CN105574326A - 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法 - Google Patents

Abstract

一种基于自组织模糊神经网络的出水氨氮浓度软测量方法既属于控制科学与工程领域，又属于环境科学与工程领域。本发明利用自组织模糊神经网络对污水处理过程出水水质氨氮浓度进行预测，实现了污水处理过程出水水质氨氮浓度的实时检测；出水氨氮浓度的准确预测有益于解决制约出水氨氮实时测量困难的难题，确保关键水质排放实时达标；同时，污水处理出水氨氮浓度的实时预测是实现污水处理过程控制的重要环节，是污水处理过程正常运行的重要基础。本发明实现了出水氨氮浓度的实时检测，取得较好的精度，解决了出水氨氮浓度难以实时检测的难题，保证了污水处理过程的稳定安全运行。

Description

一种基于自组织模糊神经网络的出水氨氮浓度软测量方法

技术领域

本发明利用自组织模糊神经网络对污水处理过程出水水质氨氮浓度进行预测，实现了污水处理过程出水水质氨氮浓度的实时检测；出水氨氮浓度的准确预测有益于解决制约出水氨氮实时测量困难的难题，确保关键水质排放实时达标；同时，污水处理出水氨氮浓度的实时预测是实现污水处理过程控制的重要环节，是污水处理过程正常运行的重要基础，既属于控制科学与工程领域，又属于环境科学与工程领域。

背景技术

城市污水再生利用是实现水资源良性循环的重要举措，世界各国都大力实施污水处理以应对水资源危机；我国随着国民经济的增长和公众环保意识的增强，污水处理自动化技术迎来了前所未有的发展机遇；国家水污染防治法中提出提高水的重复利用率，鼓励科学技术研究和先进适用技术的推广应用；随着我国污水处理设施的大量建成，设施运营状态受到越来越高的重视。因此，本发明的研究成果具有广阔的应用前景。

出水氨氮浓度是污水处理过程中一个重要出水水质指标，出水水质中含有大量的氨氮会造成水体富营养化，和出水水质恶化，严重影响水体质量，影响居民的日常生活。城市污水处理的目标就是使出水水质达到国家排放标准，《城镇污水处理厂污染物排放标准》(GB18918-2002)中主要涉及的参数有化学需氧量、生化需氧量、悬浮物、氨氮、总氮和总磷。其中水质参数氨氮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氨氮的污水进行处理，并且严格限制出水中氨氮的排放，其中，在一级A标准中规定出水氨氮浓度的最高排放标准为5mg/L。为了实现出水氨氮浓度的达标排放，必须对出水氨氮浓度进行实时测量，目前污水处理厂多采用基于氨氮化学性质的测定方法、基于电极法等物理方法的测定方法和基于过程机理预测模型的测定方法等，然而这些方法不能实时测量氨氮浓度；同时，由于污水处理过程的非线性、强耦合、时变性等特点，造成检测精度低，导致城市污水处理过程难以实现闭环控制。因此，研究有效的污水处理过程出水氨氮浓度实时监测方法已成为污水控制领域研究的重要课题，并且具有重要的意义；

本发明涉及了一种出水氨氮浓度智能软测量方法，该方法利用自组织模糊神经网络建立辅助变量与出水氨氮浓度之间的软测量模型，有效地缩短了氨氮浓度的测量时间，提高了测量精度，并大大的降低了测量成本，为污水处理厂提供了一种快速高效的测量手段，以保证城市污水处理过程的效率和处理效果。

发明内容

本发明获得了一种基于自组织模糊神经网络的出水氨氮浓度软测量方法，利益自组织模糊神经网络建立了出水氨氮浓度与辅助变量之间的关系，并根据污水处理过程采集的实时数据实现自组织模糊神经网络的参数和结构调整，实现了出水氨氮浓度的实时测量，解决了城市污水处理过程出水氨氮浓度难以实时测量的问题；

本发明采用了如下的技术方案及实现步骤：

1.一种基于自组织模糊神经网络的出水氨氮浓度软测量方法，其特点在于，包括以下步骤：

(1)确定软测量模型的辅助变量：采集城市污水处理厂实际水质参数数据，选取与出水氨氮浓度相关性强的水质变量：出水总磷TP、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以及温度T作为出水氨氮浓度预测的辅助变量；

(2)设计用于出水氨氮浓度的模糊神经网络拓扑结构，自组织模糊神经网络分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为6-P-P-1的连接方式，其中输入层神经元个数为6，RBF层神经元个数为P个，归一化层神经元个数为P个，P为大于2的正整数，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[-1,1]；设共有T个训练样本，设第t时刻模糊神经网络输入为x(t)＝[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)，x₆(t)]，模糊神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；基于自组织模糊神经网络的出水氨氮浓度的软测量方法计算方式依次为：

①输入层：该层由6个神经元组成，每个神经元的输出为：

u_i(t)＝x_i(t),i＝1,2,…,6；(1)

其中，u_i(t)表示输入层第i个神经元t时刻的输出，x_i(t)为输入层第i个神经元t时刻的输入；

②RBF层：RBF层由P个神经元组成，每个神经元的输出为：

其中，c_j(t)＝[c_1j(t),c_2j(t),…,c_6j(t)]表示RBF层第j个神经元t时刻的中心值，c_ij(t)表示RBF层第j个神经元t时刻中心值的第i个元素，σ_j(t)表示RBF层第j个神经元t时刻的中心宽度，表示RBF层第j个神经元t时刻的输出；

③归一化层：归一化层由P个神经元组成，每个神经元的输出为：

其中，v_l(t)表示归一化层第l个神经元t时刻的输出，为RBF层神经元输出值之和,表示RBF层第l个神经元t时刻的输出,c_il(t)表示RBF层第l个神经元t时刻中心值的第i个元素，σ_l(t)表示RBF层第l个神经元t时刻中心宽度；

④输出层：输出层输出为：

$y\left(t\right)=w\left(t\right)v\left(t\right)=\frac{\underset{l=1}{\overset{P}{\Σ}}{w}_l\left(t\right)e^{-\underset{i=1}{\overset{6}{\Σ}}\frac{{\left(x_i\right(t)-c_{il}(t\left)\right)}^2}{2{\mathrm{\σ}}_l^2\left(t\right)}}}{\underset{j=1}{\overset{P}{\Σ}}{e}^{-\underset{i=1}{\overset{6}{\Σ}}\frac{{\left(x_i\right(t)-c_{ij}(t\left)\right)}^2}{2{\mathrm{\σ}}_j^2\left(t\right)}}},i=1,2,...,6;j=1,2,...,P;l=1,2,...,P;---\left(4\right)$

