CN103454390B - 一种测量溶解氧浓度的方法及装置 - Google Patents

Abstract

本发明公开了一种测量溶解氧浓度的方法，所述方法通过对污水生化反应过程的机理进行分析，确定初步的辅助变量；采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；判断所述误差是否满足预先设置的条件；当所述误差满足预先设置的条件时，则采集现场数据，代入所建神经网络模型，预测溶解氧浓度需求量，实现溶解氧浓度的软测量。

Description

一种测量溶解氧浓度的方法及装置

技术领域

本发明涉及计算领域，尤其涉及一种测量溶解氧浓度的方法及装置。

背景技术

目前污水生化处理过程中的溶解氧浓度测量方法通常有两种：一种是采用硬件传感器，这种方法的仪器造价高、寿命短、稳定性差，且不能进行预测，对于污水生化处理过程中的溶解氧浓度控制不具有指导意义；另一种是软测量方法，现有的软测量方法主要有基于工艺机理分析的和基于神经网络的。基于工艺机理分析的软测量方法需要对工艺过程机理深刻认识，否则不能准确预测出不易测量的参数值；基于神经网络的软测量方法适用于非线性和不确定性系统。但传统神经网络软测量方法的神经网络结构在训练前已确定，神经网络训练过程中网络结构不再发生变化，具有预测精度较低，时间较长的缺点，而目前新提出的结构自组织神经网络，能够根据研究对象在线改变神经网络结构，有效地提高了神经网络的性能，但它们普遍存在增长判断条件选取比较困难、修剪判断依据仍停留在隐含层神经元输出对整个神经网络输出的影响或隐含层与神经网络输出的连接权值等问题。

发明内容

本发明实施例提供了一种测量溶解氧浓度的方法，旨在解决污水生化处理过程中溶解氧浓度难以实时测量的问题。

为了解决上述技术问题，本发明实施例提供的一种测量溶解氧浓度的方法，所述方法包括：

对污水生化反应过程的机理进行分析，确定初步的辅助变量；

采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；

根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；

判断所述误差是否满足预先设置的条件；

当所述误差满足预先设置的条件，则采集现场数据，利用所述神经网络模型对溶解氧浓度进行测量。

所述根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差，包括：

建立一个神经网络模型，所述神经网络模型包括输入层、隐含层、输出层，所述输入层为辅助变量，所述输出层为污水生化反应过程中的溶解氧浓度，所述隐含层为免疫算法抗体；

利用随机函数对神经网络的连接权值进行初始化；

对所述神经网络模型进行γ步训练，并计算训练后的所述神经网络模型的误差，所述误差为

$E_{\mathrm{\γ}}^t=\frac{1}{2}\underset{i=1}{\overset{i=K}{\mathrm{\Σ}}}{({\mathrm{DO}}_i-{\stackrel{\‾}{\mathrm{DO}}}_i)}^2$

其中，t为当前神经网络优化次数，DO_i表示将所述精选辅助变量的第i组样本数据作用到神经网络所产生的输出值，表示神经网络的期望输出，K表示采集到的样本数。

所述判断所述误差是否满足预先设置的条件，包括：

判断是否满足预先设置的目标值。

所述方法还包括：

当判断时，则计算适应度和选择概率；

根据所述适应度和所述选择概率对抗体种群中的每个抗体进行克隆、变异、抑制；

对所述抗体种群中的每个抗体进行克隆、变异、抑制后，继续执行步骤对所述神经网络的γ步训练。

所述方法还包括：

当判断则执行步骤根据所述辅助变量建立神经网络模型。

一种测量溶解氧浓度的装置，所述装置包括：

第一确定单元，用于对污水生化反应过程的机理进行分析，确定初步的辅助变量；

第二确定单元，用于采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；

建立单元，用于根据所述辅助变量建立神经网络模型；

计算单元，用于对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；

判断单元，用于判断所述误差是否满足预先设置的条件；

测量单元，用于当判断所述误差满足预先设置的条件时，则采集现场数据，利用所述神经网络模型对溶解氧浓度进行测量。

所述建立单元，具体用于：

建立一个神经网络模型，所述神经网络模型包括输入层、隐含层、输出层，所述输入层为辅助变量，所述输出层为污水生化反应过程中的溶解氧浓度，所述隐含层为免疫算法抗体；

利用随机函数对神经网络的连接权值进行初始化。

所述计算单元，具体用于：

对所述神经网络模型进行γ步训练，并计算训练后的所述神经网络模型的误差，所述误差为

$E_{\mathrm{\γ}}^t=\frac{1}{2}\underset{i=1}{\overset{i=K}{\mathrm{\Σ}}}{({\mathrm{DO}}_i-{\stackrel{\‾}{\mathrm{DO}}}_i)}^2$

