本發(fā)明基于城市污水處理生化反應(yīng)特性，利用儲(chǔ)備池網(wǎng)絡(luò)建立城市污水處理過程出水總磷tp的軟測量模型，實(shí)現(xiàn)了出水總磷tp的實(shí)時(shí)測量。出水總磷tp實(shí)時(shí)測量是實(shí)現(xiàn)污水處理優(yōu)化控制的重要基礎(chǔ)，也是水環(huán)境保護(hù)的重要環(huán)節(jié)，本發(fā)明既屬于控制科學(xué)與工程領(lǐng)域，又屬于環(huán)境科學(xué)與工程領(lǐng)域。

背景技術(shù)：

國家《十三五規(guī)劃綱要》指出，實(shí)現(xiàn)城鎮(zhèn)生活污水處理設(shè)施全覆蓋和穩(wěn)定達(dá)標(biāo)運(yùn)行，到2020年底，城市污水處理率達(dá)到95％的總體目標(biāo)，并指出對(duì)流域污染嚴(yán)重的地區(qū)應(yīng)實(shí)行總磷排放總量控制，要求沿海城市污水處理廠加強(qiáng)實(shí)施除磷操作。在污水處理過程中，出水總磷濃度是一項(xiàng)非常重要的監(jiān)測指標(biāo)，也是水質(zhì)評(píng)定的核心指標(biāo)。此外，在城市污水處理過程中復(fù)雜的運(yùn)行工序，人工操作不當(dāng)，檢測不完備，水質(zhì)監(jiān)控不及時(shí)等因素影響下，尚無法達(dá)到理想的除磷效果；同時(shí)，富含磷的污水排入江河湖泊易引起水體富營養(yǎng)化、導(dǎo)致藻類大量繁殖，是水環(huán)境污染和水體富營養(yǎng)化問題的主要因素。出水總磷tp智能檢測技術(shù)不但有利于城市污水處理過程的優(yōu)化運(yùn)行，具有較好的經(jīng)濟(jì)效益，而且能緩解我國水體富營養(yǎng)化的現(xiàn)狀，具有顯著的環(huán)境和社會(huì)效益。因此，本發(fā)明的研究成果具有廣闊的應(yīng)用前景。

目前國內(nèi)外測量污水處理過程出水總磷tp的方法主要有分光光度法、液相色譜法、氣相色譜法、電極法等。雖然這些方法測量精度較高，但是操作繁瑣，且耗時(shí)長(小時(shí)級(jí))，無法實(shí)現(xiàn)對(duì)出水總磷tp的實(shí)時(shí)測量，不能滿足監(jiān)管部門對(duì)總磷檢測日益提高的實(shí)時(shí)性要求，且極易造成二次污染。市場上常用的總磷檢測儀表，多產(chǎn)自歐洲、美國和日本等污水處理技術(shù)發(fā)展較早的發(fā)達(dá)國家?？偭變x表均基于化學(xué)原理進(jìn)行檢測，并沒有根本上改變總磷檢測的方式，無法實(shí)現(xiàn)總磷的實(shí)時(shí)檢測，并且設(shè)備需要進(jìn)口，購置與維護(hù)費(fèi)用高昂。因此，現(xiàn)有的總磷檢測技術(shù)和儀器很難滿足污水處理廠實(shí)時(shí)檢測的需求，必須尋求新的檢測方法。近些年來，隨著基于數(shù)據(jù)驅(qū)動(dòng)的人工智能技術(shù)的不斷發(fā)展，為城市污水處理過程出水總磷tp的測量提供了理論基礎(chǔ)和技術(shù)支持，其中神經(jīng)網(wǎng)絡(luò)憑借其強(qiáng)大的非線性系統(tǒng)建模能力使其在污水處理過程關(guān)鍵變量軟測量中得到了較好的驗(yàn)證與推廣。通過設(shè)計(jì)有效的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法，優(yōu)化網(wǎng)絡(luò)的結(jié)構(gòu)，提高網(wǎng)絡(luò)性能，實(shí)現(xiàn)對(duì)城市污水處理過程出水總磷tp的快速高精度預(yù)測，為城市污水處理過程出水總磷實(shí)時(shí)檢測的需求，提供一種可行的軟測量方法。

