本發(fā)明基于污水處理過程運行特性，利用自組織遞歸RBF神經(jīng)網(wǎng)絡設計了一種生化需氧量BOD智能檢測方法，實現(xiàn)了污水處理過程生化需氧量BOD的實時測量；污水處理生化需氧量BOD是表征污水處理效果的重要參量，污水處理過程生化需氧量BOD與過程變量的關系是實現(xiàn)污水處理過程優(yōu)化控制的基礎環(huán)節(jié)，對污水處理的節(jié)能降耗和穩(wěn)定安全運行有著重要影響，是先進制造技術領域的重要分支，既屬于控制領域，又屬于水處理領域。因此，生化需氧量BOD的智能檢測在污水處理系統(tǒng)中具有重要意義。

背景技術：
城市污水處理過程，不但要保證污水處理系統(tǒng)的可靠性和穩(wěn)定性，同時還要出水水質(zhì)符合國家排放標準。然而，污水處理過程生化需氧量BOD影響因素繁多，且各影響因素之間關系復雜，難以進行實時測量，嚴重影響了污水處理過程的穩(wěn)定運行。基于自組織遞歸RBF神經(jīng)網(wǎng)絡的生化需氧量BOD智能檢測方法有利于提高城市污水處理效率、加強城市污水處理廠精細化管理、確保污水處理出水水質(zhì)達標排放，緩解我國當前水污染處理不達標，不但具有較好的經(jīng)濟效益，而且具有顯著的環(huán)境和社會效益。因此，本發(fā)明的研究成果具有廣闊的應用前景。城市污水處理的控制目標就是使出水達到國家排放標準，主要涉及的參數(shù)有生化需氧量BOD、化學需氧量COD、出水懸浮物濃度SS、氨氮NH3-N、總氮TN和總磷TP等。其中水質(zhì)參數(shù)生化需氧量BOD是指在規(guī)定時間內(nèi)分解單位有機物所需要的氧量，目前污水處理廠多通過使用稀釋接種法、微生物傳感器快速測定法測定不同類型水中生化需氧量BOD，其生化需氧量BOD分析測定周期一般為5天，不能及時反映污水處理實際情況，不能實現(xiàn)對生化需氧量BOD實時測量，直接導致污水處理過程難以實現(xiàn)閉環(huán)控制。另外，污水中污染物的數(shù)量多、含量各異，對檢測是一大挑戰(zhàn)。研制新型硬件形式的過程測量儀表，雖然可以直接地解決各種污水處理過程變量及水質(zhì)參數(shù)的檢測問題，但由于污水中有機物非常復雜，研發(fā)這些傳感器將是一個耗資大、歷時長的工程。因此，研究新的測量方法解決過程參數(shù)的實時測量問題，已成為污水控制工程領域研究的重要課題，并且具有重要的現(xiàn)實意義。本發(fā)明提出一種基于自組織遞歸RBF神經(jīng)網(wǎng)絡的生化需氧量BOD智能檢測方法，通過構建基于自組織遞歸RBF神經(jīng)網(wǎng)絡模型，利用神經(jīng)元的活躍度以及獨立貢獻度，判斷增加或刪除遞歸RBF神經(jīng)網(wǎng)絡隱含層神經(jīng)元，利用梯度下降的參數(shù)修正算法保證了自組織遞歸RBF神經(jīng)網(wǎng)絡的精度。該智能檢測方法能夠?qū)崿F(xiàn)生化需氧量BOD的實時檢測，降低了測量成本，為污水處理廠提供了一種快速高效的測量手段，提高了污水處理廠的效益。

技術實現(xiàn)要素：
本發(fā)明獲得了一種基于自組織遞歸RBF神經(jīng)網(wǎng)絡的生化需氧量BOD的智能檢測方法，該方法通過分析污水處理過程，在眾多可測變量中選擇一組既與生化需氧量BOD有密切聯(lián)系又容易測量的變量作為輔助變量，通過構造自組織遞歸RBF神經(jīng)網(wǎng)絡，實現(xiàn)輔助變量與生化需氧量BOD之間的映射，實現(xiàn)生化需氧量BOD的實時測量，解決了當前生化需氧量BOD測量周期長的問題；本發(fā)明采用了如下的技術方案及實現(xiàn)步驟：一種基于自組織遞歸RBF神經(jīng)網(wǎng)絡的生化需氧量BOD智能檢測方法，其特征在于通過特征分析獲取生化需氧量BOD的特征變量，利用自組織遞歸RBF神經(jīng)網(wǎng)絡建立生化需氧量BOD的預測模型，實現(xiàn)生化需氧量BOD的智能檢測，包括以下步驟：(1)確定生化需氧量BOD的輸入與輸出變量：以活性污泥法污水處理過程為研究對象，對污水處理過程變量進行特征分析，選取與生化需氧量BOD相關的過程變量為生化需氧量BOD預測模型的輸入：溶解氧濃度DO，出水懸浮物濃度SS，酸堿度pH，化學需氧量COD，生化需氧量BOD預測模型的輸出為生化需氧量BOD值；(2)設計用于生化需氧量BOD智能檢測的軟測量模型，利用自組織遞歸RBF神經(jīng)網(wǎng)絡建立生化需氧量BOD的軟測量模型，自組織遞歸RBF神經(jīng)網(wǎng)絡的拓撲結(jié)構分為三層：輸入層、隱含層、輸出層；神經(jīng)網(wǎng)絡為4-m-1的連接方式，即輸入層神經(jīng)元為4個，隱含層神經(jīng)元為m個，m為大于2的正整數(shù)，輸出層神經(jīng)元為1個；輸入層與隱含層之間的連接權值都賦值為1，隱含層與輸出層之間的連接權值隨機賦值，賦值區(qū)間為[-1,1]；設共有N個訓練樣本，設第t時刻自組織遞歸RBF神經(jīng)網(wǎng)絡輸入為x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)]，x1(t)代表t時刻溶解氧濃度DO的樣本輸入，x2(t)代表t時刻出水懸浮物濃度SS的樣本輸入，x3(t)代表t時刻酸堿度pH的樣本輸入，x4(t)代表t時刻化學需氧量COD的樣本輸入；自組織遞歸RBF神經(jīng)網(wǎng)絡的期望輸出表示為yd(t)，實際輸出表示為y(t)；基于自組織遞歸RBF神經(jīng)網(wǎng)絡的生化需氧量BOD的預測方法計算方式依次為：①輸入層：該層由4個神經(jīng)元組成，每個神經(jīng)元的輸出為：ui(t)＝xi(t)；(1)其中，ui(t)是t時刻第i個神經(jīng)元的輸出,i＝1,2,…,4，xi(t)為t時刻輸入層第i個神經(jīng)元的輸入；②隱含層：隱含層由m個神經(jīng)元組成，每個神經(jīng)元的輸出為：其中，cj(t)為t時刻第j個隱含層神經(jīng)元的中心向量，cj(t)＝[c1j(t),c2j(t),…,c4j(t)]，cij(t)表示隱含層t時刻第j個神經(jīng)元中心值的第i個元素，||hj(t)-cj(t)||表示hj(t)與cj(t)之間的歐式距離，σj(t)是t時刻第j個隱含層神經(jīng)元的寬度，hj(t)是t時刻第j個隱含層神經(jīng)元的輸入向量hj(t)＝[u1(t),u2(t),u3(t),u4(t),vj(t)×y(t-1)]；(3)y(t-1)是t-1時刻自組織遞歸RBF神經(jīng)網(wǎng)絡的輸出，vj(t)為t時刻輸出神經(jīng)元與第j個隱含層神經(jīng)元的反饋連接權值，v(t)＝[v1(t),v2(t),…,vm(t)]T為t時刻輸出神經(jīng)元與隱含層神經(jīng)元的反饋連接權值向量，T表示轉(zhuǎn)置；③輸出層：輸出層輸出為：其中，w(t)＝[w1(t),w2(t),...,wm(t)]T為t時刻隱含層與輸出層的連接權值向量，wj(t)為t時刻第j個隱含層神經(jīng)元與輸出神經(jīng)元的連接權值，θ(t)＝[θ1(t),θ2(t),...,θm(t)]T為t時刻隱含層的輸出向量，θj(t)為t時刻第j個隱含層神經(jīng)元的輸出，y(t)為t時刻自組織遞歸RBF神經(jīng)網(wǎng)絡的輸出；定義自組織遞歸RBF神經(jīng)網(wǎng)絡的誤差為：其中，yd(t)為t時刻自組織遞歸RBF神經(jīng)網(wǎng)絡的期望輸出，y(t)為t時刻自組織遞歸RBF神經(jīng)網(wǎng)絡的實際輸出；(3)訓練自組織遞歸RBF神經(jīng)網(wǎng)絡，具體為：①給定自組織遞歸RBF神經(jīng)網(wǎng)絡的初始隱含層神經(jīng)元個數(shù)為m，m為大于2的正整數(shù)，自組織遞歸RBF神經(jīng)網(wǎng)絡的輸入為x(1)，x(2)，…，x(t)，…，x(N)，對應的期望輸出為yd(1)，yd(2)，…，yd(t)，…，yd(N)，N表示自組織遞歸RBF神經(jīng)網(wǎng)絡輸入的訓練樣本數(shù)，期望誤差值設為Ed，Ed∈(0,0.01)，初始中心值cj(1)中每個變量的賦值區(qū)間為[-2,2]，初始中心寬度σj(1)的賦值區(qū)間為[0,1]，初始反饋連接權值vj(t)的賦值區(qū)間為[0,1]，j＝1，2，…，m；初始權值w(1)中每個變量的賦值區(qū)間為[-1,1]；②設置學習步數(shù)s＝1；③t＝s，根據(jù)公式(1)、(2)、(3)、(4)計算自組織遞歸RBF神經(jīng)網(wǎng)絡的輸出y(t)，運用快速下降算法調(diào)整自組織遞歸RBF神經(jīng)網(wǎng)絡的參數(shù)為：vj(t+1)＝vj(t)-ηv(yd(t)-y(t))wj(t)θ(t)y(t-1)(8)wj(t+1)＝wj(t)-ηw(yd(t)-y(t))θj(t)(9)其中，ηc為中心c的學習率，ηc∈(0,0.01]；ησ為寬度σ的學習率，ησ∈(0,0.01]；ηv為反饋連接權值v的學習率,ηv∈(0,0.02]；ηw為連接權值w的學習率，ηw∈(0,0.01]；cj(t+1)＝[c1j(t+1),c2j(t