其中，w(t)＝[w₁(t),w₂(t),…,w_P(t)]表示归一化层与输出层间t时刻的连接权值向量，w_l(t)表示t时刻归一化层第l个神经元与输出层神经元之间的连接权值，v(t)＝[v₁(t),v₂(t),…,v_P(t)]^T表示归一化层t时刻的输出向量，T表示转置，y(t)为输出层神经元的输出；

定义自组织模糊神经网络的误差为：

$E\left(t\right)=\frac{1}{2}{\left(y_d\right(t)-y(t\left)\right)}^2;---\left(5\right)$

E(t)表示t时刻自组织模糊神经网络的误差平方和；

(3)训练自组织模糊神经网络，具体为：

①给定自组织模糊神经网络的初始RBF层与归一化层神经元个数为P，自组织模糊神经网络的输入为x(1)，x(2)，…，x(t)，…，x(T)，对应的期望输出为y_d(1)，y_d(2)，…，y_d(t)，…，y_d(T)，T表示自组织模糊神经网络输入的训练样本数，期望误差值设为E_d，E_d∈(0,0.01)，初始中心值c_j(1)中每个变量的赋值区间为[-2,2]，初始中心宽度σ_j(1)中每个变量的赋值区间为[0,1]，j＝1，2，…，P；初始权值w(1)中每个变量的赋值区间为[-1,1]；

②设置学习步数s＝1；

③t＝s，根据公式(1)、(2)、(3)、(4)计算自组织模糊神经网络的输出y(t)，运用快速二次型学习算法计算中心值c_j(t)，中心宽度σ_j(t)以及权值w(t)的增量；

ΔΘ(t)＝(Ψ(t)+λ(t)×I)^-1×Ω(t)；(6)

其中，Θ(t)＝[c₁(t),c₂(t)，…，c_P(t)，σ₁(t),σ₂(t)，…，σ_P(t)，w(t)]为自组织模糊神经网络t时刻的参数向量，I为单位向量，并且：

Ω(t)＝j^T(t)e(t)；(7)

Ψ(t)＝j^T(t)j(t)；(8)

e(t)＝y(t)-y_d(t)；(9)

Ω(t)是t时刻自组织模糊神经网络梯度向量，Ψ(t)为t时刻自组织模糊神经网络Hessian矩阵，j^T(t)为j(t)的转置，e(t)为t时刻自组织模糊神经网络的输出y(t)与期望输出y_d(t)之间的误差，Jacobian向量j(t)和学习率λ(t)为

$j\left(t\right)=\[\frac{\∂e\left(t\right)}{\∂c_1\left(t\right)},...,\frac{\∂e\left(t\right)}{\∂c_P\left(t\right)},\frac{\∂e\left(t\right)}{\∂{\mathrm{\σ}}_1\left(t\right)},...,\frac{\∂e\left(t\right)}{\∂{\mathrm{\σ}}_P\left(t\right)},\frac{\∂e\left(t\right)}{\∂w\left(t\right)}\];---\left(10\right)$

λ(t)＝μλ(t-1)；(11)

μ∈(0,0.1)表示影响因子，λ(0)＝0.1；

④调整自组织模糊神经网络的参数；

Θ(t+1)＝Θ(t)+ΔΘ(t)＝Θ(t)+(Ψ(t)+λ(t)×I)^-1×Ω(t)；(12)

其中，Θ(t)为自组织模糊神经网络调整前的参数向量，Θ(t+1)为自组织模糊神经网络调整后的参数向量；

⑤t>3时，计算归一化层神经元的相对重要指标：

$R_l\left(t\right)=\frac{\underset{k=1}{\overset{P}{\Σ}}{a}_{kl}\left(t\right)\×b_l\left(t\right)}{\underset{l=1}{\overset{P}{\Σ}}\underset{k=1}{\overset{P}{\Σ}}{a}_{kl}\left(t\right)\×b_l\left(t\right)},l=1,2,...,P;k=1,2,...,P;---\left(13\right)$

其中，R_l(t)是第l个归一化层神经元对输出层神经元的相对重要指标，归一化层神经元的回归系数向量B(t)＝[b₁(t),b₂(t),…,b_P(t)]^T，b_l(t)是第l个归一化层神经元与输出层神经元之间的回归系数，l＝1,2,…,P；RBF层神经元的回归参数矩阵A(t)＝[a₁(t),a₂(t),…,a_P(t)]，a_k(t)＝[a_k1(t),a_k2(t),…,a_kP(t)]^T为第k个RBF层神经元的回归参数向量，a_kl(t)是第k个RBF层神经元与第l个归一化层神经元之间的回归参数，k＝1,2,…,P；

$A\left(t\right)={\[S\left(t\right)\hat{S}\left(t\right)\]}^T\hat{I}\left(t\right);---\left(14\right)$

$B\left(t\right)={\[S\left(t\right)\hat{S}\left(t\right)\]}^T\hat{G}\left(t\right);---\left(15\right)$

其中，为自组织模糊神经网络历史输出向量， $\hat{I}\left(t\right)=\[{\hat{I}}_1\left(t\right),{\hat{I}}_2\left(t\right),...,{\hat{I}}_P\left(t\right)\]$ 为归一化层与输出层之间的信息传递矩阵， ${\hat{I}}_l\left(t\right)=\[w$ ${}_l\left(t\right)\×v_l\left(x\right(t\left)\right),w_l\left(t\right)\×v_l\left(x\right(t-1\left)\right),w_l\left(t\right)\×v_l\left(x\right(t-2\left)\right){\]}^T$ 为第l个归一化层神经元与输出层之间的信息传递向量，S(t)是的特征向量，是的特征向量，l＝1，2，…，P；

⑥t>3时，调整自组织模糊神经网络的结构，

当E(t)大于E(t-1)时，增长1个归一化层神经元，同时，增加相应的RBF层神经元，并更新RBF层与归一化层神经元数为P₁＝P+1，选择需要增长的归一化层神经元：

R_m(t)＝maxR(t)；(16)