其中，t为当前神经网络优化次数，DO_i表示将所述精选辅助变量的第i组样本数据作用到神经网络所产生的输出值，表示神经网络的期望输出，K表示采集到的样本数。

所述判断单元，具体用于：

判断是否满足预先设置的目标值。

所述装置还包括：

第一计算子单元，用于当判断时，则计算适应度和选择概率；

处理单元，用于根据所述适应度和所述选择概率对抗体种群中的每个抗体进行克隆、变异、抑制；

计算单元，用于对所述抗体种群中的每个抗体进行克隆、变异、抑制后，继续执行步骤对所述神经网络继续γ步训练，并计算训练后的神经网络模型的误差。

所述装置还包括：

建立单元，用于当判断则执行步骤根据所述辅助变量建立神经网络模型。

与现有技术相比，本发明提供一种测量溶解氧浓度的方法，所述方法通过对污水生化反应过程的机理进行分析，确定初步的辅助变量；采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；判断所述误差是否满足预先设置的条件；当所述误差满足预先设置的条件时，则采集现场数据，代入所建神经网络模型，预测溶解氧浓度需求量，实现溶解氧浓度的软测量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种测量溶解氧浓度的方法流程图；

图2是本发明实施例提供的一种污水处理工艺流程图；

图3是本发明实施例提供的神经网络的结构示意图；

图4是本发明实施例提供的一种测量溶解氧浓度的方法流程图；

图5是本发明实施例提供的一种策略溶解氧浓度的装置结构图；

图6是本发明实施例提供的一种策略溶解氧浓度的装置结构图；

图7是本发明实施例提供的一种策略溶解氧浓度的装置结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参考图1，图1是本发明实施例提供的一种测量溶解氧浓度的方法流程图。如图1所示，所述方法包括以下步骤：

步骤101，对污水生化反应过程的机理进行分析，确定初步的辅助变量；

具体的，参考图2，图2是本发明实施例提供的一种污水处理工艺流程图。如图2所示，在污水生化反应过程中，通过测量各反应池中水质参数的变化情况，可以确定哪些变量与溶解氧的浓度有关，即确定初步的辅助变量。

例如，在污水生化处理现场对污水生化反应过程中的各种水质参数进行采集与分析，初步确定污水生化反应过程中与溶解氧浓度相关辅助变量为：PH值、流量(Q)，悬浮物浓度(SS)、氮浓度(N)、磷浓度(P)、氨氮浓度(NH₃-N)、硝态氮浓度(NO₃-N)、碳浓度(TOC)八个变量。

步骤102，采集样本数据，利用粗糙集方法对所述样本数据中初步确定的辅助变量进行分析，精选出与溶解氧浓度相关性高的辅助变量；

具体的，采用粗糙集方法，利用样本数据，分析每个初步确定的辅助变量是否和溶氧度浓度有关，从而精选出与溶解氧浓度相关性高的辅助变量。

例如，在污水生化处理现场，以5分钟为采样周期采集PH值、流量(Q)，悬浮物浓度(SS)、氮浓度(N)、磷浓度(P)、氨氮浓度(NH₃-N)、硝态氮浓度(NO₃-N)、碳浓度(TOC)八个变量及相应的溶解氧浓度两天中的样本数据144×2组。

基于粗糙集的方法对144×2组样本数据进行再次分析，精选出与溶解氧浓度相关性高的辅助变量为流量(Q)、悬浮物浓度(SS)、氮浓度(N)、磷浓度(P)、氨氮浓度(NH₃-N)、硝态氮浓度(NO₃-N)、碳浓度(TOC)。