+1),…,c4j(t+1)]為t+1時刻第j個隱含層神經(jīng)元的中心向量；σj(t+1)為t+1時刻第j個隱含層神經(jīng)元的寬度；vj(t+1)為t+1時刻輸出神經(jīng)元與第j個隱含層神經(jīng)元的反饋連接權值；wj(t+1)為t+1時刻第j個隱含層神經(jīng)元與輸出神經(jīng)元的連接權值；④t>3時，計算隱含層神經(jīng)元的獨立貢獻度；其中，ψj(t)為t時刻第j個隱含層神經(jīng)元的獨立貢獻度；qj(t-1)為t-1時刻第j個隱含層神經(jīng)元的獨立貢獻輸出，qj(t)為t時刻第j個隱含層神經(jīng)元的獨立貢獻輸出；且qj＝[qj(t-1),qj(t)]是第j個隱含層神經(jīng)元的獨立貢獻輸出向量，Q(t)＝[q1(t),…qm-1(t),qm(t)]T為t時刻隱含層神經(jīng)元的獨立貢獻輸出矩陣：Q(t)＝Φ(t)Ω(t)(11)其中，Ω(t)為t時刻獨立性系數(shù)矩陣，Ω(t)為：Ω(t)＝D-1(t)Φ(t)B(t)z(t)(12)其中，Φ(t)＝[θ(t-1),θ(t)]為t時刻隱含層輸出矩陣,θ(t-1)＝[θ1(t-1),θ2(t-1),...,θm(t-1)]T為t-1時刻隱含層的輸出向量，θ(t)＝[θ1(t),θ2(t),...,θm(t)]T為t時刻隱含層的輸出向量；D(t)為t時刻Φ(t)的協(xié)方差矩陣，B(t)為t時刻y(t)的白化矩陣，z(t)為t時刻y(t)的白化轉(zhuǎn)換矩陣：B(t)＝Λ-1/2(t)UT(t)(14)z(t)＝Λ-1/2(t)UT(t)y(t)(15)其中，為t-1時刻隱含層輸出向量元素的均值，為t時刻隱含層輸出向量元素的均值；U(t)為t時刻y(t)的特征值矩陣，Λ(t)為t時刻y(t)的特征值對角矩陣；y(t)是t時刻自組織遞歸RBF神經(jīng)網(wǎng)絡的輸出矩陣：y(t)＝Φ(t)δ(t)(16)其中，δ(t)是t時刻隱含層到輸出層的連接權值矩陣δ(t)＝[w(t-1),w(t)](17)其中，w(t-1)＝[w1(t-1),w2(t-1),...,wm(t-1)]T是t-1時刻隱含層與輸出層的連接權值向量，w(t)＝[w1(t),w2(t),...,wm(t)]T是t時刻隱含層與輸出層的連接權值向量；⑤t>3時，計算隱含層神經(jīng)元的活躍度；其中，j＝1,2,…,m，Sj(t)為t時刻第j個隱含層神經(jīng)元的活躍度；⑥t>3時，調(diào)整自組織遞歸RBF神經(jīng)網(wǎng)絡的結(jié)構；在調(diào)整自組織遞歸RBF神經(jīng)網(wǎng)絡結(jié)構過程中，計算第l個隱含層神經(jīng)元的活躍度Sl(t)以及第l個隱含層神經(jīng)元的獨立貢獻度ψl(t)，當?shù)趌個隱含層神經(jīng)元的活躍度以及獨立貢獻度滿足Sl(t)＝maxS(t)(19)ψl(t)＝maxψ(t)(20)其中，S(t)＝[S1(t),…,Sm-1(t),Sm(t)]為t時刻隱含層神經(jīng)元的活躍度向量，ψ(t)＝[ψ1(t),…,ψm-1(t),ψm(t)]為t時刻隱含層神經(jīng)元的獨立貢獻度向量；增加1個隱含層神經(jīng)元，并更新隱含層神經(jīng)元數(shù)為M1＝m+1；否則，不調(diào)整自組織遞歸RBF神經(jīng)網(wǎng)絡的結(jié)構，M1＝m；當?shù)趇個隱含層神經(jīng)元的活躍度以及獨立貢獻度滿足Si(t)＝minS(t)(21)ψi(t)＝minψ(t)(22)則刪除第i個隱含層神經(jīng)元，并更新隱含層神經(jīng)元數(shù)為M2＝M1-1；否則，不調(diào)整自組織遞歸RBF神經(jīng)網(wǎng)絡的結(jié)構，M2＝M1；⑦學習步數(shù)s增加1，如果步數(shù)s<N，則轉(zhuǎn)向步驟③進行繼續(xù)訓練，如果s＝N轉(zhuǎn)向步驟⑧；⑧根據(jù)公式(5)計算自組織遞歸RBF神經(jīng)網(wǎng)絡的性能，如果E(t)≥Ed，則轉(zhuǎn)向步驟③進行繼續(xù)訓練，如果E(t)<Ed，則停止調(diào)整；(4)生化需氧量BOD濃度預測；將測試樣本數(shù)據(jù)作為訓練后的自組織遞歸RBF神經(jīng)網(wǎng)絡的輸入，自組織遞歸RBF神經(jīng)網(wǎng)絡的輸出即為生化需氧量BOD濃度的預測值。