R(t)＝[R₁(t),R₂(t),…,R_P(t)]，R_m(t)表示归一化层第m个神经元的相对重要指标，则新增加的RBF层与归一化层神经元初始权值为：

$c_{P+1}\left(t\right)=\frac{1}{2}\left(c_m\right(t)+x(t\left)\right);---\left(17\right)$

σ_P+1(t)＝σ_m(t)；(18)

w_P+1(t)＝w_m(t)；(19)

其中，c_P+1(t)表示新增RBF层神经元的中心，σ_P+1(t)表示新增RBF层神经元的中心宽度，w_P+1(t)为新增归一化层神经元与输出之间的连接权值，c_m(t)表示RBF层第m个神经元的中心，σ_m(t)表示RBF层第m个神经元的中心宽度，w_m(t)为归一化层第m个神经元与输出之间的连接权值；

当E(t)小于E(t-1)时，为了保证模糊神经网络结构简单，寻找相对重要指标最小的归一化层神经元：

R_h(t)＝minR(t)；(20)

如果R_h(t)<R_r，R_r∈(0,0.01)表示相对重要指标阈值，则删除第h个归一化层神经元和第h个RBF层神经元，并更新RBF层与归一化层神经元数为P₂＝P-1；否则，不调整自组织模糊神经网络的结构，P₂＝P；

⑦学习步数s增加1，如果步数s<T，则转向步骤③进行继续训练，如果s＝T转向步骤⑧；

⑧根据公式(5)计算自组织模糊神经网络的性能，如果E(t)≥E_d，则转向步骤②进行继续训练，如果E(t)<E_d，则停止调整；

(4)出水氨氮浓度预测；

将测试样本数据作为训练后的自组织模糊神经网络的输入，自组织模糊神经网络的输出即为出水氨氮浓度的软测量值。

本发明的创造性主要体现在：

(1)本发明针对当前城市污水处理厂出水氨氮浓度检测周期长，不能在线监测，检测成本高，精度低等问题，提出了一种污水处理过程出水氨氮浓度软测量方法，根据实际污水处理厂工作报表提取了与出水氨氮浓度相关的6个相关变量：出水总磷TP、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以及温度T，实现了出水氨氮浓度的预测，解决了出水氨氮浓度难以实时测量的问题。

(2)本发明根据当前污水处理过程出水氨氮浓度与辅助变量间的关系难以用精确数学方法描述等问题，采用了基于自组织模糊神经网络建立了出水氨氮浓度的软测量方法，实现了对出水氨氮浓度的实时测量，具有测量精度高，对环境差异适应能力强等特点；

特别要注意：本发明采用与出水氨氮浓度相关的6个辅助变量，基于自组织模糊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氨氮浓度预测都应该属于本发明的范围。

附图说明

图1是本发明的出水氨氮浓度软测量方法结构图；

图2是本发明的出水氨氮浓度软测量方法训练结果图；

图3是本发明的出水氨氮浓度软测量方法训练误差图；

图4是本发明的出水氨氮浓度软测量方法预测结果图；

图5是本发明的出水氨氮浓度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：出水总磷TP、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、温度T和实测出水氨氮浓度，表8为训练过程中自组织模糊神经网络的输出，表9-15为测试样本：出水总磷TP、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、温度T和实测出水氨氮浓度，表16为本发明出水氨氮浓度预测值。

具体实施方式

本发明获得了一种基于自组织模糊神经网络的出水氨氮浓度软测量方法，通过设计出水氨氮浓度的软测量方法，软测量方法结构如图1，实现了出水氨氮浓度的实时测量，解决了污水处理过程出水氨氮浓度难以实时测量的问题，提高了城市污水处理厂水质实时监控的水平，保障城市污水处理过程正常运行；

实验数据来自某污水处理厂2014年水质分析日报表；；分别取出水总磷TP、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、温度T和出水氨氮浓度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140组可用数据，将全部的140组数据样本分为两部分：其中90组数据作为训练样本，其余50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：

1.一种基于自组织模糊神经网络的出水氨氮浓度软测量方法，其特征在于，包括以下步骤：

(1)确定目标变量和辅助变量；采集城市污水处理厂实际水质参数数据，选取与出水氨氮浓度相关性强的水质变量：出水总磷TP、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以及温度T作为出水氨氮浓度预测的辅助变量；

(2)设计用于出水氨氮浓度的模糊神经网络拓扑结构，自组织模糊神经网络分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为6-5-5-1的连接方式，其中输入层神经元个数为6，RBF层神经元个数为5个，归一化层神经元个数为5个，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[-1,1]；共有90个训练样本，第t时刻模糊神经网络输入为x(t)＝[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)，x₆(t)]，模糊神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；基于自组织模糊神经网络的出水氨氮浓度的软测量方法计算方式依次为：

①输入层：该层由6个神经元组成，每个神经元的输出为：

u_i(t)＝x_i(t),i＝1,2,…,6；(21)

其中，u_i(t)表示输入层第i个神经元t时刻的输出，x_i(t)为输入层第i个神经元t时刻的输入；

②RBF层：RBF层由5个神经元组成，每个神经元的输出为：

其中，c_j(t)＝[c_1j(t),c_2j(t),…,c_6j(t)]表示RBF层第j个神经元t时刻的中心值，c_ij(t)表示RBF层第j个神经元t时刻中心值的第i个元素，σ_j(t)表示RBF层第j个神经元t时刻的中心宽度，表示RBF层第j个神经元t时刻的输出；

③归一化层：归一化层由P个神经元组成，每个神经元的输出为：

其中，v_l(t)表示归一化层第l个神经元t时刻的输出，为RBF层神经元输出值之和,表示RBF层第l个神经元t时刻的输出,c_il(t)表示RBF层第l个神经元t时刻中心值的第i个元素，σ_l(t)表示RBF层第l个神经元t时刻中心宽度；

④输出层：输出层输出为：

$y\left(t\right)=w\left(t\right)v\left(t\right)=\frac{\underset{l=1}{\overset{P}{\&Sigma;}}{w}_l\left(t\right)e^{-\underset{i=1}{\overset{6}{\&Sigma;}}\frac{{\left(x_i\right(t)-c_{il}(t\left)\right)}^2}{2{\mathrm{\&sigma;}}_l^2\left(t\right)}}}{\underset{j=1}{\overset{P}{\&Sigma;}}{e}^{-\underset{i=1}{\overset{6}{\&Sigma;}}\frac{{\left(x_i\right(t)-c_{ij}(t\left)\right)}^2}{2{\mathrm{\&sigma;}}_j^2\left(t\right)}}},i=1,2,...,6;j=1,2,...,5;l=1,2,...,5;---\left(24\right)$