步骤103，根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；

可选地，所述根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差，包括：

建立一个神经网络模型，所述神经网络模型包括输入层、隐含层、输出层，所述输入层为辅助变量，所述输出层为污水生化反应过程中的溶解氧浓度，所述隐含层为免疫算法抗体；

利用随机函数对神经网络的连接权值进行初始化；

对所述神经网络模型进行γ步训练，并计算训练后的所述神经网络模型的误差，所述误差为

$E_{\mathrm{\γ}}^t=\frac{1}{2}\underset{i=1}{\overset{i=K}{\mathrm{\Σ}}}{({\mathrm{DO}}_i-{\stackrel{\‾}{\mathrm{DO}}}_i)}^2$

其中，t为当前神经网络优化次数，DO_i表示将所述精选辅助变量的第i组样本数据作用到神经网络所产生的输出值，表示神经网络的期望输出，K表示采集到的样本数。

例如，建立7-6-1结构的前馈神经网络，输入层为精选出的七个辅助变量流量(Q)、悬浮物浓度(SS)、氮浓度(N)、磷浓度(P)、氨氮浓度(NH₃-N)、硝态氮浓度(NO₃-N)、碳浓度(TOC)，输出层为溶解氧浓度，如图3所示；

对神经网络的连接权值，利用随机函数进行初始化，同时，设置当前神经网络优化次数t=1；

将样本数据代入神经网络模型，进行γ=300步训练，并计算训练结束时的误差

步骤104，判断所述误差是否满足预先设置的条件；

可选地，所述判断所述误差是否满足预先设置的条件，包括：

判断是否满足预先设置的目标值。

例如，判断误差是否满足预先设定的目标值0.01。

步骤105，当所述误差满足预先设置的条件时，则采集现场数据，利用所述神经网络模型对溶解氧浓度进行测量。

当判断满足预先设置的目标值时，则所述神经网络模型建立成功。

作为一种可选的实施例，所述方法还包括：

当判断时，则计算适应度和选择概率；

根据所述适应度和所述选择概率对抗体种群中的每个抗体进行克隆、变异、抑制；

对所述抗体种群中的每个抗体进行克隆、变异、抑制后，继续执行步骤对所述神经网络的γ步训练，并计算训练后的神经网络模型的误差。

其中，选择哪些抗体进行克隆，或者说抗体怎么克隆，需要依据它的适应度；在抗体抑制时，当抗体间相似程度较高时，需要依据选择概率对选择概率较低的抗体予以清除。

抗体种群为X={B_i}(i=1,…,n),n为隐含层神经元总数，所述抗体为其中，w_ij输入层第j个神经元与隐含层第i个神经元之间的连接权值，m为输入层神经元总数，v_i为隐含层第i个神经元与输出层之间的连接权值，抗体的适应度为

所述抗体的适应度在种群X上的矢量距为 $\begin{array}{c}f\left(B_i\right)=\frac{1}{1+\exp \left(B_i\right)}\\ \mathrm{\ρ}\left(B_i\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}|f\left(B_i\right)-f\left(B_j\right)|\end{array}$

抗体的选择概率为 $P\left(B_i\right)=\frac{\mathrm{\ρ}\left(B_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\ρ}\left(B_i\right)}$

具体的，对种群X中的每个抗体进行克隆，如将抗体B_i(i=1,…,n)克隆为子群克隆数量为：

其中，为种群的克隆规模，为取整符号，克隆后的种群记为 $X_c=(X,X_1^c,...,X_n^c).$

当 $0.8E_{\mathrm{\&gamma;}}^{t-1}\&le;E_{\mathrm{\&gamma;}}^t<E_{\mathrm{\&gamma;}}^{t-1}$ 时，M_c=3n；当 $0.5E_{\mathrm{\&gamma;}}^{t-1}<E_{\mathrm{\&gamma;}}^t<0.8E_{\mathrm{\&gamma;}}^{t-1}$ 时，M_c=2n；当 $E_{\mathrm{\&gamma;}}^t\&le;0.5E_{\mathrm{\&gamma;}}^{t-1}$ 时，M_c=n。

克隆后的抗体要进行高频变异，变异方法为：

其中，为变异步长，E(0,1)为柯西变异算子；

，n_c为B_i所在克隆子群中的克隆抗体数量，X_c变异后记为IX=(X,IX₁,…,IX_n)。

变异后的抗体间可能还是存在很大的相似性，为保证群体的多样性，还要对相似程度较高的抗体进行抑制处理：首先计算IX中抗体间的相似度

$H_{B_i,B_j}=1-\frac{\left|\right|B_i-B_j\left|\right|}{\underset{B_i\&Element;\mathrm{IX},B_j\&Element;\mathrm{IX}}{\max }\left|\right|B_i-B_j\left|\right|};$

