CN104360035B - 一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法 - Google Patents

Abstract

针对当前污水处理过程出水总磷TP测量过程繁琐、仪器设备造价高、测量结果可靠性和精确性低等问题，本发明设计了一种基于自组织粒子群-径向基神经网络的污水处理过程出水总磷TP软测量方法，并利用实时数据对出水总磷TP软测量方法进行校正，实现了对污水处理过程出水总磷TP的预测，解决了出水总磷TP难以测量的问题；结果表明该出水总磷TP软测量方法能够快速、准确地预测污水处理出水总磷TP的浓度，有利于加强城市污水处理厂精细化管理和提升实时水质质量监控水平。

Description

一种基于自组织粒子群-径向基神经网络的污水总磷TP软测量方法

技术领域

本发明基于污水处理生化反应特性，利用一种自组织粒子群-径向基神经网络设计了污水处理过程出水总磷TP的软测量方法，同时根据污水处理过程的实时采集的数据实现出水总磷TP软测量方法的在线校正，实现了出水总磷TP浓度的实时测量；是先进制造技术领域的重要分支，既属于控制领域，又属于水处理领域。

背景技术

磷是引起水体富营养化、导致藻类大量繁殖的主要因子，是水环境污染和水体富营养化问题的主要因素，控制水体富营养化的一项重要举措就是将富含磷的污水进行处理，并且严格限制污水处理出水中总磷TP的排放；总磷TP智能检测技术有利于加强城市污水处理厂精细化管理和提升实时水质质量监控水平，缓解我国当前水污染严重和水体富营养化的现状，不但具有较好的经济效益，而且具有显著的环境和社会效益。因此，本发明的研究成果具有广阔的应用前景。

出水总磷TP浓度是城市污水处理厂出水排放标准中的核心指标，出水总磷TP排放不达标会直接导致受纳水体富营养化，保证出水总磷TP浓度实时达到排放至关重要。目前测量出水总磷TP的方法主要有分光光度法、气相色谱法、液相色谱法、电极法、机理方法等。而分光光度法对总磷含量进行测量操作步骤繁琐，试剂需现用现配，需绘制校准曲线，工作量大，而且水样中浊度将直接影响测量的吸光度值，干扰因素较多，需做补偿校正。气相色谱法、液相色谱法和电极法等方法虽然避免了分光光度法出水总磷TP检测的测量周期长、手工操作复杂、且容易产生偶然误差的缺点，但是，气相色谱法、液相色谱法和电极法等方法需要选择合适的磷酸根离子选择性电极或色谱与磷酸盐发生作用。污水处理总磷的机理方法可以为污水处理厂的工艺设计提供依据，但是，由于污水处理过程中进水流量、进水成份、污染物浓度、天气变化等参量都是随时间变化，同时城市污水处理过程的负荷波动非常大，污水处理过程经常工作在非平稳状态，机理方法的误差较大，精度较低，很难满足实时检测的需求。整体看来，以上总磷检测仪器都需要一定的测量时间，无法实现总磷的实时检测，并且设备需要进口、试剂更换频繁、设备维护成本高。而基于机理方法的仪器虽然能够实现总磷的实时预测，但是误差较大，精度较低，尚未在污水处理厂推广应用。因此，现有的总磷检测技术和仪器很难满足污水处理厂实时检测的需求，必须寻求新的检测方法。

本发明设计了一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法，主要通过软测量的方法实现出水总磷TP的在线检测。

发明内容

本发明获得了一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法，通过设计出水总磷TP的软测量方法，根据污水处理过程的实时采集的数据实现出水总磷TP软测量方法的在线校正，实现了出水总磷TP的实时测量，解决了污水处理过程出水总磷TP难以实时测量的问题，提高了城市污水处理厂精细化管理和水质质量实时监控的水平，保障污水处理过程正常运行；

本发明采用了如下的技术方案及实现步骤：

一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法，其特征在于，包括以下步骤：

(1)确定软测量方法的辅助变量：采集污水处理厂实际水质参数数据，选取与出水总磷TP相关性强的水质变量：进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS以及出水pH作为出水总磷TP测量的辅助变量；

(2)设计用于出水总磷TP的自组织粒子群-径向基神经网络拓扑结构，自组织粒子群-径向基神经网络分为三层：输入层、隐含层、输出层；初始化自组织粒子群-径向基神经网络：确定神经网络6-K-1的连接方式，即输入层神经元为6个，隐含层神经元为K个，K为正整数，输出层神经元为1个；对神经网络的参数进行赋值；设共有T个训练样本，第t时刻神经网络输入为x(t)＝[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)，x₆(t)]，神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；自组织粒子群-径向基神经网络的计算功能是：

$y\left(t\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{w}_k\left(t\right){\mathrm{\φ}}_k\left(x\left(t\right)\right);---\left(1\right)$

w_k(t)表示隐含层第k个神经元和输出层的连接权值，k＝1，2，…，K；φ_k(x(t))是隐含层第k个神经元的输出，其计算公式为：

${\mathrm{\φ}}_k\left(x\left(t\right)\right)=e^{(-||x\left(t\right)-{\mathrm{\μ}}_k\left(t\right){\left|\right|}^2/2{\mathrm{\σ}}_k^2\left(t\right))};---\left(2\right)$

μ_k表示隐含层第k个神经元中心值，σ_k表示隐含层第k个神经元的中心宽度；

(3)训练神经网络，具体为：

①初始化粒子群加速常数c₁和c₂，c₁∈(0,1)，c₂∈(0,1)；设定粒子群平衡权值α∈[0,1]，将径向基神经网络的参数表示为粒子群中的粒子：

$a_i=[{\mathrm{\μ}}_{i,1},{\mathrm{\σ}}_{i,1},w_{i,1},{\mathrm{\μ}}_{i,2},{\mathrm{\σ}}_{i,2},w_{i,2}...{\mathrm{\μ}}_{i,K_i},{\mathrm{\σ}}_{i,K_i},w_{i,K_i}];---\left(3\right)$