本發(fā)明設(shè)計(jì)了一種基于儲(chǔ)備池網(wǎng)絡(luò)的污水處理出水總磷tp軟測量方法，實(shí)現(xiàn)了城市污水處理過程出水總磷tp的實(shí)時(shí)測量。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明獲得了一種基于儲(chǔ)備池網(wǎng)絡(luò)的污水處理出水總磷tp軟測量方法，解決了城市污水處理過程中出水總磷tp難以實(shí)時(shí)檢測的問題。本發(fā)明利用主成分分析法確定了軟測量模型的輸入變量；并設(shè)計(jì)了一種基于貢獻(xiàn)率的結(jié)構(gòu)優(yōu)化算法，優(yōu)化儲(chǔ)備池網(wǎng)絡(luò)結(jié)構(gòu)，提高網(wǎng)絡(luò)性能；最后，基于改進(jìn)的儲(chǔ)備池網(wǎng)絡(luò)建立了出水總磷tp的軟測量模型，實(shí)現(xiàn)快速、有效、準(zhǔn)確地測量污水處理過程中的出水總磷tp，提高了城市污水處理廠水質(zhì)質(zhì)量實(shí)時(shí)監(jiān)控的水平，保障城市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：

1、基于儲(chǔ)備池網(wǎng)絡(luò)的污水處理出水總磷tp軟測量方法，包括以下步驟：

第一步：數(shù)據(jù)預(yù)處理及輔助變量的確定

采集污水處理廠實(shí)際水質(zhì)參數(shù)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，通過主成分分析選取與出水總磷tp相關(guān)性強(qiáng)的輔助變量，最終選取進(jìn)水總磷tp、出水溫度t、好氧前段溶解氧do、入水油類，出水油類，以及出水氨氮nh4-n作為出水總磷tp測量的輔助變量，即軟測量模型的輸入變量；

第二步：設(shè)計(jì)基于貢獻(xiàn)率的儲(chǔ)備池網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法

通過計(jì)算儲(chǔ)備池神經(jīng)元對(duì)網(wǎng)絡(luò)輸出的信息貢獻(xiàn)程度，評(píng)價(jià)儲(chǔ)備池神經(jīng)元的貢獻(xiàn)度；根據(jù)儲(chǔ)備池神經(jīng)元的貢獻(xiàn)度優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，提高網(wǎng)絡(luò)的泛化能力，所以，設(shè)計(jì)有效的儲(chǔ)備池網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法可以保證基于儲(chǔ)備池網(wǎng)絡(luò)建立的出水總磷tp軟測量模型預(yù)測的準(zhǔn)確性，提高對(duì)污水處理過程中復(fù)雜動(dòng)態(tài)問題的適應(yīng)能力；

1)構(gòu)建一個(gè)儲(chǔ)備池規(guī)模為n的儲(chǔ)備池網(wǎng)絡(luò)，網(wǎng)絡(luò)通過儲(chǔ)備池把輸入數(shù)據(jù)轉(zhuǎn)換到高維狀態(tài)空間，且每一維對(duì)最終輸出的貢獻(xiàn)都不一樣，為了分析儲(chǔ)備池神經(jīng)元的貢獻(xiàn)度，首先定義兩個(gè)神經(jīng)元x和y間信息連接強(qiáng)度函數(shù)：

ic(x；y)＝h(x)+h(y)-h(x,y)(1)

其中，h(x)為神經(jīng)元x的熵，h(y)為神經(jīng)元y的熵，分別描述了神經(jīng)元x，y所包含的信息量；h(x,y)為神經(jīng)元x和y的聯(lián)合熵，描述了兩個(gè)神經(jīng)元間共有的信息量；