本發(fā)明的創(chuàng)造性主要體現(xiàn)在：(1)本發(fā)明針對當前污水處理中關鍵參數(shù)生化需氧量BOD測量周期長，提出了一種基于自組織遞歸RBF神經(jīng)網(wǎng)絡的生化需氧量BOD智能檢測方法，根據(jù)實際污水處理廠工作報表提取了與生化需氧量BOD濃度相關的4個相關變量：溶解氧濃度DO，出水懸浮物濃度SS，酸堿度pH，化學需氧量COD，實現(xiàn)了生化需氧量BOD濃度的預測，解決了生化需氧量BOD濃度難以實時測量的問題，從而省去了研制傳感器的復雜過程以及降低運行成本；(2)本發(fā)明依據(jù)神經(jīng)元的活躍度以及獨立貢獻度對網(wǎng)絡結(jié)構進行自動調(diào)整，不但能夠增加隱含層神經(jīng)元，同時能夠刪除冗余的神經(jīng)元，解決了遞歸RBF神經(jīng)網(wǎng)絡結(jié)構難以確定、精度較低的問題；采用了基于自組織遞歸RBF神經(jīng)網(wǎng)絡對生化需氧量BOD進行在線測量，具有測量精度高，對環(huán)境差異適應能力強等特點特別要注意：本發(fā)明采用與出水水質(zhì)生化需氧量BOD相關的4個特征變量建立其智能檢測模型，只要采用了本發(fā)明的相關變量及自組織遞歸RBF神經(jīng)網(wǎng)絡進行生化需氧量BOD檢測方法研究都應屬于本發(fā)明的范圍。附圖說明圖1是本發(fā)明的自組織遞歸RBF神經(jīng)網(wǎng)絡初始結(jié)構拓撲圖；圖2是本發(fā)明的生化需氧量BOD訓練結(jié)果圖，其中實線為生化需氧量BOD實際輸出值，藍色為自組織遞歸RBF神經(jīng)網(wǎng)絡訓練值；圖3是本發(fā)明生化需氧量BOD訓練誤差圖；圖4是本發(fā)明生化需氧量BOD預測結(jié)果圖，其中實線為生化需氧量BOD實際輸出值，虛線為自組織遞歸RBF神經(jīng)網(wǎng)絡預測值；圖5是本發(fā)明生化需氧量BOD預測誤差圖；表1-12是本發(fā)明實驗數(shù)據(jù)，表1-4為訓練樣本輸入，表5為生化需氧量BOD實際輸出值，表6為生化需氧量BOD訓練值，表7-10為預測樣本輸入，表11為生化需氧量BOD實際輸出值，表12為生化需氧量BOD預測值。具體實施方式本發(fā)明選取測量生化需氧量BOD的特征變量為出水懸浮物濃度SS、酸堿度pH、溶解氧濃度DO、化學需氧量COD，除酸堿度pH沒有單位外，以上單位均為毫克/升；實驗數(shù)據(jù)來自某污水處理廠2012年水質(zhì)分析日報表；分別取化學需氧量COD、出水固體懸浮物濃度SS、酸堿度pH、溶解氧濃度DO的實際檢測數(shù)據(jù)為實驗樣本數(shù)據(jù)，剔除異常實驗樣本后剩余100組可用數(shù)據(jù)，其中60組用作訓練樣本，其余40組作為測試樣本；本發(fā)明采用了如下的技術方案及實現(xiàn)步驟：基于自組織遞歸RBF神經(jīng)網(wǎng)絡算法具體步驟如下：1.一種基于自組織遞歸RBF神經(jīng)網(wǎng)絡的生化需氧量BOD智能檢測方法，其特征在于通過特征分析獲取生化需氧量BOD的特征變量，利用自組織遞歸RBF神經(jīng)網(wǎng)絡建立生化需氧量BOD的預測模型，實現(xiàn)生化需氧量BOD的智能檢測，包括以下步驟：(1)確定生化需氧量BOD的輸入與輸出變量：以活性污泥法污水處理過程為研究對象，對污水處理過程變量進行特征分析，選取與生化需氧量BOD相關的過程變量為生化需氧量BOD預測模型的輸入：溶解氧濃度DO，出水懸浮物濃度SS，酸堿度pH，化學需氧量COD，生化需氧量BOD預測模型的輸出為生化需氧量BOD值；(2)設計用于生化需氧量BOD智能檢測的預測模型，利用自組織遞歸RBF神經(jīng)網(wǎng)絡建立生化需氧量BOD的預測模型，自組織遞歸RBF神經(jīng)網(wǎng)絡的拓撲結(jié)構分為三層：輸入層、隱含層、輸出層；如圖1，神經(jīng)網(wǎng)絡為4-4-1的連接方式，即輸入層神經(jīng)元為4個，隱含層神經(jīng)元為4個，輸出層神經(jīng)元為1個；輸入層與隱含層之間的連接權值都賦值為1，隱含層與輸出層之間的連接權值隨機賦值，賦值區(qū)間為[-1,1]；設共有N個訓練樣本，設第t時刻自組織遞歸RBF神經(jīng)網(wǎng)絡輸入為x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)]，x1(t)代表t時刻溶解氧濃度DO的樣本輸入，x2(t)代表t時刻出水懸浮物濃度SS的樣本輸入，x3(t)代表t時刻酸堿度pH的樣本輸入，x4(t)代表t時刻化學需氧量COD的樣本輸入；自組織遞歸RBF神經(jīng)網(wǎng)絡的期望輸出表示為yd(t)，實際輸出表示為y(t)；基于自組織遞歸RBF神經(jīng)網(wǎng)絡的生化需氧量BOD的預測