本發(fā)明基于污水處理過程運(yùn)行特性，利用遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種出水總氮TN智能檢測方法，實(shí)現(xiàn)了污水處理過程出水總氮TN的實(shí)時(shí)測量；污水處理廠出水總氮TN濃度是指經(jīng)過污水處理廠的工藝設(shè)施處理后出水的所有含氮污染物的總和，是衡量水質(zhì)好壞的重要指標(biāo)，也是水體富營養(yǎng)化的最重要的標(biāo)志。污水處理過程出水總氮TN與過程變量的關(guān)系是實(shí)現(xiàn)污水處理過程優(yōu)化控制的基礎(chǔ)環(huán)節(jié)，對污水處理的節(jié)能降耗和穩(wěn)定安全運(yùn)行有著重要影響，是先進(jìn)制造
技術(shù)領(lǐng)域：
的重要分支，既屬于控制領(lǐng)域，又屬于水處理領(lǐng)域。因此，出水總氮TN的智能檢測在污水處理系統(tǒng)中具有重要意義。
背景技術(shù)：
：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(shí)還要出水水質(zhì)符合國家排放標(biāo)準(zhǔn)。然而，污水處理過程出水總氮TN影響因素繁多，且各影響因素之間關(guān)系復(fù)雜，難以進(jìn)行實(shí)時(shí)測量，嚴(yán)重影響了污水處理過程的穩(wěn)定運(yùn)行。基于遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的出水總氮TN智能檢測方法有利于提高城市污水處理效率、加強(qiáng)城市污水處理廠精細(xì)化管理、確保污水處理出水水質(zhì)達(dá)標(biāo)排放，緩解我國當(dāng)前水污染處理不達(dá)標(biāo)，不但具有較好的經(jīng)濟(jì)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(yīng)用前景。城市污水處理的控制目標(biāo)就是使出水達(dá)到國家排放標(biāo)準(zhǔn)，主要涉及的參數(shù)有出水總氮TN、化學(xué)需氧量COD、出水懸浮物濃度SS、氨氮NH3-N、生化需氧量BOD和總磷TP等。其中水質(zhì)參數(shù)出水總氮TN是指經(jīng)過污水處理廠的工藝設(shè)施處理后出水的所有含氮污染物的總和，主要為氨氮，硝態(tài)氮、亞硝態(tài)氮等無機(jī)氮，和蛋白質(zhì)、氨基酸和有機(jī)胺等有機(jī)氮的總和。據(jù)統(tǒng)計(jì)，自然界固氮速率大約每年15000萬噸，而化學(xué)氮肥制造速率大約每年5000～6000噸，如大自然脫硝反應(yīng)未能及時(shí)完成氮循環(huán)，過多含氮化合物，使水中氨氮養(yǎng)分造成大量藻類，浮游植物繁殖旺盛，出現(xiàn)水體富營養(yǎng)化狀態(tài)。為遏制水環(huán)境不斷惡化的趨勢，一大批污水處理設(shè)施在我國各大中城市及城鎮(zhèn)相繼投巨資建成并投入運(yùn)行。其通用測定方法為堿性過硫酸鉀紫外分光光度法和氣相分子吸收光譜法。但是總氮的測定往往是離線的，不能實(shí)現(xiàn)對出水總氮TN實(shí)時(shí)測量，直接導(dǎo)致污水處理過程難以實(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，對檢測是一大挑戰(zhàn)。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，但儀表價(jià)格昂貴且維護(hù)成本較高。因此，研究新的測量方法解決過程參數(shù)的實(shí)時(shí)測量問題，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)明提出一種基于遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的出水總氮TN智能檢測方法，通過構(gòu)建基于遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)模型，利用神經(jīng)元的競爭力指標(biāo)，判斷增加或刪除遞歸RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元，利用自適應(yīng)二階算法保證了遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的精度。該智能檢測方法能夠?qū)崿F(xiàn)出水總氮TN的實(shí)時(shí)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(shù)實(shí)現(xiàn)要素：本發(fā)明獲得了一種基于遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的出水總氮TN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出水總氮TN有密切聯(lián)系又容易測量的變量作為輔助變量，通過構(gòu)造遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)輔助變量與出水總氮TN之間的映射，實(shí)現(xiàn)出水總氮TN的實(shí)時(shí)測量，解決了當(dāng)前出水總氮TN測量周期長的問題；本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟：1.