依據(jù)shannon熵定義，h(x)、h(y)和h(x,y)可由式(2)-(4)計(jì)算：

h(x)＝-∑x∈xρ(x)logρ(x)(2)

h(y)＝-∑y∈yρ(y)logρ(y)(3)

則公式(1)可以寫成：

針對(duì)于第i個(gè)儲(chǔ)備神經(jīng)元的貢獻(xiàn)度進(jìn)行評(píng)定，貢獻(xiàn)度較小的輸出連接權(quán)值將被修剪；第i個(gè)儲(chǔ)備神經(jīng)元的貢獻(xiàn)度ci表示如下：

其中,mi表示第i個(gè)儲(chǔ)備池神經(jīng)元對(duì)網(wǎng)絡(luò)輸出的信息貢獻(xiàn)程度，具體計(jì)算公式如下：

2)將第i個(gè)儲(chǔ)備池神經(jīng)元貢獻(xiàn)度ci與設(shè)定的修剪閾值ρ進(jìn)行對(duì)比，判斷

是否修剪第i個(gè)儲(chǔ)備池神經(jīng)元的輸出連接權(quán)值，具體的修剪判別機(jī)制如下：

其中，wi為第i個(gè)儲(chǔ)備池神經(jīng)元的輸出連接權(quán)值，wi'為修剪后的第i個(gè)儲(chǔ)備池神經(jīng)元的輸出連接權(quán)值，ρ為修剪閾值，ρ為常數(shù)，0≤ρ<1；通過設(shè)定修剪閾值，修剪貢獻(xiàn)度較小的儲(chǔ)備池神經(jīng)元的輸出連接權(quán)值，保留剩余輸出連接權(quán)值；

第三步：建立出水總磷tp軟測量的儲(chǔ)備池網(wǎng)絡(luò)模型

1)初始化儲(chǔ)備池網(wǎng)絡(luò)；儲(chǔ)備池網(wǎng)絡(luò)由輸入層，儲(chǔ)備池和輸出層三部分組成，其中輸入層神經(jīng)元個(gè)數(shù)為k，儲(chǔ)備池神經(jīng)元個(gè)數(shù)為n，輸出層神經(jīng)元的個(gè)數(shù)為l個(gè)，k，n和l正整數(shù)；；初始化網(wǎng)絡(luò)輸入矩陣為wⁱⁿ，反饋矩陣w^back和儲(chǔ)備池內(nèi)部連接權(quán)值矩陣為w，為了保證儲(chǔ)備池豐富的動(dòng)態(tài)特性，儲(chǔ)備池內(nèi)部連接權(quán)值w的譜半徑小于1；

2)將ns個(gè)訓(xùn)練樣本輸入到儲(chǔ)備池網(wǎng)絡(luò)中，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；儲(chǔ)備池網(wǎng)絡(luò)的狀態(tài)變量表示為xl(l＝1,2,...100)，根據(jù)公式(9)對(duì)狀態(tài)變量進(jìn)行更新

x(n)＝f(wⁱⁿu(n)+wx(n-1)+w^backy(n))(9)

其中，f(·)為儲(chǔ)備池狀態(tài)變量的激活函數(shù)，n＝1,2,...ns,并收集儲(chǔ)備池網(wǎng)絡(luò)的狀態(tài)變量，生成狀態(tài)矩陣m：

計(jì)算儲(chǔ)備池網(wǎng)絡(luò)的輸出變量y(n)，具體的計(jì)算公式如下：

y(n)＝f^out(w^outx(n))(11)

其中，f^out(·)為網(wǎng)絡(luò)輸出的激活函數(shù)，n＝1,2,...ns

3)分別計(jì)算網(wǎng)絡(luò)的輸出連接權(quán)值w^out和網(wǎng)絡(luò)的檢驗(yàn)誤差e^v，計(jì)算公式如下：

wout＝m⁺y(12)