其中，a_i表示第i个粒子的位置，i＝1，2，…，s；s表示粒子总个数，s为正整数，μ_i,k，σ_i,k和w_i,k分别表示第i个粒子中第k个隐含层神经元的中心值，中心宽度和连接权值；K_i表示第i个粒子表示的径向基神经网络隐含层神经元数；μ_i,k，σ_i,k和w_i,k的初始值取(0,1)的任意数，K_i的初始值为任意正整数；同时，初始化粒子的速度：

$v_i=[v_{i,1},v_{i,2},...v_{i,D_i}];---\left(4\right)$

其中，v_i表示第i个粒子的速度，D_i表示第i个粒子的维数，D_i＝3K_i；

②对于神经网络的输入x(t)，确定每个粒子的维数D_i(t)＝3K_i(t)，计算每个粒子的适应度值：

f(a_i(t))＝E_i(t)+αK_i(t)；(5)

其中，E_i(t)为

$E_i\left(t\right)=\sqrt{\frac{1}{2T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{(y\left(t\right)-y_d\left(t\right))}^2};---\left(6\right)$

i＝1，2，…，s；T表示神经网络输入的训练样本数；

③计算每个粒子的惯性权重：

ω_i(t)＝γ(t)A_i(t)；(7)

其中，

γ(t)＝(C-S(t)/1000)^-t；

S(t)＝f_min(a(t))/f_max(a(t))；

A_i(t)＝f(g(t))/f(a_i(t))；(8)

C是常量，C∈[1,5]，最小适应度值f_min(a(t))，最大适应度值f_max(a(t))，粒子全局最优位置g(t)分别表示为：

$\left\{\begin{array}{c}{f}_{\min }\left(a\left(t\right)\right)=\mathrm{Min}\left(f\left(a_i\left(t\right)\right)\right)\\ f_{\max }\left(a\left(t\right)\right)=\mathrm{Max}\left(f\left(a_i\left(t\right)\right)\right)\end{array}\right.$

$g\left(t\right)=\underset{p_i}{\arg \min }\left(f\left(p_i\left(t\right)\right)\right),1\≤i\≤s;---\left(9\right)$

其中，粒子的最好先前位置p_i(t)表示为：

④更新每个粒子的位置和速度：

v_i(t+1)＝ω_i(t)v_i(t)+c₁r₁(p_i(t)-a_i(t))+c₂r₂(g(t)-a_i(t))；

a_i(t)＝a_i(t-1)+v_i(t)；(11)

其中，r₁和r₂分别表示最好先前位置系数和全局最优位置系数，r₁和r₂取[0,1]的任意数；

⑤根据全局最优位置g(t)找出最佳神经网络结构，此时的最佳神经网络隐含层神经元数为K_best，更新每个粒子对应的神经网络隐含层神经元数：

⑥输入训练样本数据x(t+1)，重复步骤②-⑤，所有训练样本训练结束后停止计算；

(4)将测试样本数据作为训练后的自组织粒子群-径向基神经网络的输入，自组织粒子群-径向基神经网络的输出即为出水总磷TP的预测值。

本发明的创造性主要体现在：

(1)本发明针对当前污水处理厂测量出水总磷TP的过程繁琐，仪器设备使用造价高，测量结果可靠性和精确性低等问题，本发明提出了一种污水处理过程出水总磷TP软测量方法，根据实际污水处理厂工作报表提取了与出水总磷TP相关的6个相关变量：进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS以及出水pH，实现了出水总磷TP的预测，解决了出水总磷TP难以实时测量的问题。

(2)本发明根据当前污水处理过程是一个复杂的、动态时变的过程，出水总磷与相关变量间的关系不仅具有非线性、强耦合等特点，而且难以用精确数学方法描述，因此采用了自组织粒子群-径向基神经网络建立了出水总磷TP的软测量方法，实现了对出水总磷TP浓度的预测，具有预测精度高，对环境差异具有很好的适应能力等特点；

特别要注意：本发明采用与出水总磷TP相关的6个相关变量，基于自组织粒子群-径向基神经网络设计其软测量方法，只要采用了本发明的相关变量和方法进行出水总磷TP预测都应该属于本发明的范围。

附图说明

图1是本发明的出水总磷TP软测量方法结构图；

图2是本发明的出水总磷TP软测量方法训练结果图；

图3是本发明的出水总磷TP软测量方法训练误差图；

图4是本发明的出水总磷TP软测量方法预测结果图；

图5是本发明的出水总磷TP软测量方法预测误差图；

表1-16是本发明实验数据，表1-7为训练样本：进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH和实测出水总磷TP，表8为训练过程中自组织粒子群-径向基神经网络的输出，表9-15为测试样本：进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH和实测出水总磷TP，表16为本发明进水总磷TP预测值。

具体实施方式

本发明获得了一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法，通过设计出水总磷TP的软测量方法，根据污水处理过程的实时采集的数据实现出水总磷TP软测量方法的在线校正，实现了出水总磷TP的实时测量，解决了污水处理过程出水总磷TP难以实时测量的问题，提高了城市污水处理厂精细化管理和水质质量实时监控的水平，保障污水处理过程正常运行；

实验数据来自某污水处理厂2014年全年水质分析日报表；分别取进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS、出水pH和出水总磷TP的实际检测数据为实验样本数据，剔除异常实验样本后剩余245组可用数据，将全部的245组数据样本分为两部分：其中165组数据作为训练样本，其余80组数据作为测试样本；

本发明采用了如下的技术方案及实现步骤：

1.一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法，其特征在于，包括以下步骤：

(1)确定软测量方法的辅助变量：采集污水处理厂实际水质参数数据，选取与出水总磷TP相关性强的水质变量：进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS以及出水pH作为出水总磷TP测量的辅助变量；

(2)设计用于出水总磷TP的自组织粒子群-径向基神经网络拓扑结构，自组织粒子群-径向基神经网络分为三层：输入层、隐含层、输出层；初始化自组织粒子群-径向基神经网络：确定神经网络6-3-1的连接方式，即输入层神经元为6个，输出层神经元为1个，如图1；对神经网络的参数进行赋值；设共有T个训练样本，第t时刻神经网络输入为x(t)＝[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)，x₆(t)]，神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；自组织粒子群-径向基神经网络的计算功能是：