一種基于遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的出水總氮TN智能檢測方法，其特征在于包括以下步驟：(1)確定出水總氮TN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(jìn)行特征分析，選取與出水總氮TN相關(guān)的過程變量作為軟測量模型的輸入：氨氮NH4-N，硝態(tài)氮NO3-N，出水懸浮物濃度SS，生化需氧量BOD，總磷TP，軟測量模型的輸出為出水總氮TN值；(2)設(shè)計(jì)用于出水總氮TN智能檢測的軟測量模型：利用遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)建立出水總氮TN的軟測量模型，遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)包括：輸入層、隱含層、輸出層；其結(jié)構(gòu)為5-J-1的連接方式，即輸入層神經(jīng)元為5個(gè)，隱含層神經(jīng)元為J個(gè)，J為大于2的正整數(shù)，輸出層神經(jīng)元為1個(gè)；輸入層與隱含層之間的連接權(quán)值都賦值為1，隱含層與輸出層之間的連接權(quán)值隨機(jī)賦值，賦值區(qū)間為[-1,1]；設(shè)共有p個(gè)訓(xùn)練樣本，設(shè)第t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)輸入為x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)]，x1(t)表示第t時(shí)刻氨氮NH4-N濃度，x2(t)表示第t時(shí)刻硝態(tài)氮NO3-N濃度，x3(t)表示第t時(shí)刻出水懸浮物濃度SS濃度，x4(t)表示第t時(shí)刻生化需氧量BOD濃度，x5(t)表示第t時(shí)刻總磷TP濃度；第t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的期望輸出表示為yd(t)，實(shí)際輸出表示為y(t)；基于遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的出水總氮TN的軟測量方法計(jì)算方式依次為：①輸入層：該層由5個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：ui(t)＝xi(t)(1)其中，ui(t)是t時(shí)刻第i個(gè)神經(jīng)元的輸出,i＝1,2,…,5；②隱含層：隱含層由J神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：θj(t)=e-||hj(t)-cj(t)||22σj2(t),j=1,2,...,J---(2)]]>其中，cj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的中心向量，cj(t)＝[c1j(t),c2j(t),…,c5j(t)]T，cij(t)表示隱含層t時(shí)刻第j個(gè)神經(jīng)元中心值的第i個(gè)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(shí)刻第j個(gè)隱含層神經(jīng)元的中心寬度，hj(t)是t時(shí)刻第j個(gè)隱含層神經(jīng)元的輸入向量hj(t)=[u1(t),u2(t),u3(t),u4(t),u5(t),wj1(t)×y(t-1)]---(3)]]>y(t-1)是t-1時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸出，為t時(shí)刻輸出神經(jīng)元與第j個(gè)隱含層神經(jīng)元的反饋連接權(quán)值，為t時(shí)刻輸出神經(jīng)元與隱含層神經(jīng)元的反饋連接權(quán)值向量，T表示轉(zhuǎn)置；③輸出層：輸出層輸出為：y(t)=Σj=1Jwj2(t)×θj(t),j=1,...,J---(4)]]>其中，為t時(shí)刻隱含層與輸出層的連接權(quán)值向量，為t時(shí)刻第j個(gè)隱含層神經(jīng)元與輸出神經(jīng)元的連接權(quán)值，θ(t)＝[θ1(t),θ2(t),...,θJ(t)]T為t時(shí)刻隱含層的輸出向量，θj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的輸出，y(t)為t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸出；定義遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的誤差為：E(t)=1pΣt=1p(yd(t)-y(t))2---(5)]]>其中，yd(t)為t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的期望輸出，y(t)為t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出，p為訓(xùn)練樣本數(shù)；(3)訓(xùn)練遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)，具體為：①給定遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的初始隱含層神經(jīng)元個(gè)數(shù)為J，J為