專利名稱：一種動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)的氨氮在線軟測量方法
技術(shù)領(lǐng)域：
本發(fā)明屬于檢測技術(shù)及儀表研究技術(shù)領(lǐng)域，涉及一種在線多模型軟測量 方法，特別涉及一種動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)的氨氮在線軟測量方法。
背景技術(shù)：
國務(wù)院在《中華人民共和國國民經(jīng)濟和社會發(fā)展第十二個五年規(guī)劃綱要》中提出了城市污水處理率達到85%的總體目標(biāo)，并對污水處理行業(yè)提出了提高污水處理率、污水排放標(biāo)準(zhǔn)等要求。這些要求在“質(zhì)”和“量”的方面對污水處理行業(yè)提出了更高的要求。但目前我國污水處理廠的實際運行狀況并不樂觀。據(jù)環(huán)保部門統(tǒng)計，運行負荷不足、出水水質(zhì)超標(biāo)或運行異常的污水處理廠約占50%。因此國家中長期科技發(fā)展規(guī)劃中明確提出要抑制異常工況發(fā)生，確保污水處理質(zhì)量達標(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)用背景。污水處理過程是一個典型的非線性時變系統(tǒng)，其關(guān)鍵的生化反應(yīng)階段涉及復(fù)雜微生物反應(yīng)過程。由于測量技術(shù)的局限，污水處理過程中的一些重要參數(shù)是無法或很難進行在線測量(如氨氮NH3-N、化學(xué)需氧量C0D、生化需氧量BOD等)。這些參數(shù)對于出水指標(biāo)的控制、過程的優(yōu)化及故障的診斷起著重要的作用，是污水處理中必須監(jiān)測的變量。其中污水出水水質(zhì)參數(shù)NH3-N的測定采用蒸餾-中和測定法，其分析測定周期(經(jīng)常是數(shù)個小時)所產(chǎn)生的明顯的延遲，將導(dǎo)致該測量信號不能作為閉環(huán)控制系統(tǒng)的反饋信號加入到整個控制過程中，這對污水處理的出水水質(zhì)和污水處理系統(tǒng)的安全運行都產(chǎn)生嚴(yán)重的影響。近年來，為實現(xiàn)對污水處理的測量和控制，國內(nèi)外專家提出了多種非線性軟測量方法，其中以神經(jīng)網(wǎng)絡(luò)(單模型)作為軟測量工具的方法研究最為活躍。然而，污水處理過程是一個運行工況范圍廣的復(fù)雜工業(yè)過程，經(jīng)常在負荷大范圍擾動的條件下運行，不同區(qū)域的樣本，其擾動幅度和對象特性均不相同，采用單模型的軟測量方法會導(dǎo)致學(xué)習(xí)時間過長、過程匹配不佳、精度和外推能力差等缺陷。其次，單模型也存在健忘問題，即單模型沒有知識積累特性，使其難以跟蹤污水水質(zhì)的變化過程，自適應(yīng)能力差，魯棒性不強。再次，污水處理系統(tǒng)在運行過程中受季節(jié)天氣、暴雨、工業(yè)廢水的突然涌入等因素的影響常會產(chǎn)生緩慢的變化或突然的擾動，即會產(chǎn)生數(shù)據(jù)漂移現(xiàn)象，造成軟測量模型的預(yù)測誤差不斷增大。另夕卜，污水處理過程中，軟測量樣本集呈單個增量式增加，這就要求軟測量方法最好是在線、增量式學(xué)習(xí)。

發(fā)明內(nèi)容
針對現(xiàn)有方法存在的不足，本發(fā)明提出一種動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)的氨氮在線軟測量方法，以達到克服單模型建模學(xué)習(xí)時間長、過程匹配不佳、外推能力差、沒有知識積累等缺陷的目的。本發(fā)明的技術(shù)方案是這樣實現(xiàn)的一種動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)的氨氮在線軟測量方法，包括以下步驟
步驟I :設(shè)計用于NH3-N在線軟測量的動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)；網(wǎng)絡(luò)分為5層輸入層、RBF層、任務(wù)分配層、子網(wǎng)絡(luò)層、集成輸出層。輸入為曝氣池進水水質(zhì)指標(biāo)，輸出為出水水質(zhì)NH3-N濃度；輸入層包括η個輸入節(jié)點，η為輸入樣本的維數(shù)，k時刻的輸入樣本表示為x (k)=[X1GO ,…，xn(k)]T。RBF層包括I個RBF神經(jīng)元，每個神經(jīng)元的激活函數(shù)為φχΑ)) =，在