其中，w(t)＝[w₁(t),w₂(t),…,w_P(t)]表示归一化层与输出层间t时刻的连接权值向量，w_l(t)表示t时刻归一化层第l个神经元与输出层神经元之间的连接权值，v(t)＝[v₁(t),v₂(t),…,v_P(t)]^T表示归一化层t时刻的输出向量，T表示转置，y(t)为输出层神经元的输出；

定义自组织模糊神经网络的误差为：

$E\left(t\right)=\frac{1}{2}{\left(y_d\right(t)-y(t\left)\right)}^2;---\left(25\right)$

E(t)表示t时刻自组织模糊神经网络的误差平方和；

(3)训练自组织模糊神经网络，具体为：

①给定自组织模糊神经网络的初始RBF层与归一化层神经元个数为P，初始P值为5，自组织模糊神经网络的输入为x(1)，x(2)，…，x(t)，…，x(90)，对应的期望输出为y_d(1)，y_d(2)，…，y_d(t)，…，y_d(90)，期望误差值设为E_d＝0.001，初始中心值c_j(1)中每个变量的赋值区间为[-2,2]，初始中心宽度σ_j(1)中每个变量的赋值区间为[0,1]，j＝1，2，…，P；初始权值w(1)中每个变量的赋值区间为[-1,1]；

②设置学习步数s＝1；

③t＝s，根据公式(1)、(2)、(3)、(4)计算自组织模糊神经网络的输出y(t)，运用快速二次型学习算法计算中心值c_j(t)，中心宽度σ_j(t)以及权值w(t)的增量；

ΔΘ(t)＝(Ψ(t)+λ(t)×I)^-1×Ω(t)；(26)

其中，Θ(t)＝[c₁(t),c₂(t)，…，c_P(t)，σ₁(t),σ₂(t)，…，σ_P(t)，w(t)]为自组织模糊神经网络t时刻的参数向量，I为单位向量，并且：

Ω(t)＝j^T(t)e(t)；(27)

Ψ(t)＝j^T(t)j(t)；(28)

e(t)＝y(t)-y_d(t)；(29)

Ω(t)是t时刻自组织模糊神经网络梯度向量，Ψ(t)为t时刻自组织模糊神经网络Hessian矩阵，j^T(t)为j(t)的转置，e(t)为t时刻自组织模糊神经网络的输出y(t)与期望输出y_d(t)之间的误差，Jacobian向量j(t)和学习率λ(t)为

$j\left(t\right)=\&lsqb;\frac{\&part;e\left(t\right)}{\&part;c_1\left(t\right)},...,\frac{\&part;e\left(t\right)}{\&part;c_P\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;{\mathrm{\&sigma;}}_1\left(t\right)},...,\frac{\&part;e\left(t\right)}{\&part;{\mathrm{\&sigma;}}_P\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;w\left(t\right)}\&rsqb;;---\left(30\right)$

λ(t)＝μλ(t-1),t≥2；(31)

μ∈(0,0.1)表示影响因子，λ(1)＝0.1；

④调整自组织模糊神经网络的参数；

Θ(t+1)＝Θ(t)+ΔΘ(t)＝Θ(t)+(Ψ(t)+λ(t)×I)^-1×Ω(t)；(32)

其中，Θ(t)为自组织模糊神经网络调整前的参数向量，Θ(t+1)为自组织模糊神经网络调整后的参数向量；

⑤t>3时，计算归一化层神经元的相对重要指标：

$R_l\left(t\right)=\frac{\underset{k=1}{\overset{P}{\&Sigma;}}{a}_{kl}\left(t\right)\&times;b_l\left(t\right)}{\underset{l=1}{\overset{P}{\&Sigma;}}\underset{k=1}{\overset{P}{\&Sigma;}}{a}_{kl}\left(t\right)\&times;b_l\left(t\right)},l=1,2,...,P;k=1,2,...,P;---\left(33\right)$

其中，R_l(t)是第l个归一化层神经元对输出层神经元的相对重要指标，归一化层神经元的回归系数向量B(t)＝[b₁(t),b₂(t),…,b_P(t)]^T，b_l(t)是第l个归一化层神经元与输出层神经元之间的回归系数，l＝1,2,…,P；RBF层神经元的回归参数矩阵A(t)＝[a₁(t),a₂(t),…,a_k(t)…,a_P(t)]，a_k(t)＝[a_k1(t),a_k2(t),…，a_kl(t),,…，a_kP(t)]^T为第k个RBF层神经元的回归参数向量，a_kl(t)是第k个RBF层神经元与第l个归一化层神经元之间的回归参数，k＝1,2,…,P；

$A\left(t\right)={\&lsqb;S\left(t\right)\hat{S}\left(t\right)\&rsqb;}^T\hat{I}\left(t\right);---\left(34\right)$

$B\left(t\right)={\&lsqb;S\left(t\right)\hat{S}\left(t\right)\&rsqb;}^T\hat{G}\left(t\right);---\left(35\right)$

其中，为自组织模糊神经网络历史输出向量， $\hat{I}\left(t\right)=\&lsqb;{\hat{I}}_1\left(t\right),{\hat{I}}_2\left(t\right),...,{\hat{I}}_P\left(t\right)\&rsqb;$ 为归一化层与输出层之间的信息传递矩阵， ${\hat{I}}_l\left(t\right)=\&lsqb;w$ ${}_l\left(t\right)\&times;v_l\left(x\right(t\left)\right),w_l\left(t\right)\&times;v_l\left(x\right(t-1\left)\right),w_l\left(t\right)\&times;v_l\left(x\right(t-2\left)\right){\&rsqb;}^T$ 为第l个归一化层神经元与输出层之间的信息传递向量，S(t)是的特征向量，是的特征向量，l＝1，2，…，P；

⑥t>3时，调整自组织模糊神经网络的结构，

当E(t)大于E(t-1)时，增长1个归一化层神经元，同时，增加相应的RBF层神经元，并更新RBF层与归一化层神经元数为P₁＝P+1，选择需要增长的归一化层神经元：

R_m(t)＝maxR(t)；(36)