大于2的正整數(shù)，遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸入為x(1)，x(2)，…，x(t)，…，x(p)，對應(yīng)的期望輸出為yd(1)，yd(2)，…，yd(t)，…，yd(p)，p表示訓(xùn)練樣本數(shù)，期望誤差值設(shè)為Ed，Ed∈(0,0.01)，初始中心向量cj(1)中每個(gè)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(quán)值vj(t)的賦值區(qū)間為[0,1]，j＝1，2，…，J；初始隱含層與輸出層的連接權(quán)值向量w2(1)中每個(gè)變量的賦值區(qū)間為[-1,1]；②設(shè)置學(xué)習(xí)步數(shù)s＝1；③t＝s，計(jì)算遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸出y(t)，運(yùn)用自適應(yīng)二階算法調(diào)整遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和中心寬度：Θ(t+1)＝Θ(t)+(Ψ(t)+η(t)×Ι)-1×Ω(t)(6)其中，Θ(t)為t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)矩陣，Ψ(t)是t時(shí)刻的擬海森矩陣，Ω(t)為t時(shí)刻梯度向量，I是單位矩陣，t時(shí)刻自適應(yīng)學(xué)習(xí)率η(t)被定義為η(t)＝μ(t)η(t-1)(7)μ(t)=(βmax(t)+η(t-1))/(1+βmax(t-1))-βmin(t-1)η(t-1)---(8)]]>其中，μ(t)為t時(shí)刻自適應(yīng)因子，μ(1)初始值設(shè)為μ(1)＝1，βmax(t)和βmin(t)分別為t時(shí)刻矩陣Ψ(t)中最大、最小的特征值；0<βmin(t)<βmax(t)，0<η(t)<1，t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)矩陣Θ(t)包含：t時(shí)刻輸出神經(jīng)元與隱含層神經(jīng)元的反饋連接權(quán)值向量w1(t)，t時(shí)刻隱含層與輸出層的連接權(quán)值向量w2(t)，t時(shí)刻中心矩陣C(t)＝[c1(t),c2(t),…,cJ(t)]T，cj(t)，t時(shí)刻中心寬度向量σ(t)＝[σ1(t),σ2(t),…,σJ(t)]TΘ(1)＝[w1(1),w2(1),C(1),σ(1)](9)t時(shí)刻的擬海森矩陣Ψ(t)和梯度向量Ω(t)計(jì)算方式為Ψ(t)＝j(luò)T(t)j(t)(10)Ω(t)＝j(luò)Te(t)(11)e(t)＝y(tǒng)d(t)-y(t)(12)其中，e(t)為t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)誤差，yd(t)與y(t)是分別為遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的期望輸出與實(shí)際輸出，j(t)為雅克比矩陣j(t)=[∂e(t)∂w1(t),∂e(t)∂w2(t),∂e(t)∂C(t),∂e(t)∂σ(t)]---(13)]]>④t>3時(shí)，計(jì)算遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的競爭力cpj(t)＝ρj(t)fj(t)σj(t),j＝1,2,…,J(14)其中，cpj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的競爭力，J是隱含層神經(jīng)元的個(gè)數(shù)，σj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的中心寬度；fj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的激活狀態(tài)fj(t)=χ-||hj(t)-cj(t)||---(15)]]>其中，χ∈(1,2)，t時(shí)刻隱含層神經(jīng)元的激活狀態(tài)向量f(t)＝[f1(t),f2(t),…,fJ(t)]，ρj(t)為第j個(gè)隱含層神經(jīng)元的輸出與網(wǎng)絡(luò)輸出的相關(guān)系數(shù)ρj(t)=Σk=03[Aj(t-k)-A‾(t)][B(t-k)-B‾(t)]Σk=03[Aj(t-k)-A‾(t)]2Σk=03[B(t-k)-B‾(t)]2---(16)]]>其中，隱含層相關(guān)參數(shù)輸出層相關(guān)參數(shù)B(t)＝y(tǒng)(t)，為t時(shí)刻隱含層相關(guān)參數(shù)平均值，為t時(shí)刻輸出層相關(guān)參數(shù)平均值；⑤t>3時(shí)，調(diào)整遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；在調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)過程中，計(jì)算第j個(gè)隱含層神經(jīng)元的競爭力，當(dāng)?shù)趈個(gè)隱含層神經(jīng)元的競爭力以及t和t+τ時(shí)刻的訓(xùn)練誤差滿足E(t)-E(t+τ)≤ε,(17)j=argmax1≤j≤J(cpj(t)),---(18)]]>其中，指cpj(t)取最大值時(shí)j的取值，E(t)和E