其中，||B_i-B_j||为向量B_i与B_j的范数，再计算相似度的阀值

$H_s=\frac{\underset{i=1}{\overset{M_c}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{M_c}{\mathrm{\&Sigma;}}}{H}_{B_i,B_j}}{M_c(M_c-1)/2}$

若则清除选择概率较低的抗体B_j，并修改抗体B_i：v_i′=v_i+v_j，经过抑制后的种群重新记为X，并继续执行步骤对所述神经网络继续γ步训练。

例如，当步骤104条件满足时，则对污水反应过程的现场进出水数据进行所述辅助变量值的采集，并将采集值代入所建神经网络，进行溶解氧浓度的预测。

可选地，若其中根据定义对神经网络进行克隆、变异及抑制处理，并设置t=t+1，跳转执行步骤对所述神经网络的γ步训练。

作为另一种可选的实施例，所述方法还包括：

当判断则执行步骤根据所述辅助变量建立神经网络模型。

参考图4，图4是本发明实施例提供的一种测量溶解氧浓度的方法流程图。如图4所示，所述方法包括以下步骤：

步骤401，对污水处理过程机理进行分析，初步确定辅助变量；

步骤402，采集样本数据；

步骤403，利用粗糙集方法再次进行分析，精选出辅助变量；

步骤404，建立神经网络模型，并对权值进行初始化；

步骤405，对神经网络进行γ步训练；

步骤406，判断满足预先设置的目标值；

步骤407，若判断满足预先设置的目标值时，采集现场数据；

步骤408，利用所建模型进行溶解氧浓度预测；

步骤409，若判断不满足预先设置的目标值时，继续判断

步骤410，当判断时，则计算适应度和选择概率；当判断时，则返回执行步骤404；

步骤411，克隆、变异、抑制后，执行步骤405。

本发明提供一种测量溶解氧浓度的方法，所述方法通过对污水生化反应过程的机理进行分析，确定初步的辅助变量；采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；判断所述误差是否满足预先设置的条件；当所述误差满足预先设置的条件时，则采集现场数据，并代入所建神经网络模型，预测溶解氧浓度需求量，实现溶解氧浓度的软测量。

参考图5，图5是本发明实施例提供的一种测量溶解氧浓度的装置结构图。如图5所示，所述装置包括以下单元：

第一确定单元501，用于对污水生化反应过程的机理进行分析，确定初步的辅助变量；

具体的，参考图2，图2是本发明实施例提供的一种污水处理工艺流程图。如图2所示，在污水生化反应过程中，通过测量各反应池中水质参数的变化情况，可以确定哪些变量与溶解氧的浓度有关，即确定初步的辅助变量。

例如，在污水生化处理现场对污水生化反应过程中的各种水质参数进行采集与分析，初步确定污水生化反应过程中与溶解氧浓度相关辅助变量为：PH值、流量(Q)，悬浮物浓度(SS)、氮浓度(N)、磷浓度(P)、氨氮浓度(NH₃-N)、硝态氮浓度(NO₃-N)、碳浓度(TOC)八个变量。

第二确定单元502，用于采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；

例如，在污水生化处理现场，以5分钟为采样周期采集PH值、流量(Q)，悬浮物浓度(SS)、氮浓度(N)、磷浓度(P)、氨氮浓度(NH₃-N)、硝态氮浓度(NO₃-N)、碳浓度(TOC)八个变量及相应的溶解氧浓度两天中的样本数据144×2组。

基于粗糙集的方法对144×2组样本数据进行再次分析，精选出与溶解氧浓度相关性高的辅助变量为流量(Q)、悬浮物浓度(SS)、氮浓度(N)、磷浓度(P)、氨氮浓度(NH₃-N)、硝态氮浓度(NO₃-N)、碳浓度(TOC)。

