專利名稱：一種基于彈性徑向基神經(jīng)網(wǎng)絡(luò)的生化需氧量bod軟測(cè)量方法
技術(shù)領(lǐng)域：
軟測(cè)量方法是檢測(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)程中出水關(guān)鍵水質(zhì)指標(biāo)生化需氧量BOD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，通過(guò) 構(gòu)造某種數(shù)學(xué)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)量方法應(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)，促使污水處理廠 高效穩(wěn)定運(yùn)行；因此，BOD的軟測(cè)量方法在污水處理系統(tǒng)中具有重要意義。
背景技術(shù)：
國(guó)務(wù)院在《中華人民共和國(guó)國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十一個(gè)五年規(guī)劃綱要》中明確 提出加強(qiáng)城市污水處理設(shè)施建設(shè)，全面開征污水處理費(fèi)，到2010年城市污水處理率不低 于70%。在此背景下，僅2007年全國(guó)就新建成城市污水處理廠482座。到2008年末，我國(guó) 城市污水處理廠日處理能力達(dá)8295萬(wàn)立方米，城市污水處理率達(dá)到66%。但污水處理廠 的運(yùn)行狀況卻不容樂觀，據(jù)國(guó)家環(huán)保部門統(tǒng)計(jì)，運(yùn)行負(fù)荷不足、出水水質(zhì)超標(biāo)或運(yùn)行異常的 污水處理廠約占到50%。城市污水處理過(guò)程中存在的主要問(wèn)題是①電能消耗過(guò)大，運(yùn)行 成本居高；②異常工況繁發(fā)，出水水質(zhì)超標(biāo)現(xiàn)象嚴(yán)重。國(guó)家中長(zhǎng)期科技發(fā)展規(guī)劃中提出要抑 制異常工況發(fā)生，確保污水處理質(zhì)量達(dá)標(biāo)；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。城市污水處理的控制目標(biāo)就是使出水達(dá)到國(guó)家排放標(biāo)準(zhǔn)——如GB18918，主要涉 及的參數(shù)有生化需氧量——B0D、化學(xué)需氧量——COD、懸浮物——SS、氨氮——NH3-N、總 氮——TN和總磷——TP等。其中水質(zhì)參數(shù)BOD是指在規(guī)定時(shí)間內(nèi)分解單位有機(jī)物所需要 的氧量，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B0D，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，直接導(dǎo)致污水處理過(guò)程難以實(shí)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(duì)檢測(cè)是一大挑戰(zhàn)。研制新型硬件形式的過(guò)程測(cè)量?jī)x表，雖然可以直接 地解決各種污水處理過(guò)程變量及水質(zhì)參數(shù)的檢測(cè)問(wèn)題，但由于污水中有機(jī)物非常復(fù)雜，研 發(fā)這些傳感器將是一個(gè)耗資大、歷時(shí)長(zhǎng)的工程。因此，研究新的測(cè)量方法解決過(guò)程參數(shù)的實(shí) 時(shí)測(cè)量問(wèn)題，已成為污水控制工程領(lǐng)域研究的重要課題，并且具有重要的現(xiàn)實(shí)意義。本發(fā)明提出一種新的BOD軟測(cè)量方法，通過(guò)構(gòu)建彈性徑向基(以下簡(jiǎn)稱RBF)神經(jīng) 網(wǎng)絡(luò)模型，利用神經(jīng)元的活躍度以及神經(jīng)元間的交互信息分析網(wǎng)絡(luò)的連接強(qiáng)度，以此判斷 增加或刪除RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元，同時(shí)調(diào)整神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，有效地解決了 RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)問(wèn)題，同時(shí)利用梯度下降的參數(shù)修正算法保證了最終彈性RBF網(wǎng)絡(luò)的精 度，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)自校正，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)明獲得了一種基于彈性RBF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)造彈性RBF神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)輔助變量與BOD之間的映 射，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. 一種基于彈性RBF神經(jīng)網(wǎng)絡(luò)的BOD軟測(cè)量方法，(1)設(shè)計(jì)用于BOD軟測(cè)量的彈性RBF神經(jīng)網(wǎng)絡(luò)初始拓?fù)浣Y(jié)構(gòu)；網(wǎng)絡(luò)分為三層輸入 層、隱含層、輸出層。輸入為污水曝氣池進(jìn)水水質(zhì)指標(biāo)，輸出為出水生化需氧量BOD ；初始化神經(jīng)網(wǎng)絡(luò)確定神經(jīng)網(wǎng)絡(luò)1-K-1的連接方式，即輸入層神經(jīng)元為1個(gè)，隱含 層神經(jīng)元為K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 X = (X1, X2, ...，X1)1, (X1, X2, ...，X1)τ 為(X1, X2, ... , X1)的轉(zhuǎn)置，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t個(gè)訓(xùn)練樣本為x(t) = (Xl(t)，x2(t)，...， Xl(t))T，用第t個(gè)訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，彈性RBF神經(jīng)網(wǎng)絡(luò)的輸出可描述為XO = E^mWOX(1)
