一种基于动态前馈神经网络的生化需氧量在线软测量方法

摘要

本发明一种基于动态前馈神经网络的生化需氧量在线软测量方法，通过设计用于污水曝气池生化需氧量软测量的动态前馈神经网络拓扑结构，确定动态前馈神经网络的输入样本，并对输入样本进行在线归一化处理；采用标准化后的数据训练神经网络，计算神经网络中与隐节点相连的所有权连接值在每次训练过程中的变化情况，判断该隐节点的活跃性，对活跃度较大的隐节点进行分裂；通过计算隐节点在训练过程中绝对输出的变化情况，判断该隐节点学信息的能力，删除没有学能力的隐节点；对神经网络参数进行调整；动态前馈神经网络训练过程结束后，确定曝气池出水生化需氧量BOD；本发明具有实时性好、稳定性好、精度高、神经网络的泛化能力强的优点。

主权项

1.一种基于动态前馈神经网络的生化需氧量在线软测量方法，其特征在于：包括以下步骤：步骤1、设计用于污水曝气池生化需氧量软测量的动态前馈神经网络拓扑结构；其中，网络分为三层：输入层、隐含层和输出层；所述的输入层为污水曝气池进水水质指标，所述的输出层为出水生化需氧量BOD；步骤1-1、初始化神经网络结构：确定神经网络结构为l-1-1的连接方式，即输入层神经元为l个，在网络开始训练的时刻，隐含层的神经元为1个，输出层神经元1个；步骤1-2、对神经网络的权值进行随机赋值；神经网络的输入表示为x=(x₁,x₂,…,x_l)^T，其中(x₁,x₂，…,x_l)^T为(x₁,x₂,…,x_l)的转置，神经网络的期望输出表示为y_d；k时刻的训练样本为x(k)=(x₁(k),x₂(k),…，x_l(k))^T；假设k时刻动态动态前馈神经网络的隐含层中有m个隐节点，则用k时刻的训练样本训练神经网络时，动态前馈神经网络的输出描述为：$y\left(k\right)=\underset{j=1}{\overset{m}{\Sigma }}{w}_j\left(k\right)f\left(\underset{i=1}{\overset{l}{\Sigma }}{v}_{\mathrm{ji}}{x}_i\left(k\right)\right)---\left(1\right)$其中，m表示k时刻当前动态前馈神经网络中隐含层中的神经元数；x_i(k)表示k时刻第i个输入节点的输入，其等于k时刻中x(k)=(x₁(k),x₂(k),…,x_l(k))^T的第i个分量；v_ji表示k时刻第j个隐节点与第i个输入节点之间的权连接值；w_j(k)表示k时刻第j个隐节点与输出节点之间的权连接值；表示k时刻动态前馈神经网络中隐含层中第j个隐节点的输出，且有$h_j\left(k\right)=f\left(\underset{i=1}{\overset{l}{\Sigma }}{v}_{\mathrm{ji}}{x}_i\left(k\right)\right);$所述的隐节点输出f(·)的函数表达式为：$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(2\right)$步骤1-3、定义误差函数为：$e\left(k\right)=\frac{1}{M}\underset{k=1}{\overset{M}{\Sigma }}(y\left(k\right)-y_d{\left(k\right)}^{T}y\left(k\right)-y_d\left(k\right))---\left(3\right)$其中，M为训练样本总数；y(k)和y_d(k)分别表示k时刻神经网络的实际输出和期望输出；步骤2、确定动态前馈神经网络的输入样本，并对输入样本进行在线归一化处理；步骤2-1、确定动态前馈神经网络的输入样本，包括曝气池进水溶解氧浓度DO、化学需氧量COD、悬浮物SS浓度和曝气池PH值；输出为曝气池出水生化需氧量BOD；步骤2-2、对动态前馈神经网络的输入样本进行在线归一化处理；设k时刻的输入样本和输出样本对为：z(k)=(x₁(k),x₂(k),x₃(k),x₄(k),x₅(k))（4）其中，x₁(k),x₂(k),x₃(k),x₄(k)表示输入样本在k时刻的值，作为k时刻神经网络的输入；x₅(k)表示k时刻表示曝气池出水生化需氧量的目标值，作为k时刻神经网络的期望输出；在线递归法对输入输出数据进行标准化方法如下：$Z_j\left(k\right)=\frac{z_j\left(k\right)-{\bar{z}}_j\left(k\right)}{{\delta }_j^2\left(k\right)}$j＝[1,5]，k＝2,3,4，…                            （5）其中，z_j(k)表示k时刻z(k)中的第j个分量；表示k时刻第j个分量的平均值；δ_j(k)表示k时刻第j个分量之间的标准差；Z_j(k)表示标准化之后的k时刻第j个分量；通过在线递归计算和${\bar{z}}_j\left(k\right)=\frac{k-1}{k}{\bar{z}}_j(k-1)+\frac{1}{k}{z}_j(k-1),$${\bar{z}}_j\left(1\right)=0---\left(6\right)$${\delta }_j^2\left(k\right)=\frac{k-1}{k}{\delta }_j^2(k-1)+\frac{1}{k-1}(z_j\left(k\right)-{\bar{z}}_j(k-1)),$δ_j(1)=0（7）步骤3、采用标准化后的数据训练神经网络，计算神经网络中与隐节点相连的所有权连接值在每次训练过程中的变化情况，判断该隐节点的活跃性，对活跃度较大的隐节点进行分裂；通过计算隐节点在训练过程中绝对输出的变化情况，判断该隐节点学习信息的能力，删除没有学习能力的隐节点；对神经网络参数进行调整；步骤4、动态前馈神经网络训练过程结束后，确定曝气池出水生化需氧量BOD；将测试样本数据按照公式（5）、（6）（7）进行标准化处理，标准化处理后的测试样本数据作为训练好的神经网络的输入样本，神经网络的输出按照公式（8）进行反标准化处理：$z_j\left(k\right)=Z_j\left(k\right){\delta }_j^2\left(k\right)+{\bar{z}}_j\left(k\right)---\left(8\right)$反标准化后的值即为出水BOD的软测量结果。