$y\left(t\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{w}_k\left(t\right){\mathrm{\φ}}_k\left(x\left(t\right)\right);---\left(13\right)$

w_k(t)表示隐含层第k个神经元和输出层的连接权值，k＝1，2，3；φ_k(x(t))是隐含层第k个神经元的输出，其计算公式为：

${\mathrm{\φ}}_k\left(x\left(t\right)\right)=e^{(-||x\left(t\right)-{\mathrm{\μ}}_k\left(t\right){\left|\right|}^2/2{\mathrm{\σ}}_k^2\left(t\right))};---\left(14\right)$

μ_k表示隐含层第k个神经元中心值，σ_k表示隐含层第k个神经元的中心宽度；

(3)训练神经网络，具体为：

①初始化粒子群加速常数c₁和c₂，c₁＝0.4，c₂＝0.6；设定粒子群平衡权值α＝0.1，将径向基神经网络的参数表示为粒子群中的粒子：

$a_i=[{\mathrm{\μ}}_{i,1},{\mathrm{\σ}}_{i,1},w_{i,1},{\mathrm{\μ}}_{i,2},{\mathrm{\σ}}_{i,2},w_{i,2}...{\mathrm{\μ}}_{i,K_i},{\mathrm{\σ}}_{i,K_i},w_{i,K_i}];---\left(15\right)$

其中，a_i表示第i个粒子的位置，i＝1，2，…，s；s＝3，μ_i,k，σ_i,k和w_i,k表示第i个粒子中第k个隐含层神经元的中心值，中心宽度和连接权值；K_i表示第i个粒子表示的径向基神经网络隐含层神经元数；μ_i,k，σ_i,k和w_i,k的初始值可以取(0,1)的任意数，K₁＝2，K₂＝3，K₃＝4；同时，初始化粒子的速度：

$v_i=[v_{i,1},v_{i,2},...v_{i,D_i}];---\left(16\right)$

其中，v_i表示第i个粒子的速度，D_i表示第i个粒子的维数，D_i＝3K_i；

②对于神经网络的输入x(t)，确定每个粒子的维数D_i(t)＝3K_i(t)，计算每个粒子的适应度值：

f(a_i(t))＝E_i(t)+αK_i(t)；(17)

其中，E_i(t)为

$E_i\left(t\right)=\sqrt{\frac{1}{2T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{(y\left(t\right)-y_d\left(t\right))}^2};---\left(18\right)$

i＝1，2，…，s；T表示神经网络输入的训练样本数；

③计算每个粒子的惯性权重：

ω_i(t)＝γ(t)A_i(t)；(19)

其中，

γ(t)＝(C-S(t)/1000)^-t；

S(t)＝f_min(a(t))/f_max(a(t))；

A_i(t)＝f(g(t))/f(a_i(t))；(20)

C是常量，C＝2，最小适应度值f_min(a(t))，最大适应度值f_max(a(t))，粒子全局最优位置g(t)分别表示为：

$\left\{\begin{array}{c}{f}_{\min }\left(a\left(t\right)\right)=\mathrm{Min}\left(f\left(a_i\left(t\right)\right)\right)\\ f_{\max }\left(a\left(t\right)\right)=\mathrm{Max}\left(f\left(a_i\left(t\right)\right)\right)\end{array}\right.$

$g\left(t\right)=\underset{p_i}{\arg \min }\left(f\left(p_i\left(t\right)\right)\right),1\≤i\≤s;---\left(21\right)$

其中，粒子的最好先前位置p_i(t)表示为：

④更新每个粒子的位置和速度：

v_i(t)＝ω_i(t)v_i(t-1)+c₁r₁(p_i(t)-a_i(t))+c₂r₂(g(t)-a_i(t))；

a_i(t)＝a_i(t-1)+v_i(t)；(23)

其中，r₁和r₂分别表示最好先前位置系数和全局最优位置系数，r₁＝0.75，和r₂＝0.90；

⑤根据全局最优位置g(t)找出最佳神经网络结构，此时的最佳神经网络隐含层神经元数为K_best，更新每个粒子对应的神经网络隐含层神经元数：

⑥输入训练样本数据x(t+1)，重复步骤②-⑤，所有训练样本训练结束后停止计算；

出水总磷TP软测量方法训练结果如图2所示，X轴：样本数，单位是个/样本，Y轴：出水总磷TP浓度，单位是毫克/升，实线为总磷TP浓度实际输出值，虚线是总磷TP浓度训练输出值；总磷TP浓度实际输出与训练输出的误差如图3，X轴：样本数，单位是个/样本，Y轴：出水总磷TP浓度训练误差，单位是毫克/升；

(4)将测试样本数据作为训练后的自组织粒子群-径向基神经网络的输入，自组织粒子群-径向基神经网络的输出即为出水总磷TP的预测值；预测结果如图4所示，X轴：样本数，单位是个/样本，Y轴：出水总磷TP浓度，单位是毫克/升，实线为总磷TP浓度实际输出值，虚线是总磷TP浓度预测输出值；总磷TP浓度实际输出与预测输出的误差如图5，X轴：样本数，单位是个/样本，Y轴：出水总磷TP浓度预测误差，单位是毫克/升；结果表明基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法的有效性。

表1.辅助变量进水总磷TP(mg/L)

