一种测量溶解氧浓度的方法及装置

摘要

本发明公开了一种测量溶解氧浓度的方法，所述方法通过对污水生化反应过程的机理进行分析，确定初步的辅助变量；采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；判断所述误差是否满足预先设置的条件；当所述误差满足预先设置的条件时，则采集现场数据，代入所建神经网络模型，预测溶解氧浓度需求量，实现溶解氧浓度的软测量。

主权项

一种测量溶解氧浓度的方法，其特征在于，所述方法包括：对污水生化反应过程的机理进行分析，确定初步的辅助变量；采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；判断所述误差是否满足预先设置的条件；当所述误差满足预先设置的条件时，则采集现场数据，利用所述神经网络模型对溶解氧浓度进行测量；所述根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差，包括：建立一个神经网络模型，所述神经网络模型包括输入层、隐含层、输出层，所述输入层为辅助变量，所述输出层为污水生化反应过程中的溶解氧浓度，所述隐含层为免疫算法抗体；利用随机函数对神经网络的连接权值进行初始化；对所述神经网络模型进行γ步训练，并计算训练后的所述神经网络模型的误差，所述误差为$E_{\gamma }^t=\frac{1}{2}\underset{i=1}{\overset{i=K}{\Sigma }}{({\mathrm{DO}}_i-{\overline{DO}}_i)}^2$其中，t为当前神经网络优化次数，DO_i表示将所述辅助变量的第i组样本数据作用到神经网络所产生的输出值，表示神经网络的期望输出，K表示采集到的样本数；所述方法还包括：当判断时，则计算适应度和选择概率；根据所述适应度和所述选择概率对抗体种群中的每个抗体进行克隆、变异、抑制；对所述抗体种群中的每个抗体进行克隆、变异、抑制后，继续执行步骤对所述神经网络的γ步训练；抗体种群为X＝{B_i}(i＝1,…,n),n为隐含层神经元总数，所述抗体为其中，w_ij输入层第j个神经元与隐含层第i个神经元之间的连接权值，m为输入层神经元总数，v_i为隐含层第i个神经元与输出层之间的连接权值，抗体的适应度为$f\left(B_i\right)=\frac{1}{1+\exp \left(B_i\right)}$所述抗体的适应度在种群X上的矢量距为$\rho \left(B_i\right)=\underset{j=1}{\overset{n}{\Sigma }}|f\left(B_i\right)-f\left(B_j\right)|$抗体的选择概率为$P\left(B_i\right)=\frac{\rho \left(B_i\right)}{\underset{i=1}{\overset{n}{\Sigma }}\rho \left(B_i\right)}.$