(t+τ)分別為t時(shí)刻和t+τ時(shí)刻的訓(xùn)練誤差，τ是時(shí)間間隔，為大于2的正整數(shù)；ε是預(yù)設(shè)閾值ε∈(0,0.01)；J為隱含層神經(jīng)元數(shù)；增加1個(gè)隱含層神經(jīng)元，并更新隱含層神經(jīng)元數(shù)為M1＝J+1；否則，不調(diào)整遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，M1＝J；當(dāng)?shù)趈個(gè)隱含層神經(jīng)元的競爭力滿足cpj(t)<ξ,(19)其中，ξ∈(0,Ed)是預(yù)設(shè)的修剪閾值；Ed是預(yù)設(shè)的常數(shù)，Ed∈(0,0.01]；則刪除個(gè)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)整遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，M2＝M1；⑥學(xué)習(xí)步數(shù)s增加1，如果步數(shù)s<p，轉(zhuǎn)向步驟③進(jìn)行繼續(xù)訓(xùn)練，如果s＝p轉(zhuǎn)向步驟⑦；⑦根據(jù)公式(5)計(jì)算遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的性能，如果E(t)≥Ed，則轉(zhuǎn)向步驟③進(jìn)行繼續(xù)訓(xùn)練，如果E(t)<Ed，則停止調(diào)整；(4)出水總氮TN濃度預(yù)測；將測試樣本數(shù)據(jù)作為訓(xùn)練后的遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸入，遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸出即為出水總氮TN濃度的軟測量值。本發(fā)明的創(chuàng)造性主要體現(xiàn)在：(1)本發(fā)明針對當(dāng)前污水處理中關(guān)鍵參數(shù)出水總氮TN測量周期長，提出了一種基于遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的出水總氮TN智能檢測方法，根據(jù)實(shí)際污水處理廠工作報(bào)表提取了與出水總氮TN濃度相關(guān)的5個(gè)相關(guān)變量：氨氮NH4-N，硝態(tài)氮NO3-N，出水懸浮物濃度SS，生化需氧量BOD，總磷TP，實(shí)現(xiàn)了出水總氮TN濃度的預(yù)測，解決了出水總氮TN濃度難以實(shí)時(shí)測量的問題，并且降低了運(yùn)行成本；(2)本發(fā)明依據(jù)隱含層神經(jīng)元的競爭力對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行自動調(diào)整，不但能夠增加隱含層神經(jīng)元，同時(shí)能夠刪除冗余的神經(jīng)元，解決了遞歸RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)難以確定、精度較低的問題；采用了基于遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)對出水總氮TN進(jìn)行在線測量，具有測量精度高，對環(huán)境差異適應(yīng)能力強(qiáng)等特點(diǎn)特別要注意：本發(fā)明采用與出水水質(zhì)出水總氮TN相關(guān)的5個(gè)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(guān)變量及遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行出水總氮TN檢測方法研究都應(yīng)屬于本發(fā)明的范圍。附圖說明圖1是本發(fā)明的遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)初始結(jié)構(gòu)拓?fù)鋱D；圖2是本發(fā)明的出水總氮TN訓(xùn)練結(jié)果圖，其中實(shí)線為出水總氮TN實(shí)際輸出值，虛線為遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練值；圖3是本發(fā)明出水總氮TN訓(xùn)練誤差圖；圖4是本發(fā)明出水總氮TN預(yù)測結(jié)果圖，其中實(shí)線為出水總氮TN實(shí)際輸出值，虛線為遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)預(yù)測值；圖5是本發(fā)明出水總氮TN預(yù)測誤差圖；具體實(shí)施方式本發(fā)明選取測量出水總氮TN的特征變量為氨氮NH4-N，硝態(tài)氮NO3-N，出水懸浮物濃度SS，生化需氧量BOD，總磷TP，以上單位均為毫克/升；實(shí)驗(yàn)數(shù)據(jù)來自某污水處理廠2011年水質(zhì)分析日報(bào)表；分別取氨氮NH4-N，硝態(tài)氮NO3-N，出水懸浮物濃度SS，生化需氧量BOD，總磷TP的實(shí)際檢測數(shù)據(jù)為實(shí)驗(yàn)樣本數(shù)據(jù)，剔除異常實(shí)驗(yàn)樣本后剩余100組可用數(shù)據(jù)，其中60組用作訓(xùn)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(shù)方案及實(shí)現(xiàn)步驟：基于遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)算法具體步驟如下：1.