A=I其中，K是隱含層神經(jīng)元數(shù)，x(t) = (Xl(t)，X2(t)，...，Xl(t))T是輸入向量，Wk是 第k個(gè)隱含層神經(jīng)元與輸出層神經(jīng)元的聯(lián)結(jié)權(quán)值；θ k是第k個(gè)隱含層神經(jīng)元的輸出，即ek{x) = e^x-^lab,(2)其中，μ k是中心值，Ok是方差；定義誤差函數(shù)為E(t) = J-J(y(t) - ^rf (t))T (y(t) - yd ( )),(3)
M ,=iM為訓(xùn)練樣本總數(shù)，yd(t)和y(t)分別是t時(shí)刻神經(jīng)網(wǎng)絡(luò)的期望輸出和實(shí)際輸出， 訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的目的是使得式(3)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)N個(gè)數(shù)據(jù)樣本(x(l)，x (2)，...，X(N))，均值為x，每一個(gè)樣本的偏差為D (j)= X (j) - X，j = 1，2，· · ·，N，計(jì)算標(biāo)準(zhǔn)偏差σ ΡξΞΖ,(4)
y j=\ yv — ι若某一個(gè)樣本x (j)的偏差滿足|D(j) I 彡 3σ，，j = 1，2，· · ·，N，(5)則認(rèn)為樣本x(j)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；其特征還包括以下步驟(3)用校正后的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過(guò)程中，首先，利用神經(jīng)元的活躍度函 數(shù)判斷神經(jīng)元的活躍性，對(duì)活躍度較強(qiáng)的神經(jīng)元進(jìn)行分裂；其次，通過(guò)計(jì)算交互信息相關(guān)性 函數(shù)，分析RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元與輸出層神經(jīng)元間的連接強(qiáng)度，從而根據(jù)交互信息 強(qiáng)度對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改；最后，對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整，直到網(wǎng)絡(luò)結(jié)構(gòu)滿足處理信息的
6需求；具體為①給定一個(gè)RBF神經(jīng)網(wǎng)絡(luò)，隱含層神經(jīng)元為K，K為小于100的正整數(shù)，初始化神經(jīng) 網(wǎng)絡(luò)權(quán)值wk，其值為0到1的隨機(jī)數(shù)，中心值μ k為與訓(xùn)練樣本相關(guān)的數(shù)，期望誤差設(shè)為Ed， 方差Ok e
，進(jìn)行訓(xùn)練;②輸入樣本數(shù)據(jù)進(jìn)行運(yùn)算，計(jì)算神經(jīng)元i的活躍度Afi,
權(quán)利要求
一種基于彈性徑向基神經(jīng)網(wǎng)絡(luò)的生化需氧量BOD軟測(cè)量方法，包括以下步驟(1)彈性徑向基神經(jīng)網(wǎng)絡(luò)，以下簡(jiǎn)稱RBF神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)用于BOD軟測(cè)量的彈性RBF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；輸入為污水曝氣池進(jìn)水水質(zhì)指標(biāo)，輸出為出水生化需氧量BOD；初始化神經(jīng)網(wǎng)絡(luò)確定神經(jīng)網(wǎng)絡(luò)l K 1的連接方式，即輸入層神經(jīng)元為l個(gè)，隱含層神經(jīng)元為K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x＝(x1，x2，...，xl)T，(x1，x2，...，xl)T為(x1，x2，...，xl)的轉(zhuǎn)置，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t個(gè)訓(xùn)練樣本為x(t)＝(x1(t)，x2(t)，...，xl(t))T，用第t個(gè)訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，彈性RBF神經(jīng)網(wǎng)絡(luò)的輸出描述為 <mrow><mi>y</mi><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>k</mi><mo>=</mo><mn>1</mn> </mrow> <mi>K</mi></munderover><msub> <mi>w</mi> <mi>k</mi></msub><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow><msub> <mi>θ</mi> <mi>k</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mrow><mo>(</mo><mi>t</mi><mo>)</mo> </mrow> <mo>)</mo></mrow><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow>其中，K是隱含層神經(jīng)元數(shù)，x(t)＝(x1(t)，x2(t)，...