其中，y＝[y(1),y(2),…,y(ns)]^t是儲(chǔ)備池網(wǎng)絡(luò)的輸出，d(n)是出水總磷tp真實(shí)值，y(n)是儲(chǔ)備網(wǎng)絡(luò)對(duì)出水總磷tp預(yù)測值；

4)優(yōu)化儲(chǔ)備池網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)公式(1)-(7)計(jì)算儲(chǔ)備池內(nèi)每一個(gè)神經(jīng)元的貢獻(xiàn)度，并根據(jù)公式(8)的修剪判別機(jī)制，修剪貢獻(xiàn)度較小的儲(chǔ)備池神經(jīng)元的輸出連接權(quán)值，得到優(yōu)化后儲(chǔ)備池網(wǎng)絡(luò)的狀態(tài)矩陣mc＝[x1,x2,...,xlprune],其中l(wèi)prune為修剪后剩余的儲(chǔ)備池神經(jīng)元個(gè)數(shù)；

5)根據(jù)公式(12)對(duì)優(yōu)化后儲(chǔ)備池網(wǎng)絡(luò)的輸出連接權(quán)值進(jìn)行調(diào)整，并根據(jù)公式(13)計(jì)算優(yōu)化后網(wǎng)絡(luò)的檢驗(yàn)誤差修剪終止條件如下：

若es≤0繼續(xù)調(diào)整儲(chǔ)備池網(wǎng)絡(luò)結(jié)構(gòu)，否則網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整結(jié)束，得到最終的建立出水總磷tp軟測量的儲(chǔ)備池網(wǎng)絡(luò)模型；

第四步：用測試數(shù)據(jù)對(duì)儲(chǔ)備池網(wǎng)絡(luò)進(jìn)行測試

將測試樣本中輔助變量數(shù)據(jù)作為訓(xùn)練好的基于貢獻(xiàn)度優(yōu)化后儲(chǔ)備池網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)的輸出即為出水總磷tp的預(yù)測結(jié)果。

有益效果：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)前污水處理廠測量出水總磷tp的操作繁瑣，檢測儀表使用造價(jià)高,出水總磷tp的難以實(shí)時(shí)測量等問題，提出了一種基于儲(chǔ)備池網(wǎng)絡(luò)的污水處理出水總磷tp軟測量方法,實(shí)現(xiàn)了出水總磷tp的實(shí)時(shí)預(yù)測。

(2)本發(fā)明設(shè)計(jì)了一種基于貢獻(xiàn)度的儲(chǔ)備池網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法。通過計(jì)算儲(chǔ)備池神經(jīng)元的貢獻(xiàn)度，刪除貢獻(xiàn)度小的儲(chǔ)備池神經(jīng)元的輸出連接權(quán)值,在保證模型精度的同時(shí)，有效的簡化了網(wǎng)絡(luò)結(jié)構(gòu)，提高了網(wǎng)絡(luò)的泛化性能，因此采用基于改進(jìn)的儲(chǔ)備池網(wǎng)絡(luò)建立出水總磷tp軟測量模型，對(duì)污水處理工程中復(fù)雜動(dòng)態(tài)問題具有較好的適應(yīng)能力。

特別要注意：本發(fā)明只是為了描述方便，采用的是對(duì)污水處理過程出水總磷的預(yù)測，同樣該發(fā)明也可適用污水處理過程其他關(guān)鍵水質(zhì)參數(shù)的預(yù)測，只要采用了本發(fā)明的原理進(jìn)行預(yù)測都應(yīng)該屬于本發(fā)明的范圍。