一種基于遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的出水總氮TN智能檢測方法，其特征在于包括以下步驟：(1)確定出水總氮TN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(jìn)行特征分析，選取與出水總氮TN相關(guān)的過程變量作為軟測量模型的輸入：氨氮NH4-N，硝態(tài)氮NO3-N，出水懸浮物濃度SS，生化需氧量BOD，總磷TP，軟測量模型的輸出為出水總氮TN值；(2)設(shè)計(jì)用于出水總氮TN智能檢測的軟測量模型：利用遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)建立出水總氮TN的軟測量模型，遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)包括：輸入層、隱含層、輸出層；其結(jié)構(gòu)為5-J-1的連接方式，即輸入層神經(jīng)元為5個(gè)，隱含層神經(jīng)元為J個(gè)，J為大于2的正整數(shù)，輸出層神經(jīng)元為1個(gè)；輸入層與隱含層之間的連接權(quán)值都賦值為1，隱含層與輸出層之間的連接權(quán)值隨機(jī)賦值，賦值區(qū)間為[-1,1]；設(shè)共有p個(gè)訓(xùn)練樣本，設(shè)第t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)輸入為x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)]，x1(t)表示第t時(shí)刻氨氮NH4-N濃度，x2(t)表示第t時(shí)刻硝態(tài)氮NO3-N濃度，x3(t)表示第t時(shí)刻出水懸浮物濃度SS濃度，x4(t)表示第t時(shí)刻生化需氧量BOD濃度，x5(t)表示第t時(shí)刻總磷TP濃度；第t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的期望輸出表示為yd(t)，實(shí)際輸出表示為y(t)；基于遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的出水總氮TN的軟測量方法計(jì)算方式依次為：①輸入層：該層由5個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：ui(t)＝xi(t)(20)其中，ui(t)是t時(shí)刻第i個(gè)神經(jīng)元的輸出,i＝1,2,…,5；②隱含層：隱含層由J神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：θj(t)=e-||hj(t)-cj(t)||22σj2(t),j=1,2,...,J---(21)]]>其中，cj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的中心向量，cj(t)＝[c1j(t),c2j(t),…,c5j(t)]T，cij(t)表示隱含層t時(shí)刻第j個(gè)神經(jīng)元中心值的第i個(gè)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(shí)刻第j個(gè)隱含層神經(jīng)元的中心寬度，hj(t)是t時(shí)刻第j個(gè)隱含層神經(jīng)元的輸入向量hj(t)=[u1(t),u2(t),u3(t),u4(t),u5(t),wj1(t)×y(t-1)]---(21)]]>y(t-1)是t-1時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸出，為t時(shí)刻輸出神經(jīng)元與第j個(gè)隱含層神經(jīng)元的反饋連接權(quán)值，為t時(shí)刻輸出神經(jīng)元與隱含層神經(jīng)元的反饋連接權(quán)值向量，T表示轉(zhuǎn)置；③輸出層：輸出層輸出為：y(t)=Σj=1Jwj2(t)×θj(t),j=1,...,J---(23)]]>其中，為t時(shí)刻隱含層與輸出層的連接權(quán)值向量，為t時(shí)刻第j個(gè)隱含層神經(jīng)元與輸出神經(jīng)元的連接權(quán)值，θ(t)＝[θ1(t),θ2(t),...,θJ(t)]T為t時(shí)刻隱含層的輸出向量，θj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的輸出，y(t)為t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸出；定義遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的誤差為：E(t)=1pΣt=1p(yd(t)-y(t))2---(24)]]>其中，yd(t)為t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的期望輸出，y(t)為t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出，p為訓(xùn)練樣本數(shù)；(3)訓(xùn)練遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)，具體為：①給定遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