，xl(t))T是輸入向量，wk是第k個(gè)隱含層神經(jīng)元與輸出層神經(jīng)元的聯(lián)結(jié)權(quán)值；θk是第k個(gè)隱含層神經(jīng)元的輸出，即 <mrow><msub> <mi>θ</mi> <mi>k</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>=</mo><msup> <mi>e</mi> <mrow><mo>(</mo><mo>-</mo><mo>|</mo><mo>|</mo><mi>x</mi><mo>-</mo><msub> <mi>μ</mi> <mi>k</mi></msub><mo>|</mo><mo>|</mo><mo>/</mo><msubsup> <mi>σ</mi> <mi>k</mi> <mn>2</mn></msubsup><mo>)</mo> </mrow></msup><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo></mrow> </mrow>其中，μk和σk分別是第k個(gè)隱含層神經(jīng)元的中心值和方差；定義誤差函數(shù)為 <mrow><mi>E</mi><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <mi>M</mi></mfrac><munderover> <mi>Σ</mi> <mrow><mi>t</mi><mo>=</mo><mn>1</mn> </mrow> <mi>M</mi></munderover><msup> <mrow><mo>(</mo><mi>y</mi><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow><mo>-</mo><msub> <mi>y</mi> <mi>d</mi></msub><mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo></mrow><mo>)</mo> </mrow> <mi>T</mi></msup><mrow> <mo>(</mo> <mi>y</mi> <mrow><mo>(</mo><mi>t</mi><mo>)</mo> </mrow> <mo>-</mo> <msub><mi>y</mi><mi>d</mi> </msub> <mrow><mo>(</mo><mi>t</mi><mo>)</mo> </mrow> <mo>)</mo></mrow><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo></mrow> </mrow>M為訓(xùn)練樣本總數(shù)，yd(t)和y(t)分別是t時(shí)刻神經(jīng)網(wǎng)絡(luò)的期望輸出和實(shí)際輸出，訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)的目的是使得式(3)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)N個(gè)數(shù)據(jù)樣本(x(1)，x(2)，...，x(N))，均值為χ，每一個(gè)樣本的偏差為D(j)＝x(j) χ，j＝1，2，...，N，計(jì)算標(biāo)準(zhǔn)偏差 <mrow><mi>σ</mi><mo>=</mo><msqrt> <munderover><mi>Σ</mi><mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn></mrow><mi>N</mi> </munderover> <mfrac><msup> <mrow><mo>(</mo><mi>x</mi><mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo></mrow><mo>-</mo><mi>χ</mi><mo>)</mo> </mrow> <mn>2</mn></msup><mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn></mrow> </mfrac></msqrt><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo></mrow> </mrow>若某一個(gè)樣本x(j)的偏差滿足|D(j)|≥3σ，，j＝1，2，...，N， (5)則認(rèn)為樣本x(j)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；其特征還包括以下步驟(3)用校正后的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過(guò)程中，首先，利用神經(jīng)元的活躍度函數(shù)判斷神經(jīng)元的活躍性，對(duì)活躍度較強(qiáng)的神經(jīng)元進(jìn)行分裂；其次，通過(guò)計(jì)算交互信息相關(guān)性函數(shù)，分析RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元與輸出層神經(jīng)元間的連接強(qiáng)度，從而根據(jù)交互信息強(qiáng)度對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改；最后，對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整，直到網(wǎng)絡(luò)結(jié)構(gòu)滿足處理信息的需求；具體為①給定一個(gè)RBF神經(jīng)網(wǎng)絡(luò)，隱含層神經(jīng)元為K個(gè)，K為小于100的正整數(shù)，初始化神經(jīng)網(wǎng)絡(luò)權(quán)值wk，其值為0到1的隨機(jī)數(shù)，中心值μk為與訓(xùn)練樣本相關(guān)的數(shù)，方差σk∈
，進(jìn)行訓(xùn)練，期望誤差設(shè)為Ed；②輸入樣本數(shù)據(jù)進(jìn)行運(yùn)算，計(jì)算神經(jīng)元i的活躍度Afi <mrow><mi>A</mi><msub> <mi>f</mi> <mi>i</mi></msub><mo>=</mo><mfrac> <mn>1</mn> <mrow><mo>|</mo><mo>|</mo><mi>x</mi><mo>-</mo><msub> <mi>μ</mi> <mi>i</mi></msub><mo>|</mo><mo>|</mo><mo>+</mo><mi>τ</mi> </mrow></mfrac><mo>·</mo><mfrac> <msub><mi>θ</mi><mi>i</mi> </msub> <mrow><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>K</mi></munderover><msub> <mi>θ</mi> <mi>i</mi></msub> </mrow></mfrac><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo></mrow> </mrow>其中，i＝1，2，...，K，Afi是第i個(gè)隱含層神經(jīng)元的活躍度，K是隱含層神經(jīng)元數(shù)，θi是第i個(gè)隱含層神經(jīng)元的輸出，τ∈
，避免‖x μi‖為零時(shí)活躍度函數(shù)有解；如活躍度Afi大于活躍度閥值A(chǔ)fo∈
，分裂神經(jīng)元i，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)定新神經(jīng)元的初始參數(shù)μi，j＝αjμi+βjx，σi，j＝αiσi， (7)其中，j＝1，2，...，Nnew，αi∈
，βi∈
，μi和σi分別是神經(jīng)元i的中心值和方差，μi，j和σi，j分別是新神經(jīng)元j的中心值和方差，Nnew是新增神經(jīng)元數(shù)，其值是小于5的正整數(shù)；新神經(jīng)元與輸出神經(jīng)元間的連接權(quán)值設(shè)定為 <mrow><msub> <mi>w</mi> <mrow><mi>i</mi><mo>,</mo><mi>j</mi> </mrow></msub><mo>=</mo><msub> <mi>r</mi> <mi>j</mi></msub><mfrac> <mrow><msub> <mi>w</mi> <mi>i</mi></msub><mo>·</mo><msub> <mi>θ</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>-</mo><mover> <mi>e</mi> <mo>^</mo></mover> </mrow> <mrow><msub> <mi>N</mi> <mi>new</mi></msub><mo>·</mo><msub> <mi>θ</mi> <mrow><mi>i</mi><mo>,</mo><mi>j</mi> </mrow></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow> </mrow></mfrac><mo>,</mo> </mrow> <mrow><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <msub><mi>N</mi><mi>new</mi> </msub></munderover><msub> <mi>r</mi> <mi>j</mi></msub><mo>=</mo><mn>1</mn><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo></mrow> </mrow>其中，j＝1，2，...，Nnew，rj∈
是新神經(jīng)元j的分配參數(shù)，θi(x)是神經(jīng)元i的輸出，θi，j(x)是新神經(jīng)元j的輸出，wi是分裂神經(jīng)元i與輸出層神經(jīng)元的聯(lián)結(jié)權(quán)值，是當(dāng)前神經(jīng)網(wǎng)絡(luò)的誤差，是當(dāng)前神經(jīng)網(wǎng)絡(luò)的誤差，描述為如果神經(jīng)網(wǎng)絡(luò)中有1個(gè)神經(jīng)元分裂為Nnew個(gè)新神經(jīng)元，則神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元通過(guò)分裂后變?yōu)镵+Nnew 1個(gè)；③計(jì)算隱含層神經(jīng)元X與輸出層神經(jīng)元Y間的連接強(qiáng)度m，假設(shè)X和Y是相互連接的神經(jīng)元，交互信息的強(qiáng)度M(X；Y)依賴于神經(jīng)元X和Y間的平均信息量，根據(jù)香農(nóng)熵理論，神經(jīng)元X和Y間的連接強(qiáng)度為M(X；Y)＝H(X) H(X|Y)＝H(X) H(Y|X)， (9)其中，H(X)為X的香農(nóng)熵，H(Y|X)為Y在X條件下的熵；由公式(9)知，當(dāng)神經(jīng)元X和Y相互獨(dú)立時(shí)，M(X；Y)的值為0；否則，M(X；Y)為正數(shù)；所以，M(X；Y)≥0，并且M(X；Y)≤min(H(X)，H(Y)).(10)規(guī)則化交互信息的強(qiáng)度 <mrow><mi>m</mi><mrow> <mo>(</mo> <mi>X</mi> <mo>;</mo> <mi>Y</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mrow><mi>M</mi><mrow> <mo>(</mo> <mi>X</mi> <mo>;</mo> <mi>Y</mi> <mo>)</mo></mrow> </mrow> <mrow><mi>min</mi><mrow> <mo>(</mo> <mi>H</mi> <mrow><mo>(</mo><mi>X</mi><mo>)</mo> </mrow> <mo>,</mo> <mi>H</mi> <mrow><mo>(</mo><mi>Y</mi><mo>)</mo> </mrow> <mo>)</mo></mrow> </mrow></mfrac><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo></mrow> </mrow>其中0≤m(X；Y)≤1，通過(guò)計(jì)算m，能夠確定神經(jīng)元X和Y間相關(guān)性，即連接強(qiáng)度；設(shè)定m0∈