R(t)＝[R₁(t),R₂(t),…,R_P(t)]，R_m(t)表示归一化层第m个神经元的相对重要指标，则新增加的RBF层与归一化层神经元初始权值为：

$c_{P+1}\left(t\right)=\frac{1}{2}\left(c_m\right(t)+x(t\left)\right);---\left(37\right)$

σ_P+1(t)＝σ_m(t)；(38)

w_P+1(t)＝w_m(t)；(39)

其中，c_P+1(t)表示新增RBF层神经元的中心，σ_P+1(t)表示新增RBF层神经元的中心宽度，w_P+1(t)为新增归一化层神经元与输出之间的连接权值，c_m(t)表示RBF层第m个神经元的中心，σ_m(t)表示RBF层第m个神经元的中心宽度，w_m(t)为归一化层第m个神经元与输出之间的连接权值；

当E(t)小于E(t-1)时，为了保证模糊神经网络结构简单，寻找相对重要指标最小的归一化层神经元：

R_h(t)＝minR(t)；(40)

如果R_h(t)<R_r，R_r∈(0,0.01)表示相对重要指标阈值，则删除第h个归一化层神经元和对应的第h个RBF层神经元，并更新RBF层与归一化层神经元数为P₂＝P-1；否则，不调整自组织模糊神经网络的结构，P₂＝P；

⑦学习步数s增加1，如果步数s<90，则转向步骤③进行继续训练，如果s＝90转向步骤⑧；

⑧根据公式(5)计算自组织模糊神经网络的性能，如果E(t)≥0.001，则转向步骤②进行继续训练，如果E(t)<0.001，则停止调整；

出水氨氮浓度软测量方法训练结果如图2所示，X轴：样本数，单位是个，Y轴：出水氨氮浓度，单位是mg/L，实线为出水氨氮浓度实际输出值，虚线是出水氨氮浓度训练输出值；出水氨氮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，Y轴：出水氨氮浓度训练误差，单位是mg/L；

(4)出水氨氮浓度预测；

将测试样本数据作为训练后的自组织模糊神经网络的输入，自组织模糊神经网络的输出即为出水氨氮浓度的软测量值；预测结果如图4所示，X轴：样本数，单位是个，Y轴：出水氨氮浓度，单位是mg/L，实线为出水氨氮浓度实际输出值，虚线是出水氨氮浓度预测输出值；出水氨氮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，Y轴：出水氨氮浓度预测误差，单位是mg/L；结果表明基于模糊神经网络的出水氨氮浓度软测量方法的有效性。

训练数据：

表1.出水总磷TP的值(mg/L)

0.1520	0.2270	0.1670	0.2010	0.2520	0.2710	0.2760	0.1520	0.2260	0.1540
										0.1610	0.2340	0.1740	0.2120	0.2610	0.2800	0.2300	0.1640	0.2180	0.1720
0.1600	0.2150	0.1700	0.2160	0.2700	0.2800	0.1840	0.1760	0.2050	0.1590
										0.1680	0.1900	0.1660	0.2230	0.2680	0.2710	0.1690	0.2280	0.1920	0.1460
0.1700	0.1890	0.1820	0.2300	0.2720	0.2620	0.1580	0.2800	0.1920	0.1530
										0.2690	0.1720	0.1860	0.2240	0.2760	0.2610	0.1620	0.2660	0.1860	0.1600
0.2900	0.1730	0.1980	0.2190	0.2700	0.2600	0.1570	0.2520	0.1800	0.1360
										0.2550	0.1700	0.2100	0.2140	0.2660	0.2740	0.1520	0.2430	0.1480	0.1440
0.2200	0.1720	0.1900	0.2330	0.2620	0.2750	0.1520	0.2340	0.1510	0.1440

表2.厌氧末端氧化还原电位ORP的值(mV)

-574.9	-570.0	-573.3	-573.0	-574.5	-575.2	-572.0	-569.9	-568.7	-569.2
										-573.9	-570.0	-573.4	-572.9	-575.9	-573.2	-572.1	-569.3	-569.0	-569.4
-573.8	-570.3	-573.4	-573.0	-577.3	-571.9	-572.1	-568.7	-569.0	-569.4
										-573.6	-571.7	-573.3	-573.0	-578.3	-570.5	-571.5	-567.8	-569.0	-569.4
-573.7	-571.8	-573.2	-573.1	-578.5	-570.4	-570.6	-567.0	-568.8	-569.4
										-573.5	-572.1	-572.9	-573.3	-578.7	-570.6	-570.2	-567.3	-568.9	-569.5
-570.1	-572.1	-573.0	-573.2	-578.5	-570.9	-570.1	-567.6	-568.9	-570.19 -->
										-570.0	-572.2	-573.1	-573.1	-577.9	-571.5	-570.0	-568.0	-569.3	-570.3
-569.9	-572.4	-573.0	-573.8	-577.2	-571.8	-569.9	-568.4	-569.2	-570.3

表3.好氧前段溶解氧DO的值(mg/L)

0.4877	0.9038	0.3630	0.3711	0.7616	0.3570	0.3095	0.3301	0.2525	0.3024
										0.5409	0.8742	0.3765	0.3781	0.7406	0.2692	0.2914	0.3372	0.2403	0.3267
0.5463	0.8402	0.3679	0.3553	0.7196	0.2651	0.2734	0.3443	0.2384	0.3120
										0.5486	0.4684	0.3594	0.3628	0.5860	0.2584	0.3072	0.3304	0.2364	0.2974
0.5443	0.4487	0.3584	0.3703	0.5699	0.2557	0.3186	0.3164	0.3986	0.2725
										0.5254	0.4648	0.3696	0.3273	0.5538	0.2648	0.2961	0.2955	0.3805	0.2475
0.9116	0.4578	0.3758	0.6888	0.5350	0.2740	0.2979	0.2745	0.3623	0.2465
										0.9225	0.4536	0.3820	1.0502	0.4899	0.3343	0.2997	0.2696	0.3271	0.2265
0.9334	0.4174	0.3640	0.9060	0.4448	0.3220	0.3149	0.2646	0.3148	0.2265

表4.好氧末端总固体悬浮物TSS(g/L)