的初始隱含層神經(jīng)元個(gè)數(shù)為J，J為大于2的正整數(shù)，遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸入為x(1)，x(2)，…，x(t)，…，x(p)，對應(yīng)的期望輸出為yd(1)，yd(2)，…，yd(t)，…，yd(p)，p表示訓(xùn)練樣本數(shù)，期望誤差值設(shè)為Ed，Ed∈(0,0.01)，初始中心向量cj(1)中每個(gè)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(quán)值vj(t)的賦值區(qū)間為[0,1]，j＝1，2，…，J；初始隱含層與輸出層的連接權(quán)值向量w2(1)中每個(gè)變量的賦值區(qū)間為[-1,1]；②設(shè)置學(xué)習(xí)步數(shù)s＝1；③t＝s，計(jì)算遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸出y(t)，運(yùn)用自適應(yīng)二階算法調(diào)整遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和中心寬度：Θ(t+1)＝Θ(t)+(Ψ(t)+η(t)×Ι)-1×Ω(t)(25)其中，Θ(t)為t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)矩陣，Ψ(t)是t時(shí)刻的擬海森矩陣，Ω(t)為t時(shí)刻梯度向量，I是單位矩陣，t時(shí)刻自適應(yīng)學(xué)習(xí)率η(t)被定義為η(t)＝μ(t)η(t-1)(26)μ(t)=(βmax(t)+η(t-1))/(1+βmax(t-1))-βmin(t-1)η(t-1)---(27)]]>其中，μ(t)為t時(shí)刻自適應(yīng)因子，μ(1)初始值設(shè)為μ(1)＝1，βmax(t)和βmin(t)分別為t時(shí)刻矩陣Ψ(t)中最大、最小的特征值；0<βmin(t)<βmax(t)，0<η(t)<1，t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)矩陣Θ(t)包含：t時(shí)刻輸出神經(jīng)元與隱含層神經(jīng)元的反饋連接權(quán)值向量w1(t)，t時(shí)刻隱含層與輸出層的連接權(quán)值向量w2(t)，t時(shí)刻中心矩陣C(t)＝[c1(t),c2(t),…,cJ(t)]T，cj(t)，t時(shí)刻中心寬度向量σ(t)＝[σ1(t),σ2(t),…,σJ(t)]TΘ(1)＝[w1(1),w2(1),C(1),σ(1)](28)t時(shí)刻的擬海森矩陣Ψ(t)和梯度向量Ω(t)計(jì)算方式為Ψ(t)＝j(luò)T(t)j(t)(29)Ω(t)＝j(luò)Te(t)(30)e(t)＝y(tǒng)d(t)-y(t)(31)其中，e(t)為t時(shí)刻遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)誤差，yd(t)與y(t)是分別為遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的期望輸出與實(shí)際輸出，j(t)為雅克比矩陣j(t)=[∂e(t)∂w1(t),∂e(t)∂w2(t),∂e(t)∂C(t),∂e(t)∂σ(t)]---(32)]]>④t>3時(shí)，計(jì)算遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的競爭力cpj(t)＝ρj(t)fj(t)σj(t),j＝1,2,…,J(33)其中，cpj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的競爭力，J是隱含層神經(jīng)元的個(gè)數(shù)，σj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的中心寬度；fj(t)為t時(shí)刻第j個(gè)隱含層神經(jīng)元的激活狀態(tài)fj(t)=χ-||hj(t)-cj(t)||---(34)]]>其中，χ∈(1,2)，t時(shí)刻隱含層神經(jīng)元的激活狀態(tài)向量f(t)＝[f1(t),f2(t),…,fJ(t)]，ρj(t)為第j個(gè)隱含層神經(jīng)元的輸出與網(wǎng)絡(luò)輸出的相關(guān)系數(shù)ρj(t)=Σk=03[Aj(t-k)-A‾(t)][B(t-k)-B‾(t)]Σk=03[Aj(t-k)-A‾(t)]2Σk=03[B(t-k)-B‾(t)]2---(35)]]>其中，隱含層相關(guān)參數(shù)輸出層相關(guān)參數(shù)B(t)＝y(tǒng)(t)，為t時(shí)刻隱含層相關(guān)參數(shù)平均值，為t時(shí)刻輸出層相關(guān)參數(shù)平均值；⑤t>3時(shí)，調(diào)整遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；在調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)過程中，計(jì)算第j個(gè)隱含層神經(jīng)元的競爭力，當(dāng)?shù)趈個(gè)隱含層神經(jīng)元的競爭力以及t和t+τ時(shí)刻的訓(xùn)練誤差滿足E(t)-E(t+τ)≤ε,(36)j=argmax1≤j≤J(cpj(t)),---(37)]]>其中，指cpj(t)取最大值時(shí)j的取值，E(t)和E(t+τ)分別為t時(shí)刻和t+τ時(shí)刻的訓(xùn)練誤差，τ是時(shí)間間隔，為大于2的正整數(shù)；ε是預(yù)設(shè)閾值ε∈(0,0.01)；J為隱含層神經(jīng)元數(shù)；增加1個(gè)隱含層神經(jīng)元，并更新隱含層神經(jīng)元數(shù)為M1＝J+1；否則，不調(diào)整遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，M1＝J；當(dāng)?shù)趈個(gè)隱含層神經(jīng)元的競爭力滿足cpj(t)<ξ,(38)其中，ξ∈(0,Ed)是預(yù)設(shè)的修剪閾值；Ed是預(yù)設(shè)的常數(shù)，Ed∈(0,0.01]；則刪除個(gè)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)整遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，M2＝M1；⑥學(xué)習(xí)步數(shù)s增加1，如果步數(shù)s<p，轉(zhuǎn)向步驟③進(jìn)行繼續(xù)訓(xùn)練，如果s＝p轉(zhuǎn)向步驟⑦；⑦根據(jù)公式(24)計(jì)算遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的性能，如果E(t)≥Ed，則轉(zhuǎn)向步驟③進(jìn)行繼續(xù)訓(xùn)練，如果E(t)<Ed，則停止調(diào)整；出水總氮TN濃度智能檢測方法訓(xùn)練結(jié)果如圖2所示，X軸：樣本數(shù)，單位是個(gè)，Y軸：出水總氮TN訓(xùn)練輸出，單位是毫克/升，實(shí)線為出水總氮TN濃度實(shí)際輸出值，虛線是出水總氮TN濃度訓(xùn)練輸出值；出水總氮TN濃度實(shí)際輸出與訓(xùn)練輸出的誤差如圖3，X軸：樣本數(shù)，單位是個(gè)，Y軸：出水總氮TN濃度訓(xùn)練誤差，單位是毫克/升；(4)出水總氮TN濃度預(yù)測；將測試樣本數(shù)據(jù)作為訓(xùn)練后的遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸入，遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)的輸出即為出水總氮TN的智能檢測結(jié)果；出水總氮TN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(gè)/樣本，Y軸：出水總氮TN預(yù)測輸出值，單位是毫克/升，實(shí)線是出水總氮TN實(shí)際輸出值，虛線為遞歸自組織RBF神經(jīng)網(wǎng)絡(luò)預(yù)測值；出水總氮TN濃度實(shí)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(gè)/樣本，Y軸：出水總氮TN預(yù)測誤差，單位是毫克/升。訓(xùn)練數(shù)據(jù)：表1.生化需氧量BOD的輸入值(毫克/升)192222201264195209260197206289188350210204200180230338200330320232260240218316310172210316310244248168204145170142190260200240280174250136222204239242310232290210144214251158262290表2.氨氮濃度NH4-N的輸入值(毫克/升)64.369.472.671.771.563.570.768.464.368.371.964.363.856.944.664.968.976.963.57060.36072.169.770.566.162.258.860.563.565.759.454.86059.163.764.558.161.966.757.670.761.357.855.365.865.161.37262.863.461.471.361.258.755.767.758.561.573.2表3.硝態(tài)氮NO3-N的輸入值(毫克/升)13.832513.721513.640813.666613.728813.861713.887313.915713.975814.111914.416414.482915.203115.279115.690916.149816.637916.944316.897516.810116.549816.220515.751715.373214.588513.996813.585112.980812.625612.242811.913311.628611.464210.794610.393410.485210.949111.528112.220112.841913.332413.093412.879412.910312.590612.310812.079811.974211.810211.673011.609311.494211.494011.503611.461711.487811.392711.385111.486611.7895表4.出水懸浮物濃度SS的輸入值(毫克/升)146192226208154264276208178250204288210172200170214324186422168238232260184330312230162300268231270132252204148116182292210210350214212170262178228164296308240170140178196312164320表5.