建立单元503，用于根据所述辅助变量建立神经网络模型；

计算单元504，用于对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；

可选地，所述建立单元503，具体用于：

建立一个神经网络模型，所述神经网络模型包括输入层、隐含层、输出层，所述输入层为辅助变量，所述输出层为污水生化反应过程中的溶解氧浓度，所述隐含层为免疫算法抗体；

利用随机函数对神经网络的连接权值进行初始化。

所述计算单元504，具体用于：

对所述神经网络模型进行γ步训练，并计算训练后的所述神经网络模型的误差，所述误差为

$E_{\mathrm{\&gamma;}}^t=\frac{1}{2}\underset{i=1}{\overset{i=K}{\mathrm{\&Sigma;}}}{({\mathrm{DO}}_i-{\stackrel{\&OverBar;}{\mathrm{DO}}}_i)}^2$

其中，t为当前神经网络优化次数，DO_i表示将所述精选辅助变量的第i组样本数据作用到神经网络所产生的输出值，表示神经网络的期望输出，K表示采集到的样本数。

判断单元505，用于判断所述误差是否满足预先设置的条件；

可选地，所述判断单元505，具体用于：

判断是否满足预先设置的目标值。

测量单元506，用于当所述误差满足预先设置的条件时，则采集现场数据，利用所述神经网络模型对溶解氧浓度进行测量。

当满足预先设置的目标值时，则所述神经网络模型建立成功。

例如，建立7-6-1结构的前馈神经网络，输入层为精选出的七个辅助变量流量(Q)、悬浮物浓度(SS)、氮浓度(N)、磷浓度(P)、氨氮浓度(NH₃-N)、硝态氮浓度(NO₃-N)、碳浓度(TOC)，输出层为溶解氧浓度，如图3所示；

对神经网络的连接权值，即种群X，利用随机函数进行初始化，同时，设置当前神经网络优化次数t=1；

将样本数据代入神经网络模型，进行γ=300步训练，并计算训练结束时的误差

判断误差是否满足预先设定的目标值0.01，若满足，则神经网络训练结束。

作为一种可选的实施例，参考图6，图6是本发明实施例提供的一种策略溶解氧浓度的装置结构图。如图6所示，所述装置包括：

第一确定单元601，用于对污水生化反应过程的机理进行分析，确定初步的辅助变量；

第二确定单元602，用于采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；

建立单元603，用于根据所述辅助变量建立神经网络模型；

计算单元604，用于对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；

判断单元605，用于判断所述误差是否满足预先设置的条件；

第一计算子单元606，用于当判断时，则计算适应度和选择概率；

处理单元607，用于根据所述适应度和所述选择概率对抗体种群中的每个抗体进行克隆、变异、抑制；

计算单元604，用于对所述抗体种群中的每个抗体进行克隆、变异、抑制后，继续执行步骤对所述神经网络继续γ步训练，并计算训练后的神经网络模型的误差。

抗体种群为X={B_i}(i=1,…,n),n为隐含层神经元总数，所述抗体为其中，w_ij输入层第j个神经元与隐含层第i个神经元之间的连接权值，m为输入层神经元总数，v_i为隐含层第i个神经元与输出层之间的连接权值，抗体的适应度为

所述抗体的适应度在种群X上的矢量距为 $\begin{array}{c}f\left(B_i\right)=\frac{1}{1+\exp \left(B_i\right)}\\ \mathrm{\&rho;}\left(B_i\right)=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}|f\left(B_i\right)-f\left(B_j\right)|\end{array}$

抗体的选择概率为 $P\left(B_i\right)=\frac{\mathrm{\&rho;}\left(B_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\mathrm{\&rho;}\left(B_i\right)}$

具体的，对种群X中的每个抗体进行克隆，如将抗体B_i(i=1,…,n)克隆为子群克隆数量为：

其中，为种群的克隆规模，为取整符号，克隆后的种群记为 $X_c=(X,X_1^c,...,X_n^c).$

当 $0.8E_{\mathrm{\&gamma;}}^{t-1}\&le;E_{\mathrm{\&gamma;}}^t<E_{\mathrm{\&gamma;}}^{t-1}$ 时，M_c=3n；当 $0.5E_{\mathrm{\&gamma;}}^{t-1}<E_{\mathrm{\&gamma;}}^t<0.8E_{\mathrm{\&gamma;}}^{t-1}$ 时，M_c=2n；当 $E_{\mathrm{\&gamma;}}^t\&le;0.5E_{\mathrm{\&gamma;}}^{t-1}$ 时，M_c=n。