附圖說明

圖1是本發(fā)明基于儲(chǔ)備池網(wǎng)絡(luò)的污水處理出水總磷tp軟測量的簡化框圖；

圖2是本發(fā)明對(duì)城市污水處理過程出水總磷tp的訓(xùn)練效果圖；

圖3是本發(fā)明對(duì)城市污水處理過程出水總磷tp的預(yù)測效果圖。

具體實(shí)施方式

下面以北京某污水處理廠某年全年水質(zhì)分析日?qǐng)?bào)表作為實(shí)施例，本實(shí)施例的實(shí)現(xiàn)包括四個(gè)步驟：

1.數(shù)據(jù)預(yù)處理及輔助變量的確定。

采集污水處理廠實(shí)際水質(zhì)參數(shù)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行降噪，剔除異常數(shù)據(jù),歸一化處理后剩余360組可用數(shù)據(jù)，將全部的360組數(shù)據(jù)樣本分為三部分：其中180組數(shù)據(jù)作為訓(xùn)練樣本，90組數(shù)據(jù)作為檢驗(yàn)樣本，剩余90組數(shù)據(jù)作為測試樣本。通過主成分分析選取與出水總磷tp相關(guān)性強(qiáng)的輔助變量。最終選取進(jìn)水總磷tp、出水溫度t、好氧前段溶解氧do、入水油類，出水油類，以及出水氨氮nh4-n作為出水總磷tp測量的輔助變量。6個(gè)輔助變量作為軟測量模型的輸入變量，出水總磷tp作為軟測量模型的輸出變量，基于儲(chǔ)備池網(wǎng)絡(luò)的出水總磷tp軟測量的簡化框圖如圖1所示。

2.設(shè)計(jì)儲(chǔ)備池網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法。

本發(fā)明通過計(jì)算儲(chǔ)備池神經(jīng)元對(duì)網(wǎng)絡(luò)輸出的信息貢獻(xiàn)程度，評(píng)價(jià)儲(chǔ)備池神經(jīng)元的貢獻(xiàn)度；根據(jù)儲(chǔ)備池神經(jīng)元的貢獻(xiàn)度優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，提高儲(chǔ)備池網(wǎng)絡(luò)的泛化能力。所以，設(shè)計(jì)有效的結(jié)構(gòu)優(yōu)化算法可以保證基于儲(chǔ)備池網(wǎng)絡(luò)建立的出水總磷tp軟測量模型預(yù)測的準(zhǔn)確性，提高對(duì)污水處理過程中復(fù)雜動(dòng)態(tài)問題的適應(yīng)能力。

(1)構(gòu)建一個(gè)儲(chǔ)備池規(guī)模為100的儲(chǔ)備池網(wǎng)絡(luò)，網(wǎng)絡(luò)通過儲(chǔ)備池把輸入據(jù)

轉(zhuǎn)換到高維狀態(tài)空間，且每一維對(duì)最終輸出的貢獻(xiàn)都不一樣。為了分析儲(chǔ)備池神經(jīng)元的貢獻(xiàn)度，首先定義兩個(gè)神經(jīng)元x和y間信息連接強(qiáng)度函數(shù)：

ic(x；y)＝h(x)+h(y)-h(x,y)(1)

其中，h(x)為神經(jīng)元x的熵，h(y)為神經(jīng)元y的熵，分別描述了神經(jīng)元x，y所包含的信息量；h(x,y)為神經(jīng)元x和y的聯(lián)合熵，描述了兩個(gè)神經(jīng)元間共有的信息量。

依據(jù)shannon熵定義，h(x)、h(y)和h(x,y)可由式(2)-(4)計(jì)算：

h(x)＝-∑x∈xρ(x)logρ(x)(2)

h(y)＝-∑y∈yρ(y)logρ(y)(3)

其中，ρ(x)是離散變量x為x值時(shí)的概率密度函數(shù)，ρ(y)是離散變量y為y值時(shí)的概率密度函數(shù),ρ(x,y)是離散變量x與y的聯(lián)合概率密度函數(shù)。

