專利名稱：一種污水處理過(guò)程中生化需氧量bod的軟測(cè)量方法
技術(shù)領(lǐng)域：
軟測(cè)量是檢測(cè)技術(shù)及儀表研究的主要發(fā)展趨勢(shì)之一，是先進(jìn)制造技術(shù)領(lǐng)域的重要分支，本發(fā)明涉及污水處理過(guò)程中出水水質(zhì)指標(biāo)的軟測(cè)量方法。軟測(cè)量是根據(jù)某種最優(yōu)準(zhǔn)則，選擇一組既與主變量密切聯(lián)系，又容易測(cè)量的輔助變量(如溫度、壓力、流量等)，通過(guò)構(gòu)造某種數(shù)學(xué)模型(即軟測(cè)量模型)，依靠事先學(xué)習(xí)和記憶實(shí)現(xiàn)對(duì)主變量的估計(jì)。軟測(cè)量的精度取決于對(duì)實(shí)測(cè)數(shù)據(jù)的學(xué)習(xí)、記憶和聯(lián)想的效果以及不斷進(jìn)行再學(xué)習(xí)的能力。將軟測(cè)量技術(shù)應(yīng)用于污水處理系統(tǒng)，既可節(jié)約投資和運(yùn)行成本，又能及時(shí)監(jiān)測(cè)出水水質(zhì)和相關(guān)參數(shù)，從而促使污水處理廠高效穩(wěn)定運(yùn)行。因此，軟測(cè)量技術(shù)在污水處理系統(tǒng)中的應(yīng)用研究具有重要意義。

背景技術(shù)：
隨著國(guó)民經(jīng)濟(jì)的增長(zhǎng)和公眾環(huán)保意識(shí)的增強(qiáng)，污水處理自動(dòng)化技術(shù)迎來(lái)了前所未有的發(fā)展機(jī)遇。據(jù)統(tǒng)計(jì)，2005年我國(guó)污水處理率是45.6％，一大半污水沒(méi)有得到處理，為加快城市的污水治理，建設(shè)部、國(guó)家環(huán)保總局、科技部聯(lián)合發(fā)布政策指出，在“十一五”期間的目標(biāo)是所有城市污水處理率必須超過(guò)60％，重點(diǎn)城市如省會(huì)城市、風(fēng)景旅游城市、環(huán)保重點(diǎn)城市，要求污水處理率超過(guò)70％。國(guó)家中長(zhǎng)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。
污水排放標(biāo)準(zhǔn)中，衡量是否達(dá)標(biāo)的參數(shù)指標(biāo)有生化需氧量BOD、出水化學(xué)耗氧量COD、懸浮物、氨氮、磷等。其中生化需氧量BOD反映有機(jī)污染的程度，它是其他參數(shù)無(wú)法替代的，生化需氧量BOD的測(cè)量對(duì)控制水體污染具有重要的意義。生化需氧量BOD是指微生物在一定的溫度和時(shí)間條件下分解氧化有機(jī)物所消耗的溶解氧量，以每升水樣消耗的氧的毫克數(shù)表示(毫克/升或mg/L)。
目前污水處理廠多通過(guò)使用稀釋接種法、微生物傳感器快速測(cè)定法測(cè)定不同類型水中生化需氧量BOD，其BOD分析測(cè)定周期一般為5天，不能及時(shí)反映污水處理實(shí)際情況，不能實(shí)現(xiàn)對(duì)BOD實(shí)時(shí)測(cè)量，從而限制了污水處理閉環(huán)控制系統(tǒng)的投用。本發(fā)明提出一種新的BOD軟測(cè)量方法，通過(guò)構(gòu)建動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)污水處理過(guò)程中關(guān)鍵參數(shù)BOD的間接在線測(cè)量。