3.9021	3.8943	4.3182	4.2219	4.6025	4.3496	4.5057	4.5057	4.5057	4.5057
										3.8848	3.8155	3.9287	4.0154	4.1802	4.1465	4.1465	4.1465	4.1465	4.1465
4.1465	4.1465	4.2845	3.8326	3.7941	4.4504	4.3140	4.4706	4.2410	4.5929
										4.4944	3.8420	3.8664	4.0551	4.2081	4.1305	4.2712	3.5370	2.8337	4.1774
3.7040	3.6206	4.1277	4.0534	4.3345	4.1899	4.3530	4.2267	4.1365	4.0805
										4.0221	3.9322	3.8749	4.0820	4.0727	4.1665	4.2180	4.1436	4.3808	4.4049
4.2351	4.2345	4.1325	3.9768	3.9608	3.7857	3.8670	3.8294	3.9176	4.0762
										4.0099	4.1032	4.0226	4.0941	4.1105	4.1284	4.0332	4.0053	3.9005	3.8975
3.7953	3.8648	3.8835	3.9725	4.2412	4.4562	4.2018	4.1647	4.5131	4.1541
										4.0418	4.0789	3.9439	3.7140	3.9232	4.0274	3.9716	4.0438	4.2394	4.2394
4.2394	4.2394	4.2394	4.2394	4.2394	4.2394	4.2394	4.2392	4.2392	4.2392
										4.2392	4.2392	4.2392	4.2392	3.6244	4.2873	4.0612	3.9821	4.0342	4.0920
4.0371	4.0575	4.1273	4.1907	4.2153	4.2907	4.1859	4.1446	4.0744	4.3648
										3.8792	3.7862	3.8169	3.7380	3.8215	4.0155	4.0076	3.9549	4.0678	4.0160
3.9320	4.0386	3.9331	3.8880	3.7802	3.6751	3.6112	3.6098	3.6671	3.6269
										3.7581	3.8980	4.0578	3.9783	3.9331	3.9794	4.0795	4.1422	4.7669	4.3334
4.4615	4.1052	4.0354	4.0672	4.2935

表2.辅助变量温度(℃)

27.2087	27.2933	27.3170	27.3022	27.2354	27.1584	27.0976	26.9526	26.8788	26.6723
										26.8153	26.9290	27.1494	27.2028	27.2147	27.1909	27.1732	27.1331	27.1094	27.0000
26.9556	26.8655	26.8153	26.7652	26.8138	26.5134	26.3578	26.1585	26.0751	26.0444
										26.0429	25.9539	26.0210	26.0064	25.9363	25.9086	25.8211	25.6522	25.5824	25.3617
24.9826	24.9667	24.7476	25.0649	25.2646	25.0490	24.9292	24.8931	24.8657	24.8729
										24.9177	24.9566	24.9725	24.9595	24.9307	24.9047	24.8859	24.8686	24.8225	24.7908
24.7231	24.7015	24.6439	24.6353	24.6655	24.9018	24.9768	25.1488	25.1560	25.1589
										25.1488	25.1097	25.0852	25.0331	24.9840	24.9119	24.8614	24.7649	24.7130	24.5476
24.4801	24.4600	24.4384	24.4198	24.3337	24.2878	24.2191	24.1833	24.0703	24.0088
										23.8717	23.8018	23.6935	23.7533	23.9902	24.1218	24.2721	24.2950	24.3194	24.3022
24.2620	24.2291	24.1546	24.0245	23.8745	23.7790	23.7006	24.1907	24.1592	23.9890
										23.9090	23.7450	23.6837	23.6367	23.6253	23.6295	23.6239	23.6310	23.6253	23.6082
23.5968	23.5470	23.5114	23.4318	23.3835	23.2770	23.2146	23.0870	23.0403	22.9625
										22.9851	23.0559	23.0743	23.1877	23.2032	23.1834	23.1707	23.1409	23.0956	23.0630
23.0134	22.9115	22.8593	22.7420	22.7448	22.8084	22.9144	23.1381	23.2841	23.5598
										23.6338	23.6751	23.7307	23.7535	23.7378	23.6295	23.5570	23.4958	23.4048	23.4006
23.4048	23.4190	23.8191	23.8477	23.8905

表3辅助变量厌氧末端氧化还原电位ORP

-540.2970	-546.8350	-554.3970	-556.1280	-553.4360	-551.0650	-549.9110	-554.5260	-556.3200	-561.1910
										-555.0380	-548.5010	-550.9370	-563.9470	-564.7160	-565.5500	-565.2290	-565.1010	-563.7550	-564.7160
-564.7800	-565.6140	-565.6140	-564.6520	-563.8830	-566.1260	-565.5500	-565.2290	-564.8440	-470.6930
										-480.6910	-414.3560	-539.2080	-555.3590	-557.9870	-558.8200	-558.9480	-526.9660	-470.4370	-567.4720
-565.1650	-563.8190	-578.6880	-581.2520	-581.2520	-582.1490	-581.8290	-581.7650	-581.7650	-581.2520
										-580.9960	-580.4830	-579.8420	-579.7140	-579.7780	-580.4190	-580.7390	-580.5470	-580.7390	-580.4830
-580.0980	-580.0340	-579.0730	-578.6240	-578.2400	-578.3040	-576.9580	-577.4070	-577.9830	-578.2400
										-578.1760	-577.8550	-577.7270	-577.4710	-577.2780	-577.0860	-576.8940	-576.8940	-577.4070	-575.0350
-572.9840	-573.7530	-574.9070	-574.7790	-575.0990	-575.2270	-573.8170	-572.2150	-572.6640	-573.0480
										-572.4070	-572.0230	-571.4460	-573.9460	-573.8170	-573.9460	-574.2660	-574.9070	-575.7400	-575.7400
-575.0990	-575.0350	-574.5860	-574.1380	-573.9460	-573.6890	-573.3050	-575.0350	-574.8430	-574.1380
										-574.0100	-573.6890	-573.7530	-572.0230	-570.9970	-570.1000	-569.9720	-570.7410	-571.7020	-572.1510
-572.1510	-572.6640	-573.2410	-573.3690	-573.1760	-573.1120	-573.0480	-573.0480	-573.1120	-573.1760
										-574.5860	-578.3680	-578.7530	-577.2780	-573.2410	-570.4210	-570.9330	-572.0870	-572.1510	-570.2920
-570.0360	-568.7540	-567.0240	-568.4340	-569.0100	-568.8820	-568.9460	-569.2670	-569.4590	-569.5230
										-570.1000	-571.5100	-572.4070	-572.8560	-572.1510	-570.6770	-570.3560	-569.9720	-569.6510	-569.5870
-569.7150	-570.1640	-570.8690	-570.9330	-571.5740

表4.辅助变量好氧前段溶解氧DO(mg/L)