則公式(1)可以寫成：

針對(duì)于第i個(gè)儲(chǔ)備神經(jīng)元的貢獻(xiàn)度進(jìn)行評(píng)定，貢獻(xiàn)度較小的輸出連接權(quán)值將被修剪。第i個(gè)儲(chǔ)備神經(jīng)元的貢獻(xiàn)度是第i個(gè)儲(chǔ)備池神經(jīng)元對(duì)網(wǎng)絡(luò)輸出的信息貢獻(xiàn)程度相對(duì)于儲(chǔ)備池內(nèi)其他神經(jīng)元對(duì)網(wǎng)絡(luò)輸出的信息貢獻(xiàn)程度之和的大小，則第i個(gè)儲(chǔ)備神經(jīng)元的貢獻(xiàn)度ci計(jì)算公式如下：

其中,mi表示第i個(gè)儲(chǔ)備池神經(jīng)元對(duì)網(wǎng)絡(luò)輸出的信息貢獻(xiàn)程度，其和第i個(gè)儲(chǔ)備池神經(jīng)元與輸出層神經(jīng)元間的信息連接強(qiáng)度相關(guān)，具體計(jì)算公式如下：

(2)將第i個(gè)儲(chǔ)備池神經(jīng)元的貢獻(xiàn)度ci與設(shè)定的修剪閾值ρ(ρ＝0.47)進(jìn)行對(duì)比，判斷是否修剪第i個(gè)儲(chǔ)備池神經(jīng)元的輸出連接權(quán)值，具體的修剪判別機(jī)制如下：

其中，wi為第i個(gè)儲(chǔ)備池神經(jīng)元的輸出連接權(quán)值，wi'為修剪后的第i個(gè)儲(chǔ)備池神經(jīng)元的輸出連接權(quán)值。通過設(shè)定修剪閾值ρ，修剪貢獻(xiàn)度較小的儲(chǔ)備池神經(jīng)元的輸出連接權(quán)值，保留剩余輸出連接權(quán)值。

3.設(shè)計(jì)出水總磷tp軟測量的儲(chǔ)備池網(wǎng)絡(luò)模型。

本發(fā)明首先初始化儲(chǔ)備池網(wǎng)絡(luò)，將污水處理廠采集的數(shù)據(jù)樣本輸入到網(wǎng)絡(luò)中，學(xué)習(xí)輔助變量與出水總磷tp之間的映射關(guān)系；利用提出的基于貢獻(xiàn)率的結(jié)構(gòu)優(yōu)化算法優(yōu)化儲(chǔ)備池網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)，提高網(wǎng)絡(luò)性能；最后建立出水總磷tp軟測量的儲(chǔ)備池網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)出水總磷tp的準(zhǔn)確預(yù)測。

(1)初始化儲(chǔ)備池網(wǎng)絡(luò)。儲(chǔ)備池網(wǎng)絡(luò)由輸入層，儲(chǔ)備池和輸出層三部

分組成，其中輸入層神經(jīng)元個(gè)數(shù)為6個(gè)，儲(chǔ)備池神經(jīng)元個(gè)數(shù)為100個(gè)，輸出層神經(jīng)元的個(gè)數(shù)為1個(gè)，儲(chǔ)備池網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。wⁱⁿ和w^back分別為儲(chǔ)備池網(wǎng)絡(luò)的輸入矩陣和反饋矩陣，其矩陣內(nèi)的元素通常選取區(qū)間在[-1,1]內(nèi)均勻分布隨機(jī)數(shù)。w為儲(chǔ)備池內(nèi)部連接權(quán)值矩陣，為了保證儲(chǔ)備池豐富的動(dòng)態(tài)特性，w的譜半徑選取0.98，w的稀疏度選取0.01。

(2)將ns(ns＝180)組訓(xùn)練樣本輸入到儲(chǔ)備池網(wǎng)絡(luò)中，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