發(fā)明內(nèi)容
本發(fā)明獲得了一種基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的污水處理關(guān)鍵水質(zhì)參數(shù)BOD的軟測(cè)量方法。該方法通過(guò)分析污水處理過(guò)程，在眾多可測(cè)變量中選擇一組既與BOD有密切聯(lián)系又容易測(cè)量的變量作為輔助變量，通過(guò)構(gòu)造動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)輔助變量與BOD之間的映射，從而實(shí)現(xiàn)污水水質(zhì)BOD的在線測(cè)量，解決了當(dāng)前BOD測(cè)量周期長(zhǎng)的問(wèn)題。
本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟 1.一種污水處理過(guò)程中生化需氧量BOD軟測(cè)量的方法，其特征在于，包括以下步驟 (1)設(shè)計(jì)的污水水質(zhì)BOD軟測(cè)量動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示；網(wǎng)絡(luò)分為三層輸入層、隱含層、輸出層；輸入為污水調(diào)節(jié)池進(jìn)水水質(zhì)指標(biāo)，輸出為生化需氧量BOD； 初始化神經(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(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行隨機(jī)賦值；神經(jīng)網(wǎng)絡(luò)的輸入表示為x1，x2，…，xp，神經(jīng)網(wǎng)絡(luò)的期望輸出表示為yd；設(shè)共有m個(gè)訓(xùn)練樣本，則第k個(gè)訓(xùn)練樣本為x1(k)，x2(k)，…，xp(k)，yd(k)，用第k個(gè)訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，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 (i＝1，2，…，p)； (1)


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 (i＝1，2，…，p.j＝1，2，…，n)；(2)


分別表示隱含層的輸入和輸出，

表示第i個(gè)輸入層神經(jīng)元與第j個(gè)隱含層神經(jīng)元之間的聯(lián)結(jié)權(quán)值，f(·)為sigmoid函數(shù)，其形式為 輸出層，該層只有1個(gè)神經(jīng)元 (j＝1，2，…，n) (4) Out(3)(k)表示輸出層的輸出，

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 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； (2)對(duì)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)，…，x(t)，均值為x，每一個(gè)樣本的偏差為D(q)＝x(q)-x，q＝1，2，…，t，按照Bessel公式計(jì)算出標(biāo)準(zhǔn)偏差 若某一個(gè)樣本x(q)的偏差滿足 |D(q)|≥3σ，q＝1，2，…，t； (7) 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)練樣本和測(cè)試樣本； (3)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(guò)程中利用快速OBS修剪算法對(duì)神經(jīng)網(wǎng)絡(luò)的冗余隱神經(jīng)元進(jìn)行修剪； 具體為 ①訓(xùn)練給定神經(jīng)網(wǎng)絡(luò)至較小誤差； ②進(jìn)行結(jié)構(gòu)調(diào)整，利用遞歸公式計(jì)算Hessian矩陣的逆矩陣H-1，矩陣中的元素Hj，j的計(jì)算公式如(8)； (8) (9) 其中，f(·)為sigmoid函數(shù)，其形式如(3)，xi是輸入樣本； ③計(jì)算每個(gè)隱含層神經(jīng)元的顯著性Sj；利用與第j個(gè)神經(jīng)元相連的所有p個(gè)權(quán)值的均值wj計(jì)算Sj，令