總磷TP的輸入值(毫克/升)6.386.717.157.296.317.037.357.056.667.287.067.736.926.76.916.387.187.817.398.216.566.836.957.416.829.847.917.236.647.37.817.196.6366.655.845.876.156.537.626.96.28.086.477.25.867.696.556.947.017.786.987.556.565.926.177.056.737.658.09表6.出水總氮TN的實(shí)際輸出值(毫克/升)75.38691.391.888.583.984.882.18084.48089.679.982.277.655.585.185.490.484.280.976.173.786.683.185.981.779.6727879.381.7773.762.473.270.772.271.16375.381.872.788.977.474.171.280.576.575.882.680.170.386.571.567.965.668.670.977.487.2表7.出水總氮TN的訓(xùn)練值(毫克/升)75.0912385.7546591.2960791.691788.2330283.9516485.4634982.1171279.6460984.550379.8745689.6471179.9286481.8356177.3689957.7307384.8077385.6952590.4419882.7530181.4658376.1225173.8719886.6350682.9110785.8851681.9119179.3744672.0156378.1896579.3421881.6696173.7443462.8225573.066670.4805672.2950871.2587263.6255674.9845881.48372.4867588.9372177.3149674.2231570.5996980.9180776.3791175.7808282.6593480.0504771.0116885.8291471.5808267.7324565.7209369.7470469.9149876.9860787.36917預(yù)測數(shù)據(jù)：表8.生化需氧量BOD的輸入值(毫克/升)217226218390260200248370342347290440289460188318334290341335287346266430294450262372370198347610326283395233331209282174表9.氨氮濃度NH4-N的輸入值(毫克/升)48.656.964.258.950.361.363.768.65440.853.460.266.460.963.454.440.76963.45566.363.262.352.760.55762.168.2646967.261.56664.562.151.45155.555.558.5表10.硝態(tài)氮NO3-N的輸入值(毫克/升)12.308512.679213.040013.238913.526213.461413.284912.968212.708912.226912.099512.131512.136112.212212.219712.349912.446412.492712.732612.815612.939213.043813.736714.162714.875115.960416.748717.657218.677319.197019.906920.503020.949521.347521.873422.472022.792223.232523.492423.2459表11.出水懸浮物濃度SS的輸入值(毫克/升)154158214204110232226254122538130162142360376231.2166118142220266172296235180146206208202146398270328126244218272168262110表12.總磷TP的輸入值(毫克/升)5.175.396.035.965.246.225.786.175.65.224.755.466.16.486.845.54.065.745.735.86.715.636.185.115.034.65.245.865.626.137.016.116.655.566.526.226.255.25.776.17表13.出水總氮TN的實(shí)際輸出值(毫克/升)62.867.475.370.159.478.575.477.370.254.560.766.774.174.978.66660.965.452.360.572.768.27065.169.161.969.371.570.776.780.873.977.373.576.373.474.164.566.667.8表14.出水總氮TN的預(yù)測值(毫克/升)60.4319367.1641275.3449670.9667663.1107667.6678581.345279.7883164.0640758.6444763.9999166.2450172.4478572.4373477.8264567.7563557.9690475.3219163.9510756.0528962.823165.6720871.0324361.2243366.243365.858368.842876.7157867.0434574.8085378.6124775.8847480.2171868.9842677.5196667.5705673.4271971.1766965.8828166.41494當(dāng)前第1頁1 2 3