克隆后的抗体要进行高频变异，变异方法为：

其中，为变异步长，E(0,1)为柯西变异算子；

，n_c为B_i所在克隆子群中的克隆抗体数量，X_c变异后记为IX=(X,IX₁,…,IX_n)。

变异后的抗体间可能还是存在很大的相似性，为保证群体的多样性，还要对相似程度较高的抗体进行抑制处理：首先计算IX中抗体间的相似度

$H_{B_i,B_j}=1-\frac{\left|\right|B_i-B_j\left|\right|}{\underset{B_i\&Element;\mathrm{IX},B_j\&Element;\mathrm{IX}}{\max }\left|\right|B_i-B_j\left|\right|};$

其中，||B_i-B_j||为向量B_i与B_j的范数，再计算相似度的阀值

若 则清除选择概率较低的抗体B_j，并修改抗体B_i：v_i′=v_i+v_j，经过抑制后的种群重新记为X，并继续执行步骤对所述神经网络继续γ步训练。

例如，当判断误差满足预先设定的目标值0.01时，对污水反应过程的现场进出水数据进行精选辅助变量值的采集，并将采集值代入所建神经网络，进行溶解氧浓度的预测。

可选地，若其中根据定义对神经网络进行克隆、变异及抑制处理，并设置t=t+1，跳转执行步骤对所述神经网络继续γ步训练。

作为另一种可选的实施例，参考图7，图7是本发明实施例提供的一种策略溶解氧浓度的装置结构图。如图7所示，所述装置还包括：

第一确定单元701，用于对污水生化反应过程的机理进行分析，确定初步的辅助变量；

第二确定单元702，用于采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；

建立单元703，用于根据所述辅助变量建立神经网络模型；

计算单元704，用于对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；

判断单元705，用于判断所述误差是否满足预先设置的条件；

建立单元703，用于当判断则执行步骤根据所述辅助变量建立神经网络模型。

参考图4，图4是本发明实施例提供的一种测量溶解氧浓度的方法流程图。如图4所示，所述方法包括以下步骤：

步骤401，对污水处理过程机理进行分析，初步确定辅助变量；

步骤402，采集样本数据；

步骤403，利用粗糙集方法再次进行分析，精选出辅助变量；

步骤404，建立神经网络模型，并对权值进行初始化；

步骤405，对神经网络进行γ步训练；

步骤406，判断满足预先设置的目标值；

步骤407，若判断满足预先设置的目标值时，采集现场数据；

步骤408，利用所建模型进行溶解氧浓度预测；

步骤409，若判断不满足预先设置的目标值时，继续判断

步骤410，当判断时，则计算适应度和选择概率；当判断时，则返回执行步骤404；

步骤411，克隆、变异、抑制后，执行步骤405。

本发明提供一种测量溶解氧浓度的装置，所述装置通过对污水生化反应过程的机理进行分析，确定初步的辅助变量；采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；判断所述误差是否满足预先设置的条件；当所述误差满足预先设置的条件时，则采集现场数据，利用所述神经网络模型对溶解氧浓度进行测量，

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (6)

1.一种测量溶解氧浓度的方法，其特征在于，所述方法包括：

对污水生化反应过程的机理进行分析，确定初步的辅助变量；

采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；

根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；

判断所述误差是否满足预先设置的条件；

当所述误差满足预先设置的条件时，则采集现场数据，利用所述神经网络模型对溶解氧浓度进行测量；

所述根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差，包括：

建立一个神经网络模型，所述神经网络模型包括输入层、隐含层、输出层，所述输入层为辅助变量，所述输出层为污水生化反应过程中的溶解氧浓度，所述隐含层为免疫算法抗体；

利用随机函数对神经网络的连接权值进行初始化；

对所述神经网络模型进行γ步训练，并计算训练后的所述神经网络模型的误差，所述误差为

$E_{\mathrm{\&gamma;}}^t=\frac{1}{2}\underset{i=1}{\overset{i=K}{\&Sigma;}}{({\mathrm{DO}}_i-{\stackrel{\&OverBar;}{DO}}_i)}^2$