2.4309	2.5281	2.4114	2.3512	2.2753	2.1980	2.4261	2.3671	2.3605	2.4160
										2.4758	2.5112	2.3882	2.3077	2.2710	2.2199	2.4208	2.3395	2.4388	2.4788
2.4894	2.5368	2.3518	2.2429	2.2667	2.2152	2.4155	2.3119	2.4104	2.5282
										2.4743	2.5353	2.3155	2.2797	2.3157	2.1708	2.3545	2.2918	2.3820	2.5776
2.4741	2.4831	2.3122	2.3165	2.2962	2.1311	2.3187	2.2717	2.4273	2.4645
										2.4535	2.4303	2.2804	2.2824	2.2767	2.2322	2.3438	2.2908	2.4762	2.3514
2.5753	2.4101	2.2772	2.2758	2.2297	2.3333	2.3261	2.3099	2.5250	2.3938
										2.5601	2.3654	2.2739	2.2691	2.2029	2.4195	2.3083	2.2961	2.4490	2.4188
2.5450	2.3654	2.3947	2.2723	2.1761	2.4229	2.3377	2.2823	2.4326	2.4189

表5.出水pH

8.0200	8.0361	8.0520	8.0123	8.0105	8.0157	8.0399	8.0281	8.0070	8.0152
										8.0109	8.0419	8.0498	8.0107	8.0150	8.0094	8.0405	8.0195	8.0139	8.0181
8.0123	8.0470	8.0412	8.0108	8.0195	8.0140	8.0412	8.0110	8.0167	8.0196
										8.0118	8.0649	8.0327	8.0102	8.0295	8.0244	8.0390	7.9939	8.0195	8.0212
8.0125	8.0637	8.0293	8.0097	8.0317	8.0302	8.0351	7.9767	8.0203	8.0216
										8.0056	8.0616	8.0158	8.0119	8.0339	8.0343	8.0334	7.9808	8.0183	8.0220
8.0213	8.0616	8.0147	8.0130	8.0314	8.0384	8.0307	7.9850	8.0164	8.0276
										8.0259	8.0595	8.0137	8.0142	8.0267	8.0397	8.0279	7.9925	8.0101	8.0305
8.0305	8.0596	8.0140	8.0124	8.0221	8.0398	8.0280	8.0001	8.0127	8.0305

表6.温度T(℃)

表7.实测出水氨氮(mg/L)

8.3030	7.2868	6.3501	7.4545	8.7382	8.8006	9.3701	9.1266	9.2986	8.9531
										8.1876	7.1995	6.3703	7.6117	8.7603	8.8353	9.3420	9.1836	9.2815	8.8279
8.1542	7.0761	6.4642	7.7820	8.7824	8.8122	9.3139	9.2406	9.2418	8.7232
										8.1173	6.7038	6.5580	7.9467	8.7475	8.8174	9.2659	9.2635	9.2021	8.6186
8.1838	6.6105	6.6263	8.1115	8.7569	8.8456	9.1388	9.2865	9.3850	8.5823
										8.1465	6.3957	6.7936	8.3032	8.7663	8.9711	9.0598	9.2743	9.2987	8.5461
7.4506	6.3668	6.9432	8.6692	8.7420	9.0966	9.0825	9.2621	9.2124	8.3717
										7.4124	6.3016	7.0927	9.0352	8.7540	9.5518	9.1052	9.2889	9.0654	8.3213
7.3742	6.3091	7.2973	8.8868	8.7660	9.4610	9.1159	9.3157	9.0093	8.3214

表8.训练过程中输出氨氮(mg/L)

8.2903	7.2419	6.3644	7.4556	8.7255	8.8249	9.3563	9.1603	9.2848	8.9480
										8.1907	7.1469	6.3448	7.5723	8.7716	8.8675	9.3537	9.2362	9.2319	8.7692
8.2112	7.0769	6.5010	7.7939	8.7559	8.6959	9.2801	9.2785	9.2729	8.6779
										8.1817	6.7394	6.5269	7.9464	8.7719	8.9770	9.2875	9.2747	9.2764	8.5976
8.0282	6.6758	6.6446	8.0780	8.7764	8.8036	9.0539	9.2783	9.3158	8.6897
										8.1399	6.3418	6.8737	8.2723	8.7894	8.9173	9.0865	9.2740	9.2952	8.4647
7.4217	6.3669	6.9513	8.6910	8.7118	9.1700	9.0597	9.2717	9.2255	8.4170
										7.4536	6.3531	7.0944	9.0128	8.7336	9.5231	9.0419	9.2901	9.0896	8.3010
7.4428	6.2438	7.3471	8.9142	8.7440	9.4904	9.1120	9.2845	9.0317	8.3011

测试数据：

表9.出水总磷TP的值(mg/L)

表10.厌氧末端氧化还原电位ORP的值(mV)

-574.0	-571.2	-572.6	-573.0	-571.7	-573.5	-570.0	-570.0	-567.8	-570.0
										-574.0	-572.0	-572.9	-573.0	-571.8	-570.1	-570.3	-569.9	-567.0	-573.0
-573.9	-572.0	-573.2	-573.2	-573.4	-570.0	-570.6	-569.9	-570.1	-573.1
										-573.7	-572.1	-573.1	-577.8	-573.4	-569.9	-570.2	-569.3	-570.0	-573.0
-570.7	-572.1	-573.0	-578.6	-573.3	-570.0	-570.1	-568.7	-569.9	-573.0

表11.好氧前段溶解氧DO的值(mg/L)

0.5210	0.6373	0.3812	0.3730	0.4684	0.5254	0.8742	0.2997	0.3304	0.9038
										0.5378	0.4290	0.3653	0.3667	0.4487	0.9116	0.8402	0.3149	0.3164	0.3758
0.5440	0.4469	0.3495	0.3488	0.3765	0.9225	0.3186	0.3301	0.9116	0.3820
										0.5400	0.4508	0.3574	0.6528	0.3679	0.9334	0.2961	0.3372	0.9225	0.3640
0.8063	0.4523	0.3635	0.5445	0.3594	0.9038	0.2979	0.3444	0.9334	0.3711

表12.好氧末端总固体悬浮物TSS(g/L)

2.4636	2.5488	2.3653	2.3343	2.5353	2.4535	2.5112	2.3083	2.2918	2.5281
										2.4471	2.4309	2.4000	2.2753	2.4831	2.5753	2.5368	2.3377	2.2717	2.2772
2.5044	2.4306	2.4346	2.2995	2.3882	2.5601	2.3187	2.3671	2.5753	2.2739
										2.4739	2.3898	2.3089	2.2912	2.3518	2.5449	2.3438	2.3395	2.5601	2.3946
2.5624	2.3777	2.2947	2.2532	2.3155	2.5281	2.3261	2.3119	2.5450	2.3512

表13.出水pH

8.0089	8.0585	8.0597	8.0138	8.0649	8.0056	8.0419	8.0279	7.9939	8.0361
										8.0090	8.0626	8.0569	8.0107	8.0637	8.0213	8.0470	8.0280	7.9767	8.0147
8.0128	8.0621	8.0542	8.0108	8.0498	8.0259	8.0351	8.0281	8.0213	8.0137
										8.0131	8.0617	8.0260	8.0245	8.0412	8.0304	8.0334	8.0195	8.0259	8.0139
8.0523	8.0606	8.0209	8.0327	8.0328	8.0362	8.0307	8.0111	8.0305	8.0123

表14.温度T(℃)

23.949	23.628	23.547	23.245	23.625	23.673	23.625	23.013	22.885	23.624
										23.909	23.622	23.529	23.116	23.623	23.629	23.628	22.993	22.859	23.304
23.837	23.615	23.511	23.020	23.474	23.626	23.082	22.973	23.629	23.277
										23.683	23.596	23.383	23.037	23.453	23.623	23.063	22.942	23.626	23.214
23.631	23.586	23.357	23.107	23.431	23.624	23.038	22.911	23.623	23.179

表15.实测出水氨氮(mg/L)

8.1846	6.8283	6.3166	7.1950	6.7038	8.1465	7.1995	9.1052	9.2635	7.2868
										8.1842	6.5172	6.3232	7.6968	6.6105	7.4506	7.0761	9.1159	9.2865	6.9432
8.1911	6.4564	6.3299	8.2073	6.3703	7.4124	9.1388	9.1266	7.4506	7.0927
										8.2503	6.3379	6.6947	8.7649	6.4642	7.3741	9.0598	9.1836	7.4124	7.297312 -->
6.9528	6.3198	6.7442	8.7542	6.5581	7.2868	9.0826	9.2407	7.3742	7.4545

表16.出水氨氮预测值(mg/L)

8.1607	6.9916	6.2041	7.2387	6.7437	8.1469	7.3034	9.0459	9.2127	7.2768
										7.9445	6.4348	6.2624	7.6985	6.5898	7.4215	6.9950	9.1322	9.3033	6.9308
8.2925	6.3960	6.2858	8.2145	6.3426	7.4684	9.0753	9.2026	7.4215	7.1200
										8.3565	6.3007	6.7116	8.6820	6.5171	7.3588	9.1501	9.1364	7.4684	7.3033
6.7115	6.3462	6.7517	8.7165	6.5782	7.2769	9.0769	9.2124	7.3588	7.4637

Claims (1)

1.一种基于自组织模糊神经网络的出水氨氮浓度软测量方法，其特征在于，包括以下步骤：

(1)确定软测量模型的辅助变量：采集城市污水处理厂实际水质参数数据，选取与出水氨氮浓度相关性强的水质变量：出水总磷TP、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以及温度T作为出水氨氮浓度预测的辅助变量；

(2)设计用于出水氨氮浓度的模糊神经网络拓扑结构，自组织模糊神经网络分为四层：输入层、RBF层、归一化层、输出层；确定拓扑结构为6-P-P-1的连接方式，其中输入层神经元个数为6，RBF层神经元个数为P个，归一化层神经元个数为P个，P为大于2的正整数，输出层神经元个数为1个；输入层与RBF层以及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之间的权值进行随机赋值，赋值区间为[-1,1]；设共有T个训练样本，设第t时刻模糊神经网络输入为x(t)＝[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)，x₆(t)]，模糊神经网络的期望输出表示为y_d(t)，实际输出表示为y(t)；基于自组织模糊神经网络的出水氨氮浓度的软测量方法计算方式依次为：

①输入层：该层由6个神经元组成，每个神经元的输出为：

u_i(t)＝x_i(t),i＝1,2,…,6；(1)

其中，u_i(t)表示输入层第i个神经元t时刻的输出，x_i(t)为输入层第i个神经元t时刻的输入；

②RBF层：RBF层由P个神经元组成，每个神经元的输出为：

其中，c_j(t)＝[c_1j(t),c_2j(t),…,c_6j(t)]表示RBF层第j个神经元t时刻的中心值，c_ij(t)表示RBF层第j个神经元t时刻中心值的第i个元素，σ_j(t)表示RBF层第j个神经元t时刻的中心宽度，表示RBF层第j个神经元t时刻的输出；

③归一化层：归一化层由P个神经元组成，每个神经元的输出为：

其中，v_l(t)表示归一化层第l个神经元t时刻的输出，为RBF层神经元输出值之和,表示RBF层第l个神经元t时刻的输出,c_il(t)表示RBF层第l个神经元t时刻中心值的第i个元素，σ_l(t)表示RBF层第l个神经元t时刻中心宽度的第i个元素；

④输出层：输出层输出为：

其中，w(t)＝[w₁(t),w₂(t),…,w_P(t)]表示归一化层与输出层间t时刻的连接权值向量，w_l(t)表示t时刻归一化层第l个神经元与输出层神经元之间的连接权值，v(t)＝[v₁(t),v₂(t),…,v_P(t)]^T表示归一化层t时刻的输出向量，T表示转置，y(t)为输出层神经元的输出；

定义自组织模糊神经网络的误差为：

$E\left(t\right)=\frac{1}{2}{\left(y_d\right(t)-y(t\left)\right)}^2;---\left(5\right)$

E(t)表示t时刻自组织模糊神经网络的误差平方和；

(3)训练自组织模糊神经网络，具体为：

①给定自组织模糊神经网络的初始RBF层与归一化层神经元个数为P，自组织模糊神经网络的输入为x(1)，x(2)，…，x(t)，…，x(T)，对应的期望输出为y_d(1)，y_d(2)，…，y_d(t)，…，y_d(T)，T表示自组织模糊神经网络输入的训练样本数，期望误差值设为E_d，E_d∈(0,0.01)，初始中心值c_j(1)中每个变量的赋值区间为[-2,2]，初始中心宽度σ_j(1)中每个变量的赋值区间为[0,1]，j＝1，2，…，P；初始权值w(1)中每个变量的赋值区间为[-1,1]；

