，采用下式計(jì)算第j(j＝1，2，Λ，n)個(gè)隱神經(jīng)元的靈敏度；則j個(gè)隱神經(jīng)元的總靈敏度之和為<maths id="math0008" num="0008" ><math><![CDATA[ <mrow><mi>Sum</mi><mo>_</mo><mi>ST</mi><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><msub> <mi>ST</mi> <mi>i</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo></mrow> </mrow>]]></math></maths>第j個(gè)輸入?yún)?shù)的靈敏度為Sj＝STj/Sum_ST(14)④進(jìn)行結(jié)構(gòu)調(diào)整，若第j個(gè)隱含層神經(jīng)元的顯著性Sj小于ε1(預(yù)先設(shè)定)，則刪除該神經(jīng)元；若第j個(gè)隱含層神經(jīng)元的顯著性Sj大于ε2(預(yù)先設(shè)定)，利用最臨近插值法在該神經(jīng)元附近插入新的神經(jīng)元；插入的新神經(jīng)元初始條件<maths id="math0009" num="0009" ><math><![CDATA[ <mrow><msubsup> <mi>w</mi> <mi>new</mi> <mn>3</mn></msubsup><mo>=</mo><mfrac> <mn>1</mn> <mn>2</mn></mfrac><msubsup> <mi>w</mi> <mi>j</mi> <mn>3</mn></msubsup><mo>,</mo> </mrow>]]></math> id="icf0018" file="A2009100869910004C3.tif" wi="23" he="10" top= "163" left = "61" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>vnew＝vj，cnew＝cj(15)其中，vnew3，vnew，cnew分別表示插入新神經(jīng)元的聯(lián)結(jié)權(quán)值，中心值，中心寬度；⑤繼續(xù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后每隔一定步數(shù)重復(fù)步驟②-④，直到新神經(jīng)網(wǎng)絡(luò)中所有隱含層神經(jīng)元顯著性Sj處于ε1和ε2之間停止結(jié)構(gòu)調(diào)整；⑥調(diào)整校正網(wǎng)絡(luò)中所有的參數(shù)<maths id="math0010" num="0010" ><math><![CDATA[ <mrow><msub> <mi>w</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo></mrow><mo>=</mo><msub> <mi>w</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow><mo>-</mo><msub> <mi>η</mi> <mn>1</mn></msub><mfrac> <mrow><mo>∂</mo><mi>E</mi><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow> </mrow> <mrow><mo>∂</mo><msub> <mi>w</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow> </mrow></mfrac><mo>,</mo> </mrow>]]></math> id="icf0019" file="A2009100869910004C4.tif" wi="55" he="12" top= "217" left = "22" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths><maths id="math0011" num="0011" ><math><![CDATA[ <mrow><msub> <mi>δ</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo></mrow><mo>=</mo><msub> <mi>δ</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow><mo>-</mo><msub> <mi>η</mi> <mn>2</mn></msub><mfrac> <mrow><mo>∂</mo><mi>E</mi><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow> </mrow> <mrow><mo>∂</mo><msub> <mi>δ</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow> </mrow></mfrac><mo>,</mo> </mrow>]]></math> id="icf0020" file="A2009100869910004C5.tif" wi="53" he="12" top= "217" left = "80" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths><maths id="math0012" num="0012" ><math><![CDATA[ <mrow><msub> <mi>v</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo></mrow><mo>=</mo><msub> <mi>v</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow><mo>-</mo><msub> <mi>η</mi> <mn>3</mn></msub><mfrac> <mrow><mo>∂</mo><mi>E</mi><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow> </mrow> <mrow><mo>∂</mo><msub> <mi>v</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow> </mrow></mfrac> </mrow>]]></math> id="icf0021" file="A2009100869910004C6.tif" wi="51" he="12" top= "217" left = "137" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>(16)其中，i＝1，2，Λ，n，η1，η2，η3是正常數(shù)，它們?nèi)≈捣秶?br>
；⑦繼續(xù)對樣本數(shù)據(jù)進(jìn)行訓(xùn)練，直到誤差E小于期望誤差Ed；(5)利用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)對溶解氧(DO)進(jìn)行控制，期望DO濃度與實(shí)際DO濃度的誤差和誤差變化率作為訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)的輸入，RBF神經(jīng)網(wǎng)絡(luò)的輸出即為變頻器的輸入值，從而控制電動機(jī)的轉(zhuǎn)速已達(dá)到控制鼓風(fēng)機(jī)的目的，最終控制曝氣量，控制系統(tǒng)的輸出為實(shí)際DO濃度。
2、根據(jù)權(quán)利要求1所述的基于動態(tài)徑向基神經(jīng)網(wǎng)絡(luò)的溶解氧的控制方法， 其特征在于所述的輸入為溶解氧DO濃度的期望值與實(shí)際值的誤差和誤差變 化率，所述的輸出為污水處理系統(tǒng)中變頻器的輸入值。
全文摘要
本發(fā)明公開了一種基于動態(tài)徑向基神經(jīng)網(wǎng)絡(luò)的溶解氧的控制方法，采用以下步驟確定控制對象；設(shè)計(jì)用于污水處理過程中溶解氧DO控制器的動態(tài)RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；對樣本數(shù)據(jù)進(jìn)行校正；用校正后的部分?jǐn)?shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，利用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)對溶解氧(DO)進(jìn)行控制，期望DO濃度與實(shí)際輸出DO濃度的誤差及誤差變化率作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，RBF神經(jīng)網(wǎng)絡(luò)的輸出即為變頻器的輸入，變頻器通過調(diào)節(jié)電動機(jī)的轉(zhuǎn)速達(dá)到控制鼓風(fēng)機(jī)的目的，最終控制曝氣量，整個(gè)控制系統(tǒng)的輸出為實(shí)際DO濃度值，提高控制器的控制效果，能夠快速、準(zhǔn)確地使溶解氧達(dá)到期望要求；解決了當(dāng)前基于開關(guān)控制和PID控制自適應(yīng)能力較差的問題。
文檔編號G05B13/00GK101576734SQ20091008699
公開日2009年11月11日 申請日期2009年6月12日 優(yōu)先權(quán)日2009年6月12日
發(fā)明者喬俊飛, 郭迎春, 韓紅桂 申請人:北京工業(yè)大學(xué)