0.0518	0.0394	0.0379	0.0356	0.0370	0.0361	0.0467	0.0417	0.0510	0.0382
										0.0411	0.0363	0.0472	0.0581	0.0514	0.0561	0.0673	0.0585	0.0507	0.0486
0.0484	0.0492	0.1343	0.0793	0.0561	0.0696	0.0427	0.0441	0.0480	0.0571
										0.0464	0.0425	0.0540	0.0711	0.0715	0.0535	0.0792	0.0603	0.0522	0.0375
0.0391	0.0382	0.0318	0.0339	0.0312	0.0831	0.0403	0.0353	0.0411	0.0355
										0.0501	0.0384	0.0371	0.0962	0.0497	0.0666	0.0398	0.0427	0.0663	0.0416
0.0640	0.0555	0.0796	0.0768	0.0615	0.0592	0.0946	0.0530	0.0769	0.0450
										0.0823	0.0397	0.0567	0.0390	0.0396	0.0716	0.0423	0.0637	0.0448	0.3747
0.3764	0.4340	0.4833	0.4329	0.4512	0.4455	0.5192	0.4821	0.4478	0.4694
										0.4844	0.5815	0.5309	0.9670	0.8274	0.7756	0.4701	0.4711	0.4316	0.4357
0.4621	0.4867	0.5287	0.5043	0.5440	0.5487	0.5110	0.4867	0.4889	0.5043
										0.5378	0.5487	0.5400	1.5057	1.0497	0.9117	0.9334	0.8063	0.4684	0.4649
0.4508	0.3812	0.3495	0.3594	0.3574	0.3821	0.3640	0.3554	0.3703	1.0503
										0.7617	0.5861	0.5539	0.4448	0.2693	0.2558	0.2740	0.3096	0.2734	0.2962
0.2997	0.3444	0.3165	0.2646	0.2404	0.3987	0.3624	0.3024	0.3268	0.2476
										0.2465	0.2079	0.2103	0.2380	0.2519	0.2651	0.2470	0.2557	0.2890	0.2659
0.9111	0.7375	0.2701	0.2665	0.2489

表5.辅助变量好氧末端总固体悬浮物TSS(mg/L)

2.8251	2.7176	2.7700	2.8094	2.7666	2.7748	2.7823	2.7998	2.8015	2.7686
										2.7556	2.7975	2.8011	2.8182	2.8985	2.8089	2.7813	2.8060	3.1727	2.9242
2.8536	2.8202	2.8179	2.9067	2.7963	2.8271	2.8168	2.8262	2.8678	2.8074
										2.8428	2.8260	2.8615	2.7277	2.7863	2.8132	2.7385	2.8738	2.8651	2.9005
2.9324	2.8942	2.8223	2.8512	2.7712	2.6251	2.5540	2.4976	2.6220	2.6049
										2.5314	2.5817	2.5765	2.5590	2.5611	2.5664	2.5177	2.4709	2.4971	2.4192
2.4831	2.5234	2.4654	2.4501	2.4564	2.4367	2.4777	2.4562	2.4776	2.4068
										2.4583	2.4031	2.4443	2.5130	2.4505	2.4376	2.3933	2.4439	2.4637	2.4573
2.4982	2.5214	2.4515	2.3733	2.4492	2.4602	2.4725	2.4949	2.4815	2.5655
										2.5286	2.4330	2.4429	2.4573	2.4820	2.6305	2.5025	2.4821	2.4912	2.4121
2.4265	2.4700	2.4481	2.4801	2.5045	2.4743	2.4331	2.4700	2.3919	2.4801
										2.4472	2.4743	2.4740	2.5777	2.4818	2.5754	2.5450	2.5624	2.5353	2.4304
2.3899	2.3654	2.4347	2.3155	2.3089	2.2740	2.3947	2.2430	2.3166	2.2692
										2.2754	2.3157	2.2768	2.1761	2.2200	2.1312	2.3333	2.4261	2.4155	2.3439
2.3083	2.3119	2.2717	2.2823	2.4388	2.4274	2.5251	2.4161	2.4789	2.3514
										2.3938	2.2736	2.3829	2.3818	2.4428	2.4255	2.3938	2.4187	2.5133	2.4147
2.5321	2.4440	2.3300	2.2835	2.4055

表6.辅助变量出水pH

7.9266	7.9298	7.9266	7.9176	7.8907	7.8718	7.8641	7.8520	7.8465	7.8448
										7.8536	7.8579	7.8643	7.8643	7.8655	7.8645	7.8623	7.8568	7.8581	7.8595
7.8619	7.8632	7.8690	7.8713	7.8801	7.9154	7.9079	7.9038	7.9029	7.9466
										7.9524	7.8931	7.9049	7.9176	7.9166	7.9110	7.8953	7.8901	7.8949	8.0150
8.0054	8.0039	7.9967	8.0228	7.9988	7.9917	7.9863	7.9852	7.9898	7.9908
										7.9962	7.9949	7.9981	8.0005	7.9996	8.0042	8.0112	8.0102	8.0000	7.9967
7.9946	7.9947	7.9856	7.9844	7.9933	7.9970	7.9909	8.0009	8.0056	8.0036
										8.0003	7.9993	8.0028	8.0065	8.0043	8.0035	8.0025	8.0028	8.0041	8.0044
8.0137	8.0184	8.0276	8.0242	8.0302	8.0337	8.0225	7.9939	8.0150	8.0210
										8.0272	8.0274	8.0278	8.0275	8.0334	8.0398	8.0430	8.0443	8.0403	8.0348
8.0261	8.0217	8.0151	8.0088	8.0128	8.0119	7.9982	8.0217	8.0184	8.0088
										8.0091	8.0119	8.0132	7.9865	7.9966	8.0214	8.0305	8.0523	8.0649	8.0616
8.0617	8.0597	8.0542	8.0328	8.0260	8.0137	8.0140	8.0108	8.0097	8.0142
										8.0106	8.0296	8.0339	8.0221	8.0095	8.0303	8.0385	8.0399	8.0412	8.0335
8.0279	8.0111	7.9768	8.0001	8.0139	8.0204	8.0164	8.0153	8.0182	8.0221
										8.0277	8.0347	8.0314	8.0202	8.0157	8.0092	8.0107	8.0097	8.0146	8.0159
8.0146	8.0166	8.0448	8.0585	8.0826