表示隱含層間第j個(gè)神經(jīng)元與輸入層第i個(gè)神經(jīng)元之間的聯(lián)結(jié)權(quán)值； 第j個(gè)神經(jīng)元的顯著性為 (11) H-1為Hessian矩陣的逆矩陣，[H-1]j，j是這個(gè)逆矩陣的第(j，j)個(gè)元素； ④如果顯著性Sj遠(yuǎn)小于誤差值，那么刪除相應(yīng)的神經(jīng)元j，并轉(zhuǎn)第⑤步；否則，轉(zhuǎn)第⑥步； ⑤通過(guò)應(yīng)用如下調(diào)整校正網(wǎng)絡(luò)中所有的突觸權(quán)值 w′＝w+Δw (13) w′為訓(xùn)練后的聯(lián)結(jié)權(quán)值，w為訓(xùn)練錢的聯(lián)結(jié)權(quán)值；其中H-1是Hessian矩陣H的逆矩陣，[H-1]j，j是這個(gè)逆矩陣的第(j，j)個(gè)元素，1j是除了第j個(gè)元素等于單位1之外其他所有元素均為零的單位向量；Δw是權(quán)值增長(zhǎng)變量，wj是與隱含層中第j個(gè)神經(jīng)元相連的所有p個(gè)權(quán)值的均值，其形式如(10)； ⑥當(dāng)不再有神經(jīng)元被刪除時(shí)停止神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整計(jì)算，否則轉(zhuǎn)第②步繼續(xù)進(jìn)行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整；如果不再有神經(jīng)元被刪除，重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)；判斷神經(jīng)網(wǎng)絡(luò)當(dāng)前誤差是否小于期望誤差Ed；如果前誤差小于期望誤差Ed則神經(jīng)網(wǎng)絡(luò)停止訓(xùn)練，否則對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練； (4)對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)將預(yù)測(cè)樣本數(shù)據(jù)作為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)的輸出即為出水BOD的預(yù)測(cè)結(jié)果。
本發(fā)明的創(chuàng)造性主要體現(xiàn)在 (1)本發(fā)明針對(duì)當(dāng)前污水處理中關(guān)鍵參數(shù)生化需氧量BOD測(cè)量周期長(zhǎng)，以及污水處理過(guò)程難以建立準(zhǔn)確的數(shù)學(xué)模型等問(wèn)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)，采用了修剪型神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)輔助變量與BOD之間的映射，對(duì)BOD進(jìn)行在線軟測(cè)量，具有實(shí)時(shí)性好、穩(wěn)定性好、精度高等特點(diǎn)；從而省去了研制傳感器的復(fù)雜過(guò)程，更具有方便性。
(2)本發(fā)明采用快速OBS修剪方法對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行修剪，該修剪方法在數(shù)學(xué)上是收斂的，解決了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)難以確定的問(wèn)題，避免了神經(jīng)網(wǎng)絡(luò)規(guī)模過(guò)于復(fù)雜而需要較大的存儲(chǔ)空間和計(jì)算時(shí)間；規(guī)模過(guò)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(duì)BOD進(jìn)行軟測(cè)量，同樣該發(fā)明也可適用于COD、SVI等，只要采用了本發(fā)明的原理進(jìn)行測(cè)量都應(yīng)該屬于本發(fā)明的范圍。



圖1是本發(fā)明的軟測(cè)量神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)； 圖2是本發(fā)明擬合結(jié)果圖，其中實(shí)線為BOD實(shí)測(cè)值，虛線為BOD擬合值； 圖3是本發(fā)明擬合過(guò)程誤差圖； 圖4是本發(fā)明預(yù)測(cè)結(jié)果圖，其中實(shí)線為BOD實(shí)測(cè)值，虛線為BOD預(yù)測(cè)值； 圖5是本發(fā)明預(yù)測(cè)結(jié)果誤差圖；
具體實(shí)施例方式 本發(fā)明采用主元分析法(PCA)確定輔助變量；主元分析(PCA)又名主成分分析，作為輸入數(shù)據(jù)降維和揭示變量間線性相關(guān)關(guān)系的工具，是一種統(tǒng)計(jì)相關(guān)分析技術(shù)；主元分析的基本思想就是在保證數(shù)據(jù)信息丟失最少的原則下，對(duì)高維變量空間進(jìn)行降維處理，使低維特征向量中的主成分變量保留原始變量的特征信息而消除冗余信息；PCA算法的主要步驟 I.樣本集數(shù)據(jù)用零均值標(biāo)準(zhǔn)化方法進(jìn)行歸一化處理 其中，α為樣本數(shù)；β為樣本量；xαβ為第α個(gè)樣本的第β個(gè)分量；xβ為第β個(gè)分量樣本的均值；Sββ為變量xβ的標(biāo)準(zhǔn)差； II.將歸一化后的過(guò)程變量按列組成原始數(shù)據(jù)矩陣

，得到矩陣x的協(xié)方差矩陣S；矩陣S的特征根依次排列為

，與其對(duì)應(yīng)的單位正交特征向量矩陣為

；將矩陣x分解成主成分得分矩陣T，負(fù)荷矩陣L的外積加上殘差項(xiàng)