儲(chǔ)備池網(wǎng)絡(luò)的狀態(tài)變量表示為xl(l＝1,2,...100)，根據(jù)公式(9)對(duì)狀態(tài)變量進(jìn)行更新

x(n)＝f(wⁱⁿu(n)+wx(n-1)+w^backy(n))(9)

其中，f(·)為儲(chǔ)備池狀態(tài)變量的激活函數(shù)，選取tanh函數(shù)，n＝1,2,...ns,并收集儲(chǔ)備池網(wǎng)絡(luò)的狀態(tài)變量，生成狀態(tài)矩陣m：

計(jì)算儲(chǔ)備池網(wǎng)絡(luò)的輸出變量y(n)，具體的計(jì)算公式如下：

y(n)＝f^out(w^outx(n))(11)

其中，f^out(·)為網(wǎng)絡(luò)輸出的激活函數(shù)，選取線性函數(shù)，n＝1,2,...ns。

(3)分別計(jì)算儲(chǔ)備池網(wǎng)絡(luò)的輸出連接權(quán)值w^out和網(wǎng)絡(luò)的檢驗(yàn)誤差e^v，計(jì)算公式如下：

wout＝m⁺y(12)

其中，y＝[y(1),y(2),…,y(ns)]^t是儲(chǔ)備池網(wǎng)絡(luò)的輸出，d(n)是出水總磷tp真實(shí)值，y(n)是儲(chǔ)備網(wǎng)絡(luò)對(duì)出水總磷tp預(yù)測值。

(4)優(yōu)化儲(chǔ)備池網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)公式(1)-(7)計(jì)算網(wǎng)絡(luò)儲(chǔ)備池中每一個(gè)儲(chǔ)備池神經(jīng)元的貢獻(xiàn)度ci(i＝1,2,...100)；根據(jù)公式(8)的修剪判別機(jī)制，修剪貢獻(xiàn)度較小的儲(chǔ)備池神經(jīng)元的輸出連接權(quán)值，保留貢獻(xiàn)度較大的儲(chǔ)備池神經(jīng)的輸出連接權(quán)值，得到優(yōu)化后儲(chǔ)備池網(wǎng)絡(luò)的狀態(tài)矩陣mc＝[x1,x2,...,xlprune],其中l(wèi)prune為修剪后剩余的儲(chǔ)備池神經(jīng)元個(gè)數(shù)。

(5)根據(jù)公式(12)對(duì)優(yōu)化后儲(chǔ)備池網(wǎng)絡(luò)的輸出連接權(quán)值進(jìn)行調(diào)整，并根據(jù)公式(13)計(jì)算優(yōu)化后網(wǎng)絡(luò)的檢驗(yàn)誤差修剪終止條件如下：

若es≤0繼續(xù)調(diào)整儲(chǔ)備池網(wǎng)絡(luò)結(jié)構(gòu)，否則網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整結(jié)束，得到最終的建立出水總磷tp軟測量的儲(chǔ)備池網(wǎng)絡(luò)模型。

4.用測試數(shù)據(jù)對(duì)儲(chǔ)備池網(wǎng)絡(luò)進(jìn)行測試。

將90組測試樣本中6個(gè)輔助變量數(shù)據(jù)作為訓(xùn)練好的儲(chǔ)備池網(wǎng)絡(luò)輸入，網(wǎng)絡(luò)的輸出即為出水總磷tp的預(yù)測值。出水總磷tp濃度訓(xùn)練結(jié)果如圖2所示，x軸：訓(xùn)練樣本數(shù)，單位是個(gè)/天，y軸：出水總磷tp預(yù)測值，單位是毫克/升；出水總磷tp濃度測試結(jié)果如圖3所示，x軸：測試樣本數(shù)，單位是個(gè)/天，y軸：出水總磷tp預(yù)測值值，單位是毫克/升，；結(jié)果論證本發(fā)明提出的軟測量方法的有效性。