方法計算方式依次為：①輸入層：該層由4個神經(jīng)元組成，每個神經(jīng)元的輸出為：ui(t)＝xi(t)(23)其中，ui(t)是t時刻第i個神經(jīng)元的輸出,i＝1,2,…,4，xi(t)為t時刻輸入層第i個神經(jīng)元的輸入；②隱含層：隱含層由m個神經(jīng)元組成，每個神經(jīng)元的輸出為：其中，cj(t)為t時刻第j個隱含層神經(jīng)元的中心向量，cj(t)＝[c1j(t),c2j(t),…,c4j(t)]，cij(t)表示隱含層t時刻第j個神經(jīng)元中心值的第i個元素，||hj(t)-cj(t)||表示hj(t)與cj(t)之間的歐式距離，σj(t)是t時刻第j個隱含層神經(jīng)元的寬度，hj(t)是t時刻第j個隱含層神經(jīng)元的輸入向量hj(t)＝[u1(t),u2(t),u3(t),u4(t),vj(t)×y(t-1)](25)y(t-1)是t-1時刻自組織遞歸RBF神經(jīng)網(wǎng)絡的輸出，vj(t)為t時刻輸出神經(jīng)元與第j個隱含層神經(jīng)元的反饋連接權值，v(t)＝[v1(t),v2(t),…,vm(t)]T為t時刻輸出神經(jīng)元與隱含層神經(jīng)元的反饋連接權值向量，T表示轉(zhuǎn)置；③輸出層：輸出層輸出為：其中，w(t)＝[w1(t),w2(t),...,wm(t)]T為t時刻隱含層與輸出層的連接權值向量，wj(t)為t時刻第j個隱含層神經(jīng)元與輸出神經(jīng)元的連接權值，θ(t)＝[θ1(t),θ2(t),...,θm(t)]T為t時刻隱含層的輸出向量，θj(t)為t時刻第j個隱含層神經(jīng)元的輸出，y(t)為t時刻自組織遞歸RBF神經(jīng)網(wǎng)絡的輸出；定義自組織遞歸RBF神經(jīng)網(wǎng)絡的誤差為：其中，yd(t)為t時刻自組織遞歸RBF神經(jīng)網(wǎng)絡的期望輸出，y(t)為t時刻自組織遞歸RBF神經(jīng)網(wǎng)絡的實際輸出；(3)訓練自組織遞歸RBF神經(jīng)網(wǎng)絡，具體為：①給定自組織遞歸RBF神經(jīng)網(wǎng)絡的初始隱含層神經(jīng)元個數(shù)為m，初始m值為4，自組織遞歸RBF神經(jīng)網(wǎng)絡的輸入為x(1)，x(2)，…，x(t)，…，x(N)，對應的期望輸出為yd(1)，yd(2)，…，yd(t)，…，yd(N)，N為自組織遞歸RBF神經(jīng)網(wǎng)絡的訓練樣本數(shù)，期望誤差值設為Ed，Ed∈(0,0.01)，初始中心值cj(1)中每個變量的賦值區(qū)間為[-2,2]，初始中心寬度σj(1)的賦值區(qū)間為[0,1]，初始反饋連接權值vj(t)的賦值區(qū)間為[0,1]，j＝1，2，…，m；初始權值w(1)中每個變量的賦值區(qū)間為[-1,1]；②設置學習步數(shù)s＝1；③t＝s，根據(jù)公式(1)、(2)、(3)、(4)計算自組織遞歸RBF神經(jīng)網(wǎng)絡的輸出y(t)，運用快速下降算法調(diào)整自組織遞歸RBF神經(jīng)網(wǎng)絡的參數(shù)為：vj(t+1)＝vj(t)-ηv(yd(t)-y(t))wj(t)θ(t)y(t-1)(30)wj(t+1)＝wj(t)-ηw(yd(t)-y(t))θj(t)(31)其中，ηc為中心c的學習率，ηc∈(0,0.01]；ησ為寬度σ的學習率，ησ∈(0,0.01]；ηv為反饋連接權值v的學習率,ηv∈(0,0.02]；ηw為連接權值w的學習率，ηw∈(0,0.01]；cj(t+1)＝[c1j(t+1),c2j(t+1),…,c4j(t+1)]為t+1時刻第j個隱含層神經(jīng)元的中心向量；σj(t+1)為t+1時刻第j個隱含層神經(jīng)元的寬度；vj(t+1)為t+1時刻輸出神經(jīng)元與第j個隱含層神經(jīng)元的反饋連接權值；wj(t+1)為t+1時刻第j個隱含層神經(jīng)元與輸出神經(jīng)元的連接權值；④t>3時，計算隱含層神經(jīng)元的獨立貢獻度；其中，ψj(t)為t時刻第j個隱含層神經(jīng)元的獨立貢獻度；qj(t-1)為t-1時刻第j個隱含層神經(jīng)元的獨立貢獻輸出，qj(t)為t時刻第j個隱含層神經(jīng)元的獨立貢獻輸出；且qj＝[qj(t-1),qj(t)]是第j個隱含層神經(jīng)元的獨立貢獻輸出向量，Q(t)＝[q1(t),…qm-1(t),qm(t)]T為t時刻隱含層神經(jīng)元的獨立貢獻輸出矩陣：Q(t)＝Φ(t)Ω(t)(33)其中，Ω(t)為t時刻獨立性系數(shù)矩陣，Ω(t)為：Ω(t)＝D-1(t)Φ(t)B(t)z(t)(34)其中，Φ(t)＝[θ(t-1),θ(t)]為t時刻隱含層輸出矩陣,θ(t-1)＝[θ1(t-1),θ2(t-1),...,θm(t-1)]T為t-1時刻隱含層的輸出向量，θ(t)＝[θ1(t),θ2(t),...,θm(t)]T為t時刻隱含層的輸出向量；D(t)為t時刻Φ(t)的協(xié)方差矩陣，B(t)為t時刻y(t)的白化矩陣，z(t)為t時刻y(t)的白化轉(zhuǎn)換矩陣：B(t)＝Λ-1/2(t)UT(t)(36)z(t)＝Λ-1/2(t)UT(t)y(t)(37)其中，為t-1時刻隱含層輸出向量元素的均值，為t時刻隱含層輸出向量元素的均值；U(t)為t時刻y(t)的特征值矩陣，Λ(t)為t時刻y(t)的特征值對角矩陣；y(t)是t時刻自組織遞歸RBF神經(jīng)網(wǎng)絡的輸出矩陣y(t)＝Φ(t)δ(t)(38)其中，δ(t)是t時刻隱含層到輸出層的連接權值矩陣δ(t)＝[w(t-1),w(t)](39)其中，w(t-1)＝[w1(t-1),w2(t-1),...,wm(t-1)]T是t-1時刻隱含層與輸出層的連接權值向量，w(t)＝[w1(t),w2(t),...,wm(t)]T是t時刻隱含層與輸出層的連接權值向量；⑤t>3時，計算隱含層神經(jīng)元的活躍度；其中，j＝1,2,…,m，Sj(t)為t時刻第j個隱含層神經(jīng)元的活躍度；⑥t>3時，調(diào)整自組織遞歸RBF神經(jīng)網(wǎng)絡的結(jié)構；在調(diào)整自組織遞歸RBF網(wǎng)絡結(jié)構過程中，計算第l個隱含層神經(jīng)元的活躍度Sl(t)以及第l個隱含層神經(jīng)元的獨立貢獻度ψl(t)，當?shù)趌個隱含層神經(jīng)元的活躍度以及獨立貢獻度滿足Sl(t)＝maxS(t)(41)ψl(t)＝maxψ(t)(42)其中，S(t)＝[S1(t),…,Sm-1(t),Sm(t)]為t時刻隱含層神經(jīng)元的活躍度向量，ψ(t)＝[ψ1(t),…,ψm-1(t),ψm(t)]為t時刻隱含層神經(jīng)元的獨立貢獻度向量；增加1個隱含層神經(jīng)元，并更新隱含層神經(jīng)元數(shù)為M1＝m+1；否則，不調(diào)整自組織遞歸RBF神經(jīng)網(wǎng)絡的結(jié)構，M1＝m；當?shù)趇個隱含層神經(jīng)元的活躍度以及獨立貢獻度滿足Si(t)＝minS(t)(43)ψi(t)＝minψ(t)(44)則刪除第i個隱含層神經(jīng)元，并更新隱含層神經(jīng)元數(shù)為M2＝M1-1；否則，不調(diào)整自組織遞歸RBF神經(jīng)網(wǎng)絡的結(jié)構，M2＝M1；⑦學習步數(shù)s增加1，如果步數(shù)s<N，則轉(zhuǎn)向步驟③進行繼續(xù)訓練，如果s＝N轉(zhuǎn)向步驟⑧；⑧根據(jù)公式(27)計算自組織遞歸RBF神經(jīng)網(wǎng)絡的性能，如果E(t)≥Ed，則轉(zhuǎn)向步驟③進行繼續(xù)訓練，如果E(t)<Ed，則停止調(diào)整；生化需氧量BOD濃度智能檢測方法訓練結(jié)果如圖2所示，X軸：樣本數(shù)，單位是個，Y軸：生化需氧量BOD訓練輸出，單位是毫克/升，實線為生化需氧量BOD濃度實際輸出值，虛線是生化需氧量BOD濃度訓練輸出值；生化需氧量BOD濃度實際輸出與訓練輸出的誤差如圖3，X軸：樣本數(shù)，單位是個，Y軸：生化需氧量BOD濃度訓練誤差，單位是毫克/升；(4)生化需氧量BOD濃度預測；將測試樣本數(shù)據(jù)作為訓練后的自組織遞歸RBF神經(jīng)網(wǎng)絡的輸入，自組織遞歸RBF神經(jīng)網(wǎng)絡的輸出即為生化需氧量BOD的智能檢測結(jié)果；生化需氧量BOD濃度智能檢測方法測試結(jié)果如圖4所示，X軸：測試樣本數(shù)，單位是個/樣本，Y軸：生化需氧量BOD預測輸出值，單位是毫克/升，實線是生化需氧量BOD實際輸出值，虛線為自組織遞歸RBF神經(jīng)網(wǎng)絡預測值；生化需氧量BOD濃度實際輸出與測試輸出的誤差如圖5，X軸：測試樣本數(shù)，單位是個/樣本，Y軸：生化需氧量BOD預測誤差，單位是毫克/升。訓練數(shù)據(jù)：表1.