，在RBF神經(jīng)網(wǎng)絡(luò)中，當(dāng)m(X；Y)≥m0時(shí)則說(shuō)明神經(jīng)元X和Y間的信息交互較強(qiáng)，認(rèn)為X和Y間有連接；當(dāng)m(X；Y)＜m0時(shí)則表明神經(jīng)元X和Y間的信息交互強(qiáng)度較弱，在網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整時(shí)忽略神經(jīng)元X和Y間的連接，從而降低神經(jīng)網(wǎng)絡(luò)的冗余度；如神經(jīng)元間需要調(diào)整，則跳往步驟④，否則跳往步驟⑤；④神經(jīng)元X和Y間的連接斷開，在隱含層找出與神經(jīng)元X歐氏距離最近的神經(jīng)元Z，神經(jīng)元Z的參數(shù)為μ′Z＝μZ，σ′Z＝σZ， <mrow><msubsup> <mi>w</mi> <mi>Z</mi> <mo>′</mo></msubsup><mo>=</mo><msub> <mi>w</mi> <mi>Z</mi></msub><mo>+</mo><msub> <mi>w</mi> <mi>X</mi></msub><mfrac> <mrow><msub> <mi>θ</mi> <mi>X</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow> </mrow> <mrow><msub> <mi>θ</mi> <mi>Z</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow> </mrow></mfrac><mo>,</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo></mrow> </mrow>其中，wZ，μZ和σZ為結(jié)構(gòu)調(diào)整前神經(jīng)元Z與輸出層神經(jīng)元Y間的連接權(quán)值、中心值和方差，w′Z，μ′Z和σ′Z為結(jié)構(gòu)調(diào)整后神經(jīng)元Z與輸出層神經(jīng)元Y間的連接權(quán)值、中心值和方差，wX為結(jié)構(gòu)調(diào)整前神經(jīng)元X與輸出層神經(jīng)元Y間的連接權(quán)值，θX(x)是結(jié)構(gòu)調(diào)整前神經(jīng)元X的輸出，θZ(x)是結(jié)構(gòu)調(diào)整前神經(jīng)元Z的輸出，通過(guò)結(jié)構(gòu)調(diào)整，神經(jīng)網(wǎng)絡(luò)隱含層冗余神經(jīng)元得到修剪，假設(shè)原來(lái)隱含層神經(jīng)元為K個(gè)，需要調(diào)整的神經(jīng)元為Ncut個(gè)，則調(diào)整后神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元變?yōu)镵 Ncut個(gè)；⑤根據(jù)誤差函數(shù)式(3)來(lái)調(diào)整神經(jīng)網(wǎng)絡(luò)隱含層所有神經(jīng)元的輸出權(quán)值w、中心值μ和方差σ；⑥誤差函數(shù)式(3)的值達(dá)到期望誤差Ed時(shí)停止計(jì)算；(4)對(duì)測(cè)試樣本進(jìn)行檢測(cè)將測(cè)試樣本數(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的軟測(cè)量結(jié)果。FSA00000228430900024.tif,FSA00000228430900025.tif,FSA00000228430900026.tif
全文摘要
一種基于彈性徑向基神經(jīng)網(wǎng)絡(luò)的生化需氧量BOD軟測(cè)量方法屬于檢測(cè)技術(shù)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。本發(fā)明利用RBF神經(jīng)元的活躍度函數(shù)判斷神經(jīng)元的活躍性，對(duì)活躍度較強(qiáng)的神經(jīng)元進(jìn)行分裂；其次，通過(guò)計(jì)算交互信息相關(guān)性函數(shù)，分析RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元與輸出層神經(jīng)元間的連接強(qiáng)度，從而根據(jù)交互信息強(qiáng)度對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改；最后，對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整，直到網(wǎng)絡(luò)結(jié)構(gòu)滿足處理信息的需求；本發(fā)明提高污水處理的質(zhì)量和效率、降低污水處理成本，為污水處理過(guò)程實(shí)現(xiàn)閉環(huán)控制提供及時(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。
文檔編號(hào)G06N3/02GK101957356SQ201010252670
公開日2011年1月26日 申請(qǐng)日期2010年8月13日 優(yōu)先權(quán)日2010年8月13日
發(fā)明者喬俊飛, 韓紅桂 申請(qǐng)人:北京工業(yè)大學(xué)