其中，t为当前神经网络优化次数，DO_i表示将所述辅助变量的第i组样本数据作用到神经网络所产生的输出值，表示神经网络的期望输出，K表示采集到的样本数；

所述方法还包括：

当判断时，则计算适应度和选择概率；

根据所述适应度和所述选择概率对抗体种群中的每个抗体进行克隆、变异、抑制；

对所述抗体种群中的每个抗体进行克隆、变异、抑制后，继续执行步骤对所述神经网络的γ步训练；

抗体种群为X＝{B_i}(i＝1,…,n),n为隐含层神经元总数，所述抗体为其中，w_ij输入层第j个神经元与隐含层第i个神经元之间的连接权值，m为输入层神经元总数，v_i为隐含层第i个神经元与输出层之间的连接权值，抗体的适应度为

$f\left(B_i\right)=\frac{1}{1+\exp \left(B_i\right)}$

所述抗体的适应度在种群X上的矢量距为

$\mathrm{\&rho;}\left(B_i\right)=\underset{j=1}{\overset{n}{\&Sigma;}}|f\left(B_i\right)-f\left(B_j\right)|$

抗体的选择概率为

$P\left(B_i\right)=\frac{\mathrm{\&rho;}\left(B_i\right)}{\underset{i=1}{\overset{n}{\&Sigma;}}\mathrm{\&rho;}\left(B_i\right)}.$

2.根据权利要求1所述的方法，其特征在于，所述判断所述误差是否满足预先设置的条件，包括：

判断是否满足预先设置的目标值。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

当判断则执行步骤根据所述辅助变量建立神经网络模型。

4.一种测量溶解氧浓度的装置，其特征在于，所述装置包括：

第一确定单元，用于对污水生化反应过程的机理进行分析，确定初步的辅助变量；

第二确定单元，用于采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；

建立单元，用于根据所述辅助变量建立神经网络模型，所述神经网络模型包括输入层、隐含层、输出层，所述输入层为辅助变量，所述输出层为污水生化反应过程中的溶解氧浓度，所述隐含层为免疫算法抗体，利用随机函数对神经网络的连接权值进行初始化；

计算单元，用于对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差，对所述神经网络模型进行γ步训练，并计算训练后的所述神经网络模型的误差，所述误差为：

$E_{\mathrm{\&gamma;}}^t=\frac{1}{2}\underset{i=1}{\overset{i=K}{\&Sigma;}}{({\mathrm{DO}}_i-{\stackrel{\&OverBar;}{DO}}_i)}^2$

其中，t为当前神经网络优化次数，DO_i表示将所述辅助变量的第i组样本数据作用到神经网络所产生的输出值，表示神经网络的期望输出，K表示采集到的样本数；

判断单元，用于判断所述误差是否满足预先设置的条件；

测量单元，用于当所述误差满足预先设置的条件时，则采集现场数据，利用所述神经网络模型对溶解氧浓度进行测量；

第一计算子单元，用于当判断时，则计算适应度和选择概率；

处理单元，用于根据所述适应度和所述选择概率对抗体种群中的每个抗体进行克隆、变异、抑制；

所述计算单元还用于对所述抗体种群中的每个抗体进行克隆、变异、抑制后，继续执行步骤对所述神经网络的γ步训练，并计算训练后的神经网络模型的误差；

抗体种群为X＝{B_i}(i＝1,…,n),n为隐含层神经元总数，所述抗体为其中，w_ij输入层第j个神经元与隐含层第i个神经元之间的连接权值，m为输入层神经元总数，v_i为隐含层第i个神经元与输出层之间的连接权值，抗体的适应度为

$f\left(B_i\right)=\frac{1}{1+\exp \left(B_i\right)}$

所述抗体的适应度在种群X上的矢量距为

$\mathrm{\&rho;}\left(B_i\right)=\underset{j=1}{\overset{n}{\&Sigma;}}|f\left(B_i\right)-f\left(B_j\right)|$

抗体的选择概率为

$P\left(B_i\right)=\frac{\mathrm{\&rho;}\left(B_i\right)}{\underset{i=1}{\overset{n}{\&Sigma;}}\mathrm{\&rho;}\left(B_i\right)}.$

5.根据权利要求4所述的装置，其特征在于，所述判断单元，具体用于：判断是否满足预先设置的目标值。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

建立单元，用于当判断则执行步骤根据所述辅助变量建立神经网络模型。