表7.实测出水总磷TP(mg/L)

2.1840	2.5480	2.7260	3.0020	2.8280	3.1680	2.6980	3.1300	3.3240	2.8240
										2.3180	2.6040	2.5300	2.7300	2.5420	2.6960	2.6480	2.6680	2.8320	2.9860
2.8300	2.7300	3.0540	2.7600	2.3800	2.7520	3.0320	3.0800	2.9740	2.8620
										2.9040	2.6060	2.4160	2.5280	2.7260	2.7100	2.7320	2.5980	2.8060	2.3240
1.8160	1.7320	1.5180	1.4300	1.4420	0.2620	0.2300	0.2380	0.2430	0.2240
										0.2040	0.1860	0.1860	0.1820	0.1960	0.1900	0.1820	0.1800	0.1780	0.1760
0.1760	0.1800	0.1920	0.2200	0.4940	0.6720	0.6720	0.1980	0.1700	0.1740
										0.1800	0.1700	0.1740	0.1780	0.1800	0.1820	0.1940	0.1940	0.1880	0.1880
0.1860	0.1840	0.1780	0.1620	0.1660	0.1760	0.1820	0.2560	0.2440	0.2420
										0.2340	0.2220	0.2180	0.1780	0.1660	0.1660	0.1520	0.1600	0.1500	0.1500
0.1460	0.1520	0.1500	0.1540	0.1520	0.1680	0.3660	0.1520	0.1520	0.1540
										0.1700	0.1680	0.1720	0.4540	0.5620	0.2900	0.2200	0.1960	0.1900	0.1720
0.1740	0.1740	0.1600	0.1660	0.1980	0.2100	0.1900	0.2160	0.2300	0.2140
										0.2520	0.2680	0.2760	0.2620	0.2800	0.2620	0.2600	0.2760	0.1840	0.1620
0.1520	0.1760	0.2800	0.2340	0.2180	0.1920	0.1800	0.1540	0.1720	0.1600
										0.1360	0.1520	0.1500	0.1480	0.1460	0.1600	0.1820	0.1940	0.1800	0.1860
0.1960	0.2040	0.1820	0.1740	0.1800

表8.自组织粒子群-径向基神经网络训练输出

2.5924	2.5774	2.7139	2.7420	2.9675	3.0239	3.0842	3.1230	3.1272	3.0868
										2.8836	2.8667	2.9053	2.9197	2.9894	2.9650	2.9599	2.9976	3.0031	2.9737
2.9440	2.9089	2.8114	2.7042	2.6578	2.5369	2.5271	2.5353	2.4798	2.4630
										2.4328	2.6281	2.4591	2.2709	2.3057	2.3456	2.4002	2.3915	2.1686	1.6237
1.5660	1.5352	1.0574	1.1513	1.1869	0.4959	0.4875	0.2764	0.4341	0.4046
										0.2318	0.4215	0.4584	0.2871	0.3424	0.2995	0.2495	0.1397	0.3020	0.3084
0.1314	0.1960	0.0802	0.0858	0.1052	0.3151	0.3704	0.4992	0.4119	0.3990
										0.3661	0.4018	0.3592	0.4316	0.3456	0.2509	0.2479	0.1714	0.1937	-0.0293
0.1276	0.1028	0.0249	-0.0646	0.0254	0.2454	0.0718	0.1151	0.3470	0.1318
										0.0875	0.1117	0.0899	0.5474	0.4004	0.5218	0.0957	0.0653	0.0755	-0.0135
-0.0145	0.0152	0.0313	0.0330	0.1000	0.0859	0.0574	0.0078	-0.0304	0.0303
										0.0398	0.0876	0.0816	0.9142	0.6993	0.6934	0.6150	0.5287	0.3245	0.2225
0.2019	0.1623	0.1238	0.0499	0.0627	0.1651	0.0441	0.1827	0.0997	0.7784
										0.3950	0.1172	0.1048	0.2090	0.2065	0.4447	0.1835	0.1413	0.1717	0.2090
0.2422	0.2963	0.5218	0.4374	0.4020	0.3907	0.4526	0.3484	0.2882	0.2850
										0.1551	0.1446	-0.0076	-0.0848	-0.0420	0.0092	0.0390	0.0860	0.8249	0.2451
0.7696	0.3708	0.1170	0.2570	0.5104

表9.辅助变量进水总磷TP(mg/L)

3.9522	4.1867	4.5942	4.5057	4.5057	4.0066	3.7529	4.1116	4.1465	4.1465
										4.1465	4.0993	4.2017	4.5199	4.1266	4.2198	3.4877	4.7860	3.9951	4.3522
4.4541	4.1859	4.2168	3.9868	3.9029	4.0702	4.1378	4.3289	4.3061	4.0605
										4.1268	3.9708	3.9485	4.0112	4.1164	4.3104	4.0388	3.8027	3.7678	4.0382
4.2339	4.2524	4.1057	3.9310	3.9415	3.8455	4.3598	4.2394	4.2394	4.2394
										4.2394	4.2392	4.2392	4.2392	4.2889	3.9926	4.1127	4.0208	4.1534	4.2663
4.2058	4.0359	3.8457	3.7628	3.9413	4.0122	3.9671	3.9380	3.9573	3.7158
										3.6388	3.6132	3.8164	3.9993	3.9670	4.0034	4.1387	4.1678	3.9797	4.2248

表10.辅助变量温度T(℃)

27.3334	27.2888	27.1983	27.0192	26.7961	26.7136	27.0384	27.2132	27.1539	27.0562
										26.9083	26.7740	26.6502	26.0400	25.9641	25.8663	25.6143	25.6740	25.0187	25.2400
25.2516	25.2849	24.9667	24.8960	24.9797	24.9436	24.9018	24.8513	24.7577	24.6598
										24.6368	24.8153	25.1604	25.1300	25.0664	24.9523	24.8095	24.5131	24.4355	24.3796
24.2463	24.1375	23.9473	23.7390	23.8631	24.2047	24.3165	24.2836	24.1933	23.9531
										23.7277	24.1163	23.8377	23.6623	23.6295	23.6253	23.6224	23.5769	23.4745	23.3310
23.1451	23.0007	23.0191	23.1409	23.1565	23.1551	23.1027	22.9738	22.8098	22.7504
										23.0191	23.4446	23.6680	23.7393	23.7193	23.6096	23.4489	23.3949	23.4915	23.8662