，即 x＝TLT+E’ (14) III.累計(jì)方差貢獻(xiàn)率

所需的最小主元個(gè)數(shù)Q的值，并在T中選出相應(yīng)的Q個(gè)主元； 通過(guò)PCA分析實(shí)現(xiàn)從可測(cè)變量中挑選出可以預(yù)測(cè)BOD的輔助變量SS、pH、DO、COD，其中SS是進(jìn)水水質(zhì)中固體懸浮物，pH是進(jìn)水水質(zhì)的酸堿度，DO是進(jìn)水水質(zhì)中溶解氧濃度，COD是進(jìn)水水質(zhì)中能被氧化的物質(zhì)在被化學(xué)氧化劑氧化時(shí)所需要的氧量，除pH沒(méi)有單位外，以上單位均為毫克/升(或mg/L)； 實(shí)驗(yàn)數(shù)據(jù)來(lái)自某污水處理廠水質(zhì)分析日?qǐng)?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(cè)試樣本，實(shí)驗(yàn)數(shù)據(jù)如表1-12所示；圖1給出了BOD神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，其輸入分別為SS、pH、DO、COD，采用4-16-1的連接方式，即4個(gè)輸入神經(jīng)元，16個(gè)隱含層神經(jīng)元，1個(gè)輸出神經(jīng)元，見圖1； 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)修剪算法具體步驟如下 (1)初始化神經(jīng)網(wǎng)絡(luò)確定4-16-1的連接方式，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行隨機(jī)賦值，其值為0到1的隨機(jī)數(shù)，輸入分別為SS、pH、DO、COD的值，輸出為BOD的值； (2)對(duì)樣本數(shù)據(jù)進(jìn)行校正，分別取SS、pH、DO、COD校正完的樣本200組，其中100組用于訓(xùn)練，數(shù)據(jù)在表1-4中； (3)用校正后的訓(xùn)練樣本數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過(guò)程中利用快速修剪算法對(duì)神經(jīng)網(wǎng)絡(luò)的冗余隱神經(jīng)元進(jìn)行修剪；以簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高神經(jīng)網(wǎng)絡(luò)的計(jì)算速度和信息處理能力； 具體為 ①訓(xùn)練給定神經(jīng)網(wǎng)絡(luò)至較小誤差，一般小于0.1； ②進(jìn)行結(jié)構(gòu)調(diào)整，利用遞歸公式計(jì)算Hessian矩陣的逆矩陣H-1，矩陣中的元素Hj，j的計(jì)算公式如(8)； 其中，f(·)為sigmoid函數(shù)，其形式如(3)，xi是輸入樣本；這種針對(duì)某一隱含層神經(jīng)元j計(jì)算Hj，j的方法，在保留了計(jì)算所需的必要信息的同時(shí)，減小了H矩陣的規(guī)模； ③計(jì)算每個(gè)隱含層神經(jīng)元的顯著性Sj；利用與第j個(gè)神經(jīng)元相連的所有p個(gè)權(quán)值的均值wj計(jì)算Sj，從而達(dá)到減小計(jì)算量，縮短程序運(yùn)行時(shí)間的效果；令