②设置学习步数s＝1；

③t＝s，根据公式(1)、(2)、(3)、(4)计算自组织模糊神经网络的输出y(t)，运用快速二次型学习算法计算中心值c_j(t)，中心宽度σ_j(t)以及权值w(t)的增量；

ΔΘ(t)＝(Ψ(t)+λ(t)×I)^-1×Ω(t)；(6)

其中，Θ(t)＝[c₁(t),c₂(t)，…，c_P(t)，σ₁(t),σ₂(t)，…，σ_P(t)，w(t)]为自组织模糊神经网络t时刻的参数向量，I为单位向量，并且：

Ω(t)＝j^T(t)e(t)；(7)

Ψ(t)＝j^T(t)j(t)；(8)

e(t)＝y(t)-y_d(t)；(9)

Ω(t)是t时刻自组织模糊神经网络梯度向量，Ψ(t)为t时刻自组织模糊神经网络Hessian矩阵，j^T(t)为j(t)的转置，e(t)为t时刻自组织模糊神经网络的输出y(t)与期望输出y_d(t)之间的误差，Jacobian向量j(t)和学习率λ(t)为

$j\left(t\right)=\&lsqb;\frac{\&part;e\left(t\right)}{\&part;c_1\left(t\right)},...,\frac{\&part;e\left(t\right)}{\&part;c_P\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;{\mathrm{\&sigma;}}_1\left(t\right)},...,\frac{\&part;e\left(t\right)}{\&part;{\mathrm{\&sigma;}}_P\left(t\right)},\frac{\&part;e\left(t\right)}{\&part;w\left(t\right)}\&rsqb;;---\left(10\right)$

λ(t)＝μλ(t-1)；(11)

μ∈(0,0.1)表示影响因子，λ(0)＝0.1；

④调整自组织模糊神经网络的参数；

Θ(t+1)＝Θ(t)+ΔΘ(t)＝Θ(t)+(Ψ(t)+λ(t)×I)^-1×Ω(t)；(12)

其中，Θ(t)为自组织模糊神经网络调整前的参数向量，Θ(t+1)为自组织模糊神经网络调整后的参数向量；

⑤t>3时，计算归一化层神经元的相对重要指标：

$R_l\left(t\right)=\frac{\underset{k=1}{\overset{P}{\&Sigma;}}{a}_{kl}\left(t\right)\&times;b_l\left(t\right)}{\underset{l=1}{\overset{P}{\&Sigma;}}\underset{k=1}{\overset{P}{\&Sigma;}}{a}_{kl}\left(t\right)\&times;b_l\left(t\right)},l=1,2,...,P;k=1,2,...,P;---\left(13\right)$

其中，R_l(t)是第l个归一化层神经元对输出层神经元的相对重要指标，归一化层神经元的回归系数向量B(t)＝[b₁(t),b₂(t),…,b_P(t)]^T，b_l(t)是第l个归一化层神经元与输出层神经元之间的回归系数，l＝1,2,…,P；RBF层神经元的回归参数矩阵A(t)＝[a₁(t),a₂(t),…,a_k(t)…,a_P(t)]，a_k(t)＝[a_k1(t),a_k2(t),…，a_kl(t),,…，a_kP(t)]^T为第k个RBF层神经元的回归参数向量，a_kl(t)是第k个RBF层神经元与第l个归一化层神经元之间的回归参数，k＝1,2,…,P；

$A\left(t\right)={\&lsqb;S\left(t\right)\hat{S}\left(t\right)\&rsqb;}^T\hat{I}\left(t\right);---\left(14\right)$

$B\left(t\right)={\&lsqb;S\left(t\right)\hat{S}\left(t\right)\&rsqb;}^T\hat{G}\left(t\right);---\left(15\right)$

其中，为自组织模糊神经网络历史输出向量，为归一化层与输出层之间的信息传递矩阵， ${\hat{I}}_l\left(t\right)={\left[\begin{array}{ccc}{w}_l\left(t\right)\&times;v_l\left(x\right(t\left)\right),& w_l\left(t\right)\&times;v_l\left(x\right(t-1\left)\right),& w_l\left(t\right)\&times;v_l\left(x\right(t-2\left)\right)\end{array}\right]}^T$ 为第l个归一化层神经元与输出层之间的信息传递向量，S(t)是的特征向量，是的特征向量，l＝1，2，…，P；

⑥t>3时，调整自组织模糊神经网络的结构，

当E(t)大于E(t-1)时，增长1个归一化层神经元，同时，增加相应的RBF层神经元，并更新RBF层与归一化层神经元数为P₁＝P+1，选择需要增长的归一化层神经元：

R_m(t)＝maxR(t)；(16)

R(t)＝[R₁(t),R₂(t),…,R_P(t)]，R_m(t)表示归一化层第m个神经元的相对重要指标，则新增加的RBF层与归一化层神经元初始权值为：

$c_{P+1}\left(t\right)=\frac{1}{2}\left(c_m\right(t)+x(t\left)\right);---\left(17\right)$

σ_P+1(t)＝σ_m(t)；(18)

w_P+1(t)＝w_m(t)；(19)

其中，c_P+1(t)表示新增RBF层神经元的中心，σ_P+1(t)表示新增RBF层神经元的中心宽度，w_P+1(t)为新增归一化层神经元与输出之间的连接权值，c_m(t)表示RBF层第m个神经元的中心，σ_m(t)表示RBF层第m个神经元的中心宽度，w_m(t)为归一化层第m个神经元与输出之间的连接权值；

当E(t)小于E(t-1)时，为了保证模糊神经网络结构简单，寻找相对重要指标最小的归一化层神经元：

R_h(t)＝minR(t)；(20)

如果R_h(t)<R_r，R_r∈(0,0.01)表示相对重要指标阈值，则删除第h个归一化层神经元和第h个RBF层神经元，并更新RBF层与归一化层神经元数为P₂＝P-1；否则，不调整自组织模糊神经网络的结构，P₂＝P；

⑦学习步数s增加1，如果步数s<T，则转向步骤③进行继续训练，如果s＝T转向步骤⑧；

⑧根据公式(5)计算自组织模糊神经网络的性能，如果E(t)≥E_d，则转向步骤②进行继续训练，如果E(t)<E_d，则停止调整；

(4)出水氨氮浓度预测；

将测试样本数据作为训练后的自组织模糊神经网络的输入，自组织模糊神经网络的输出即为出水氨氮浓度的软测量值。