表11.辅助变量厌氧末端氧化还原电位ORP

-552.1540	-556.8970	-551.9620	-552.6030	-558.6280	-561.4480	-543.7580	-565.7420	-565.0370	-564.2680
										-565.2930	-564.3960	-565.9980	-489.0880	-558.1790	-558.8200	-487.6130	-568.9460	-565.5500	-580.4190
-581.5730	-581.7010	-582.0850	-581.1880	-580.0980	-579.7780	-580.6110	-580.7390	-580.1630	-579.8420
										-578.1120	-579.3930	-578.2400	-578.1760	-577.5990	-577.0860	-576.7020	-573.6890	-574.7150	-574.7790
-575.0350	-572.1510	-572.8560	-571.6380	-573.7530	-574.0100	-575.3560	-575.2920	-574.8430	-574.0100
										-573.7530	-574.5860	-573.9460	-573.3050	-570.4210	-570.0360	-572.0230	-572.2150	-573.4970	-572.9840
-572.9840	-573.3050	-577.3420	-578.5600	-570.6130	-571.5740	-570.9970	-569.9080	-567.6650	-569.0100
										-569.3310	-569.4590	-570.6130	-572.8560	-571.4460	-570.6130	-569.8440	-569.3950	-570.2920	-571.1900

表12.辅助变量好氧前段溶解氧DO(mg/L)

0.0383	0.0428	0.0361	0.0378	0.0395	0.0602	0.0706	0.0453	0.0743	0.0735
										0.0567	0.1172	0.0582	0.0398	0.0609	0.0811	0.0686	0.0398	0.0474	0.0317
0.0298	0.1265	0.0659	0.0971	0.0345	0.0355	0.0457	0.0488	0.0412	0.0545
										0.0765	0.0364	0.0406	0.0843	0.0464	0.0346	0.1481	0.4026	0.3942	0.4193
0.4073	0.4379	0.5426	0.5498	0.8550	0.4882	0.4207	0.4564	0.4889	0.5378
										0.5400	0.5287	0.5440	0.5110	0.8817	0.8742	0.4291	0.4537	0.3765	0.3696
0.3782	0.3274	0.7197	0.5351	0.2611	0.3343	0.3412	0.3301	0.2746	0.2365
										0.3272	0.2974	0.2066	0.1995	0.2546	0.2459	0.2654	0.2566	0.2232	0.2282

表13.辅助变量好氧末端总固体悬浮物TSS(mg/L)

2.8343	2.8151	2.7787	2.7807	2.7539	2.7827	2.8063	2.8055	2.9044	2.8029
										2.7963	2.8936	2.8786	2.8337	2.7973	2.7974	2.8266	2.8632	2.9151	2.7774
2.8432	2.7067	2.6005	2.6635	2.5869	2.5829	2.5363	2.5279	2.4897	2.4674
										2.4916	2.5265	2.5397	2.4082	2.4903	2.3932	2.4240	2.4906	2.5340	2.3839
2.4320	2.3993	2.5394	2.5140	2.4693	2.4245	2.4605	2.4649	2.3919	2.4472
										2.4740	2.4481	2.5045	2.4331	2.4866	2.5113	2.4309	2.3655	2.3883	2.2805
2.3078	2.2824	2.2668	2.2297	2.2105	2.4196	2.2935	2.3671	2.3100	2.3821
										2.4491	2.5777	2.4440	2.4318	2.4089	2.4784	2.4254	2.4256	2.3243	2.3120

表14.辅助变量出水pH

7.9298	7.9087	7.8818	7.8586	7.8445	7.8517	7.8622	7.8667	7.8590	7.8593
										7.8643	7.8702	7.9216	7.9536	7.9188	7.9032	7.8936	8.0238	8.0090	7.9940
8.0011	8.0101	7.9908	7.9930	7.9959	7.9983	8.0112	8.0045	7.9968	7.9936
										7.9866	8.0030	8.0069	7.9992	8.0040	8.0033	8.0015	8.0090	8.0264	8.0254
8.0373	8.0021	8.0281	8.0288	8.0305	8.0431	8.0480	8.0316	8.0184	8.0091
										8.0132	8.0151	8.0128	7.9982	8.0055	8.0419	8.0627	8.0595	8.0498	8.0158
8.0107	8.0120	8.0195	8.0314	8.0187	8.0398	8.0368	8.0281	7.9850	8.0196
										8.0101	8.0212	8.0334	8.0235	8.0123	8.0105	8.0145	8.0124	8.0209	8.0745

表15.实测出水总磷TP(mg/L)

2.2080	2.8100	2.9440	3.2380	3.4340	2.3920	2.2340	2.5820	2.7780	2.7180
										2.9820	2.9960	2.9660	2.6900	2.6280	2.8020	2.8760	2.7600	1.9180	1.5360
1.2100	0.2880	0.2480	0.2060	0.1880	0.1700	0.1920	0.1700	0.1820	0.1840
										0.2320	0.6300	0.1660	0.1760	0.1740	0.1920	0.1780	0.1940	0.1760	0.1620
0.1580	0.2400	0.2280	0.2240	0.1640	0.1660	0.1520	0.1580	0.1520	0.1700
										0.1720	0.1500	0.1520	0.3660	0.3720	0.2340	0.1880	0.1700	0.1740	0.1860
0.2120	0.2240	0.2700	0.2700	0.2800	0.2740	0.1540	0.1520	0.2520	0.1920
										0.1480	0.1460	0.1520	0.1480	0.1540	0.1700	0.1740	0.1960	0.1820	0.1860