表示隱含層間第j個(gè)神經(jīng)元與輸入層第i個(gè)神經(jīng)元之間的聯(lián)結(jié)權(quán)值； 第j個(gè)神經(jīng)元的顯著性為 H-1為Hessian矩陣的逆矩陣，[H-1]j，j是這個(gè)逆矩陣的第(j，j)個(gè)元素；這表明Sj的值越大，網(wǎng)絡(luò)中的第j個(gè)神經(jīng)元對(duì)網(wǎng)絡(luò)的影響越大，反之亦成立； ④如果顯著性Sj小于0.01，那么刪除相應(yīng)的神經(jīng)元j，并轉(zhuǎn)第⑤步；否則，轉(zhuǎn)第⑥步； ⑤通過(guò)應(yīng)用如下調(diào)整校正網(wǎng)絡(luò)中所有的突觸權(quán)值 w′＝w+Δw w′為訓(xùn)練后的聯(lián)結(jié)權(quán)值，w為訓(xùn)練錢的聯(lián)結(jié)權(quán)值；其中H-1是Hessian矩陣H的逆矩陣，[H-1]j，j是這個(gè)逆矩陣的第(j，j)個(gè)元素，1j是除了第j個(gè)元素等于單位1之外其他所有元素均為零的單位向量；Δw是權(quán)值增長(zhǎng)變量，wj是與隱含層中第j個(gè)神經(jīng)元相連的所有p個(gè)權(quán)值的均值，其形式如(10)； ⑥當(dāng)不再有神經(jīng)元被刪除時(shí)停止神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整計(jì)算，否則轉(zhuǎn)第②步繼續(xù)進(jìn)行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整；如果不再有神經(jīng)元被刪除，重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)；判斷神經(jīng)網(wǎng)絡(luò)當(dāng)前誤差是否小于期望誤差Ed；如果前誤差小于期望誤差Ed則神經(jīng)網(wǎng)絡(luò)停止訓(xùn)練，否則對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練； (4)對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)將預(yù)測(cè)樣本數(shù)據(jù)作為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)的輸出即為出水BOD的預(yù)測(cè)結(jié)果；預(yù)測(cè)結(jié)果如圖4，預(yù)測(cè)誤差如圖5。
圖2為出水水質(zhì)BOD擬合情況圖，圖3為出水水質(zhì)BOD擬合過(guò)程誤差圖，圖4為出水水質(zhì)BOD預(yù)測(cè)情況圖(X軸輸入樣本點(diǎn)，Y軸生化需氧量BOD(毫克/升))，預(yù)測(cè)誤差如圖5所示，結(jié)果證明該方法的有效性。
表1-12是本發(fā)明實(shí)驗(yàn)數(shù)據(jù)，表1-4為訓(xùn)練樣本，表5為實(shí)測(cè)值，表6為擬合值，表7-10為測(cè)試樣本，表11為實(shí)測(cè)值，表12為預(yù)測(cè)值。
訓(xùn)練樣本 訓(xùn)練樣本 表1.輔助變量COD的輸入值(mg/L) 表2.輔助變量SS的輸入值(mg/L) 表3.輔助變量pH的輸入值 表4.輔助變量DO的輸入值(mg/L) 表5.BOD的實(shí)測(cè)輸出值(mg/L) 表6.BOD的擬合輸出值(mg/L) 測(cè)試樣本 表7.輔助變量COD的輸入值(mg/L) 表8.輔助變量SS的輸入值(mg/L) 表9.輔助變量pH的輸入值 表10.輔助變量DO的輸入值(mg/L) 表11.BOD的實(shí)測(cè)輸出值(mg/L) 表12.BOD的預(yù)測(cè)輸出值(mg/L)
權(quán)利要求
1.一種污水處理過(guò)程中生化需氧量BOD軟測(cè)量的方法，其特征在于，包括以下步驟
(1)設(shè)計(jì)的污水水質(zhì)BOD軟測(cè)量動(dòng)態(tài)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；輸入為污水調(diào)節(jié)池進(jìn)水水質(zhì)指標(biāo)，輸出為生化需氧量BOD；
初始化神經(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(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行隨機(jī)賦值；神經(jīng)網(wǎng)絡(luò)的輸入表示為x1，x2，…，xp，神經(jīng)網(wǎng)絡(luò)的期望輸出表示為yd；設(shè)共有m個(gè)訓(xùn)練樣本，則第k個(gè)訓(xùn)練樣本為x1(k)，x2(k)，…，xp(k)，yd(k)，用第k個(gè)訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，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
(1)
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
(2)
分別表示隱含層的輸入和輸出，
表示第i個(gè)輸入層神經(jīng)元與第j個(gè)隱含層神經(jīng)元之間的聯(lián)結(jié)權(quán)值，f(·)為sigmoid函數(shù)，其形式為
(3)
輸出層，該層只有1個(gè)神經(jīng)元
(4)
Out(3)(k)表示輸出層的輸出，
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