動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)Oi(XGO)被定義為硬限幅函數(shù)若滿足公式IIxGO-CiII ( Si，則 φ“χ(ιο) = I (I)
若滿足公式IIxGO-CiII > Si，則 CDi(XQO) = O式中，Ci為第i個RBF神經(jīng)元的數(shù)據(jù)中心，δ j為第i個RBF神經(jīng)元的擴展寬度；公式(I)表示在輸入樣本空間中以Ci為球心，以δ i為半徑作一個超球面，當(dāng)輸入點在該超球面內(nèi)時輸出為I，在超球面以外時輸出為O。任務(wù)分配層該層的任務(wù)是根據(jù)RBF層中RBF神經(jīng)元的輸出和k時刻輸入樣本x(k)在輸入樣本空間中的位置，由模糊策略決定給k時刻輸入樣本x(k)分配不同的子網(wǎng)絡(luò)進行學(xué)習(xí)。子網(wǎng)絡(luò)層該層由子神經(jīng)網(wǎng)絡(luò)組成，其個數(shù)與RBF層中RBF神經(jīng)元個數(shù)相同，且為一一對應(yīng)的關(guān)系。該層的主要任務(wù)是學(xué)習(xí)由任務(wù)分配層分配來的輸入樣本。集成輸出層該層的主要任務(wù)是對k時刻各子神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)結(jié)果進行集成輸出，集成輸出的結(jié)果Y (χ (k))，公式如下
權(quán)利要求
1.一種動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)的氨氮在線軟測量方法，其特征在于包括以下步驟步驟I :設(shè)計用于NH3-N在線軟測量的動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)；網(wǎng)絡(luò)分為5層輸入層、RBF層、任務(wù)分配層、子網(wǎng)絡(luò)層、集成輸出層；輸入為曝氣池進水水質(zhì)指標(biāo)，輸出為出水水質(zhì)NH3-N濃度； 輸入層包括η個輸入節(jié)點，η為輸入樣本的維數(shù)，k時刻的輸入樣本表不為x(k)=[X1GO,…，xn(k)]T; RBF層包括I個RBF神經(jīng)元，每個神經(jīng)元的激活函數(shù)為％= e(HkyCifls^，在動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)Oi(XGO)被定義為硬限幅函數(shù) 若滿足公式 IIxGO-CiII ( Si，則 ΦΑΟΟ) = I (I) 若滿足公式 IIxGO-CiII > Si，則 CDi(XGO) =0 式中，Ci為第i個RBF神經(jīng)元的數(shù)據(jù)中心，Si為第i個RBF神經(jīng)元的擴展寬度；公式(I)表示在輸入樣本空間中以Ci為球心，以δ i為半徑作一個超球面，當(dāng)輸入點在該超球面內(nèi)時輸出為I，在超球面以外時輸出為O ; 任務(wù)分配層該層的任務(wù)是根據(jù)RBF層中RBF神經(jīng)元的輸出和k時刻輸入樣本x(k)在輸入樣本空間中的位置，由模糊策略決定給k時刻輸入樣本x(k)分配不同的子網(wǎng)絡(luò)進行學(xué)習(xí)； 子網(wǎng)絡(luò)層該層由子神經(jīng)網(wǎng)絡(luò)組成，其個數(shù)與RBF層中RBF神經(jīng)元個數(shù)相同，且為一一對應(yīng)的關(guān)系；該層的主要任務(wù)是學(xué)習(xí)由任務(wù)分配層分配來的輸入樣本； 集成輸出層該層的主要任務(wù)是對k時刻各子神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)結(jié)果進行集成輸出，集成輸出的結(jié)果Y (x (k))，公式如下 Y (Ak)) = Σ (xW)(2) i=l 式中，P為被x(k)激活的子神經(jīng)網(wǎng)絡(luò)的個數(shù)；a i為各子神經(jīng)網(wǎng)絡(luò)的集成權(quán)值，且有Σ^Α=1;5^為子網(wǎng)絡(luò)層中第i個子神經(jīng)網(wǎng)絡(luò)對k時刻的輸入樣本x(k)的輸出，且有yik(x (k)) = Vif (wix(k)+bli)+b2i 式中，Wi為第i個子神經(jīng)網(wǎng)絡(luò)輸入層到隱含層的權(quán)連接矩陣；Vi為第i個子神經(jīng)網(wǎng)絡(luò)隱含層到輸出層的權(quán)連接矩陣；f ( ·)為子神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的激活函數(shù)；bli為第i個子神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的偏移向量；b2i為第i個子神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的偏移向量；步驟2 :輸入變量的確定及歸一化處理； 確定輸入變量為污水出水水質(zhì)氨氮預(yù)測模型輸入樣本包括入水氨氮、入水化學(xué)需氧量、入水懸浮物、入水PH值、反應(yīng)池溶解氧濃度、反應(yīng)池混合液可揮發(fā)性懸浮固體濃度,輸出樣本為出水氨氮預(yù)測值； 由于上述自變量之間差異較大且量綱不同，采用在線遞歸中心化壓縮方法進行歸一化處理 設(shè)k時刻的輸入樣本和輸出樣本對為Z(k) = [X1 (k), x2 (k), ···, x6 (k), x7 (k)] (3) 式中，X1GO，x2(k)，...，x6(k)表示輸入樣本在k時刻的值，作為k時刻神經(jīng)網(wǎng)絡(luò)的輸入；x7(k)表示k時刻氨氮濃度的目標(biāo)值，作為k時刻神經(jīng)網(wǎng)絡(luò)的期望輸出值；則在線遞歸中心化壓縮，公式為
2.根據(jù)權(quán)利要求I所述的動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)的氨氮在線軟測量方法，其特征在于步驟3所述的在線更新RBF層神經(jīng)元的個數(shù)及各RBF神經(jīng)元的數(shù)據(jù)中心，方法為 RBF層RBF神經(jīng)元的個數(shù)及數(shù)據(jù)中心由在線聚類算法實現(xiàn)在k時刻，假設(shè)在RBF層已存在I個RBF神經(jīng)元，其數(shù)據(jù)中心為Ci，且有i = 1，…，1，則需計算當(dāng)前輸入樣本x(k)的密度值Pk(x(k))與原RBF神經(jīng)元數(shù)據(jù)中心Ci的密度值Pk(Ci)，并進行比較；k時刻輸入樣本X (k)的密度值Pk(x(k))遞推公式如下
3.根據(jù)權(quán)利要求I所述的動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)的氨氮在線軟測量方法，其特征在于步驟3所述的根據(jù)RBF層RBF神經(jīng)元的輸出，由模糊策略確定并激活不同的子神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)當(dāng)前輸入樣本X (k)，方法為 設(shè)C= {c1； C2, , cj為被當(dāng)前輸入樣本x(k)所激活的RBF層RBF神經(jīng)元的數(shù)據(jù)中心，令
4.根據(jù)權(quán)利要求I所述的動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)的氨氮在線軟測量方法，其特征在于步驟3所述的對各子神經(jīng)網(wǎng)絡(luò)的輸出進行動態(tài)集成輸出，方法為 對k時刻的輸入樣本X (k)，設(shè)被選中的子神經(jīng)網(wǎng)絡(luò)所對應(yīng)的RBF層RBF神經(jīng)元的數(shù)據(jù)中心為c = Ic1, C2,..., cp}, P為被選擇的子神經(jīng)網(wǎng)絡(luò)個數(shù)，則動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)的總輸出為
全文摘要
一種動態(tài)模塊化神經(jīng)網(wǎng)絡(luò)的氨氮在線軟測量方法，屬于檢測技術(shù)及儀表研究技術(shù)領(lǐng)域。本發(fā)明針對當(dāng)前污水處理過程中出水水質(zhì)關(guān)鍵參數(shù)氨氮NH3-N測量周期長，不能在線檢測的問題，采用了多模型的軟測量方法實現(xiàn)了輔助變量與NH3-N之間的映射，對NH3-N進行在線軟測量。與一般的在線學(xué)習(xí)方法相比較具有更高的預(yù)測精度，是一種使用范圍廣，可靠性高，魯棒性強的軟測量方法；本發(fā)明克服了單模型建模學(xué)習(xí)時間長、過程匹配不佳、外推能力差、沒有知識積累等缺陷。
文檔編號G06N3/08GK102662040SQ20121011920
公開日2012年9月12日 申請日期2012年4月20日 優(yōu)先權(quán)日2012年4月20日
發(fā)明者張昭昭, 徐光憲, 郭偉 申請人:遼寧工程技術(shù)大學(xué)