化學需氧量COD的輸入值(毫克/升)56.487947.370446.957857.096823.67487.184165.402433.232845.702238.870760.404431.381361.371158.758124.371144.610851.285531.294126.030656.332465.597527.435315.299269.952613.772695.359660.558337.742545.424328.929430.374931.024461.500258.317524.153745.216946.535741.957925.740557.063925.759327.840615.743769.605914.031695.463355.212257.248525.823638.67540.713631.66662.104458.516624.202744.413656.553532.040929.179750.6366表2.溶解氧濃度DO的輸入值(毫克/升)2.48962.5312.13232.00472.03512.43361.76582.14272.15112.31332.01142.31252.33391.7182.25892.04812.36162.40251.54492.26692.49972.56782.19322.01422.04682.51481.73522.22782.08162.37061.9772.34012.36531.74582.26641.97052.31552.43141.52062.28452.50962.57542.20051.9682.00782.44221.71182.23292.07772.32.04142.32562.27151.70842.25612.00672.32292.44391.58312.2151表3.酸堿度pH的輸入值7.03486.64597.37877.93186.66345.99727.21946.99757.23986.00887.93186.66345.99727.21946.99757.23986.00887.01126.94156.27417.21946.99757.23986.00887.01126.94156.27417.34417.13415.66576.00887.01126.94156.27417.34417.13415.66575.84025.48186.60936.27417.34417.13415.66575.84025.48186.60936.41046.88776.99147.35437.26895.51297.41757.02467.24487.05717.7056.00555.9073表4.出水懸浮物濃度SS的輸入值(毫克/升)35.662233.544330.311243.078528.335627.55238.71336.154132.689234.248231.250533.383843.52940.913329.652432.575831.188328.996127.078229.892735.606733.711930.004643.324928.987327.818738.534435.899832.259934.300131.231434.210643.481840.263829.645531.886131.519328.579727.549929.59536.35333.372130.35143.063228.571827.02638.689935.623332.183933.7431.217333.349744.202740.944829.990932.239330.987728.900127.369229.5612表5.生化需氧量BOD的實際輸出值(毫克/升)8.02325.97538.44268.74058.28116.11617.04068.04848.14066.60898.74058.28116.11617.04068.04848.14066.60897.59346.92667.8047.04068.04848.14066.60897.59346.92667.8047.00988.21737.14236.60897.59346.92667.8047.00988.21737.14237.45518.07368.90727.8047.00988.21737.14237.45518.07368.90726.97698.04095.98467.14237.45518.07368.90726.97698.04095.98468.4938.69068.2501表6.生化需氧量BOD的訓練值(毫克/升)8.2117586.2362078.0698128.6340378.275486.3490387.0644798.1472628.0222116.5076567.6961696.9809377.6942637.0563478.1548257.0308117.4655818.0658378.9048037.1718197.7167865.8777448.4897058.762978.2894595.9922767.0890438.2219988.0217866.7829397.6406046.9388457.9608756.9791257.9659937.1554147.3194527.6159378.8541717.1292168.0800366.1693358.7114158.5364838.0829246.0427447.006537.7947258.3445566.7246357.8968136.7653047.9060847.1222348.2477577.3046437.1591388.2148038.8988567.269265預測數(shù)據(jù)：表7.化學需氧量COD的輸入值(毫克/升)31.309227.848615.120270.02513.675895.546460.398947.565127.180729.005470.020531.923761.863758.932623.663566.181151.394732.077427.9446.507631.251927.328715.064270.267314.021295.715265.642147.56945.390849.216150.317426.014554.289146.352326.005645.885746.550960.94436.5651.3667表8.溶解氧濃度DO的輸入值(毫克/升)2.48962.51532.18922.02612.03242.19381.69122.1622.10312.36662.06782.3242.33991.68612.24192.02132.28992.41041.55022.20162.44562.52512.14721.98232.07742.28531.70542.18792.13282.28631.9872.29512.33271.72072.25271.95662.30322.47931.54462.2828表9.酸堿度pH的輸入值6.60936.41046.88776.99146.55167.16517.185.69877.4677.35436.99146.55167.16517.185.69877.4677.35437.26895.51297.41757.185.69877.4677.35437.26895.51297.41757.02467.24487.05717.35437.26895.51297.41757.02467.24487.05717.7056.00555.9073表10.出水懸浮物濃度SS的輸入值(毫克/升)36.280333.139730.241742.953928.266527.08239.392136.456132.575233.559831.034833.653244.121240.015429.54331.91931.299128.731727.647729.900936.04733.046330.744742.73928.856827.133538.818536.125632.780233.581131.729434.075743.786840.435929.946832.056331.158528.510827.817630.2448表11.生化需氧量BOD的實際輸出值(毫克/升)8.90726.97698.04095.98468.4938.69068.25016.05087.04138.01575.98468.4938.69068.25016.05087.04138.01578.16936.65897.57838.25016.05087.04138.01578.16936.65897.57836.98197.80597.02898.01578.16936.65897.57836.98197.80597.02898.18347.19327.4377表12.生化需氧量BOD的預測值(毫克/升)8.3893836.9349348.4732368.9953237.9871495.2446527.0743018.0769867.9023726.8949867.8984877.0586657.9581137.2031948.367686.8626837.5031397.4051599.1141457.637878.3283076.5979648.5364078.7732218.1070655.3175676.8682058.5279288.0631376.4452577.311567.1292097.6320387.3813447.9773817.0228297.4754657.8785898.5932717.239718