(5)
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；
(2)對(duì)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)，…，x(t)，均值為x，每一個(gè)樣本的偏差為D(q)＝x(q)-x，q＝1，2，…，t，按照Bessel公式計(jì)算出標(biāo)準(zhǔn)偏差
(6)
若某一個(gè)樣本x(q)的偏差滿足
|D(q)|≥3σ，q＝1，2，…，t；
(7)
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)練樣本和測(cè)試樣本；
(3)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(guò)程中利用快速OBS修剪算法對(duì)神經(jīng)網(wǎng)絡(luò)的冗余隱神經(jīng)元進(jìn)行修剪；
具體為
①訓(xùn)練給定神經(jīng)網(wǎng)絡(luò)至較小誤差；
②進(jìn)行結(jié)構(gòu)調(diào)整，利用遞歸公式計(jì)算Hessian矩陣的逆矩陣H-1，矩陣中的元素Hj，j的計(jì)算公式如(8)；
(8)
(9)
其中，f(·)為sigmoid函數(shù)，其形式如(3)，xi是輸入樣本；
③計(jì)算每個(gè)隱含層神經(jīng)元的顯著性Sj；利用與第j個(gè)神經(jīng)元相連的所有p個(gè)權(quán)值的均值wj計(jì)算Sj，令
(10)
表示隱含層間第j個(gè)神經(jīng)元與輸入層第i個(gè)神經(jīng)元之間的聯(lián)結(jié)權(quán)值；
第j個(gè)神經(jīng)元的顯著性為
(11)
H-1為Hessian矩陣的逆矩陣，[H-1]j，j是這個(gè)逆矩陣的第(j，j)個(gè)元素；
④如果顯著性Sj遠(yuǎn)小于誤差值，那么刪除相應(yīng)的神經(jīng)元j，并轉(zhuǎn)第⑤步；否則，轉(zhuǎn)第⑥步；
⑤通過(guò)應(yīng)用如下調(diào)整校正網(wǎng)絡(luò)中所有的突觸權(quán)值
(12)
w＝w+Δw (13)
w′為訓(xùn)練后的聯(lián)結(jié)權(quán)值，w為訓(xùn)練錢的聯(lián)結(jié)權(quán)值；其中H-1是Hessian矩陣H的逆矩陣，[H-1]j，j是這個(gè)逆矩陣的第(j，j)個(gè)元素，Ij是除了第j個(gè)元素等于單位1之外其他所有元素均為零的單位向量；Δw是權(quán)值增長(zhǎng)變量，wj是與隱含層中第j個(gè)神經(jīng)元相連的所有p個(gè)權(quán)值的均值，其形式如(10)；
⑥當(dāng)不再有神經(jīng)元被刪除時(shí)停止神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整計(jì)算，否則轉(zhuǎn)第②步繼續(xù)進(jìn)行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整；如果不再有神經(jīng)元被刪除，重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)；判斷神經(jīng)網(wǎng)絡(luò)當(dāng)前誤差是否小于期望誤差Ed；如果前誤差小于期望誤差Ed則神經(jīng)網(wǎng)絡(luò)停止訓(xùn)練，否則對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練；
(4)對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)將預(yù)測(cè)樣本數(shù)據(jù)作為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)的輸出即為出水BOD的預(yù)測(cè)結(jié)果。
全文摘要
一種污水處理過(guò)程中生化需氧量BOD的軟測(cè)量方法屬于污水處理領(lǐng)域。污水處理過(guò)程的生產(chǎn)條件惡劣，隨機(jī)干擾嚴(yán)重，具有強(qiáng)非線性、大時(shí)變、嚴(yán)重滯后的特點(diǎn)，難以通過(guò)機(jī)理分析建立精確的數(shù)學(xué)模型，而神經(jīng)網(wǎng)絡(luò)對(duì)于高度非線性和嚴(yán)重不確定性系統(tǒng)的控制問(wèn)題有巨大的潛力。本發(fā)明針對(duì)污水處理過(guò)程中關(guān)鍵水質(zhì)參數(shù)生化需氧量BOD(Biochemical Oxygen Demand)無(wú)法在線監(jiān)測(cè)的問(wèn)題，采用了基于神經(jīng)計(jì)算學(xué)的污水水質(zhì)軟測(cè)量建模方法，利用可刪減型神經(jīng)網(wǎng)絡(luò)對(duì)污水處理過(guò)程中生化需氧量BOD在線軟測(cè)量，取得了較好的效果，提高污水處理的質(zhì)量和效率、降低污水處理成本，既可節(jié)約投資和運(yùn)行成本，又能及時(shí)監(jiān)測(cè)出水質(zhì)和相關(guān)參數(shù)，從而促使污水處理廠高效穩(wěn)定運(yùn)行。
文檔編號(hào)G06F19/00GK101387632SQ20081022449
公開日2009年3月18日 申請(qǐng)日期2008年10月17日 優(yōu)先權(quán)日2008年10月17日
發(fā)明者喬俊飛, 韓紅桂, 榮 李, 淼 李, 樊瑞元, 關(guān)小杰 申請(qǐng)人:北京工業(yè)大學(xué)