表16.自组织粒子群-径向基神经网络预测值

2.612147	2.771787	3.0175	3.10408	3.1241	2.890512	2.788423	2.955665	2.977487	2.949753
										2.901283	2.76904	2.511406	2.43037	2.295532	2.373796	2.392996	1.882943	1.530693	1.236367
1.424638	0.793371	0.424218	0.474996	0.475561	0.424892	0.245951	0.327077	0.249549	0.036324
										0.150432	0.238796	0.530201	0.325941	0.418546	0.437621	0.079248	0.103571	0.135899	-0.08638
0.006305	0.051586	0.150304	0.15725	0.415903	0.082866	0.211118	0.025616	-0.02448	0.041199
										0.077956	0.025702	0.100086	0.061381	0.616359	0.54136	0.226834	0.187348	0.092187	0.127787
0.120912	0.13303	0.292555	0.14985	0.289318	0.147976	0.211324	0.226368	0.456698	0.421796
										0.361888	0.416812	0.151583	-0.04443	-0.03413	0.05616	0.09968	0.145411	0.098177	0.435992

Claims (1)

1.一种基于自组织粒子群-径向基神经网络的出水总磷TP软测量方法，其特征在于，包括以下步骤：

(1)确定软测量模型的辅助变量：采集污水处理厂实际水质参数数据，选取与出水总磷TP相关性强的水质变量：进水总磷TP、温度T、厌氧末端氧化还原电位ORP、好氧前段溶解氧DO、好氧末端总固体悬浮物TSS以及出水pH作为出水总磷TP测量的辅助变量；

(2)设计用于出水总磷TP的自组织粒子群-径向基神经网络拓扑结构，自组织粒子群-径向基神经网络分为三层：输入层、隐含层、输出层；初始化自组织粒子群-径向基神经网络：确定神经网络6-K-1的连接方式，即输入层神经元为6个，隐含层神经元为K个，K为正整数，输出层神经元为1个；对神经网络的参数进行赋值；设共有T个训练样本，第t时刻神经网络输入为x(t)＝[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)，x₆(t)]，神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；自组织粒子群-径向基神经网络的计算功能是：

$y\left(t\right)=\underset{k=1}{\overset{K}{\Σ}}{w}_k\left(t\right)\left){\mathrm{\φ}}_k\right(x\left(t\right));---\left(1\right)$

w_k(t)表示隐含层第k个神经元和输出层的连接权值，k＝1，2，…，K；φ_k(x(t))是隐含层第k个神经元的输出，其计算公式为：

${\mathrm{\φ}}_k\left(x\left(t\right)\right)=e^{(-||x\left(t\right)-{\mathrm{\μ}}_k\left(t\right)|{|}^2/2{\mathrm{\σ}}_k^2\left(t\right))};---\left(2\right)$

μ_k表示隐含层第k个神经元中心值，σ_k表示隐含层第k个神经元的中心宽度；

(3)训练神经网络，具体为：

①初始化粒子群加速常数c₁和c₂，c₁∈(0,1)，c₂∈(0,1)；设定粒子群平衡权值α∈[0,1]，将径向基神经网络的参数表示为粒子群中的粒子：

$a_i=\[{\mathrm{\μ}}_{i,1},{\mathrm{\σ}}_{i,1},w_{i,1},{\mathrm{\μ}}_{i,2},{\mathrm{\σ}}_{i,2},w_{i,2}...{\mathrm{\μ}}_{i,K_i},{\mathrm{\σ}}_{i,K_i},w_{i,K_i}\];---\left(3\right)$

其中，a_i表示第i个粒子的位置，i＝1，2，…，s；s表示粒子总个数，s为正整数，和分别表示第i个粒子中第k个隐含层神经元的中心值，中心宽度和连接权值；K_i表示第i个粒子表示的径向基神经网络隐含层神经元数；和的初始值取(0,1)的任意数，K_i的初始值为任意正整数；同时，初始化粒子的速度：

v_i＝[v_i,1,v_i,2,…v_i,Di]；(4)

其中，v_i表示第i个粒子的速度，D_i表示第i个粒子的维数，D_i＝3K_i；

②对于神经网络的输入x(t)，确定每个粒子的维数D_i(t)＝3K_i(t)，计算每个粒子的适应度值：

f(a_i(t))＝E_i(t)+αK_i(t)；(5)

其中，E_i(t)为

$E_i\left(t\right)=\sqrt{\frac{1}{2T}\underset{t=1}{\overset{T}{\Σ}}{(y\left(t\right)-y_d\left(t\right))}^2};---\left(6\right)$

i＝1，2，…，s；T表示神经网络输入的训练样本数；

③计算每个粒子的惯性权重：

ω_i(t)＝γ(t)A_i(t)；(7)

其中，

γ(t)＝(C-S(t)/1000)^-t；

S(t)＝f_min(a(t))/f_max(a(t))；

A_i(t)＝f(g(t))/f(a_i(t))；(8)

C是常量，C∈[1,5]，最小适应度值f_min(a(t))，最大适应度值f_max(a(t))，粒子全局最优位置g(t)分别表示为：

$\left\{\begin{array}{c}{f}_{min}\left(a\left(t\right)\right)=Min\left(f\right(a_i\left(t\right)\left)\right)\\ f_{max}\left(a\left(t\right)\right)=Max\left(f\right(a_i\left(t\right)\left)\right)\end{array}\right.$

$g\left(t\right)=\underset{p_i}{\arg \min }\left(f\right(p_i\left(t\right)\left)\right),1\≤i\≤s;---\left(9\right)$

其中，粒子的最好先前位置p_i(t)表示为：

④更新每个粒子的位置和速度：

v_i(t+1)＝ω_i(t)v_i(t)+c₁r₁(p_i(t)-a_i(t))+c₂r₂(g(t)-a_i(t))；

a_i(t)＝a_i(t-1)+v_i(t)；(11)

其中，r₁和r₂分别表示最好先前位置系数和全局最优位置系数，r₁和r₂取[0,1]的任意数；

⑤根据全局最优位置g(t)找出最佳神经网络结构，此时的最佳神经网络隐含层神经元数为K_best，更新每个粒子对应的神经网络隐含层神经元数：

⑥输入训练样本数据x(t+1)，重复步骤②-⑤，所有训练样本训练结束后停止计算；

(4)将测试样本数据作为训练后的自组织粒子群-径向基神经网络的输入，自组织粒子群-径向基神经网络的输出即为出水总磷TP的预测值。