CN105676649A - 一种基于自组织神经网络的污水处理过程控制方法 - Google Patents

Abstract

本发明公开了一种基于自组织神经网络的污水处理过程控制方法，属于水处理和智能信息控制领域。该方法主要包括两个部分：自组织机制对模糊规则的调整与T-S模糊神经网络自适应学习控制部分。基本T-S模糊神经网络控制器；模糊机制的自组织调整；神经网络的自适应学习；得到k时刻的模糊规则m，并完成k时刻的污水处理过程控制。本方法能够根据环境状态实时的对控制器内部结构进行调整，实现对目标的稳定控制。利用自组织机制对控制器结构进行实时的调整使控制器能够更好的满足环境的需要；利用智能控制方法对污水处理过程进行稳定控制，使出水水质满足排放标准。该方法克服了固定网络结构控制器对环境适应差的缺点。

Description

一种基于自组织神经网络的污水处理过程控制方法

技术领域

本发明针对污水处理过程容易受到环境变化的影响这一问题，在BSM1平台上利用自组织T-S模糊神经网络的方法，对污水处理过程中溶解氧浓度与硝态氮浓度进行控制。T-S模糊神经网络是神经网络的一种，隶属于智能信息处理技术领域。自组织神经网络能够根据实际情况的不同自行对其内部结构进行调整，从而适应环境的变化。基于自组织T-S模糊神经网络的污水处理控制技术不但属于水处理领域，还属于智能信息控制领域。

背景技术

由于当今社会高新技术的快速发展，对利益的盲目追求，导致水资源环境被过度利用甚至被破坏。污水的排放不仅对居民的日常生活有着严重的影响，而且严重危害着大自然的生态平衡。为了营造和谐的生活环境，稳定生态平衡，我国各地纷纷建立污水处理厂，从而降低污水排放量，实现水的循环利用，进而保护水资源，目前，污水处理厂采用的控制方法比较落后，难以对污水处理过程进行精确的控制，从而造成对资源的浪费，甚至产生出水不达标的问题，所以研究合适的控制方法对污水处理厂运营意义重大，是未来提高污水处理效果的必然的发展趋势。因此，本发明的研究成果具有广阔的应用前景。

在污水处理过程中，主要的控制变量是第五分区的溶解氧浓度和第二分区的硝态氮浓度，溶解氧浓度和硝态氮浓度的高低影响处理过程中硝化过程和反硝化过程的进行，硝化和反硝化过程的进行对污水排放能否达标有着至关重要的影响。因此，对溶解氧的浓度和硝态氮浓度的稳定控制对于出水水质的达标，以及污水处理厂的稳定运行是非常有必要的。

传统的PID控制方法虽然被广泛的应用到了各工业领域中，但是由于污水处理过程是一个具有高度非线性、大滞后、大时变、多变量耦合等特点的复杂系统，将传统的PID控制方法应用到此类复杂系统中，易出现鲁棒性差，控制精度低以及参数无法在线实时调整的问题，从而导致控制效果不理想。传统的神经网络智能控制方法，由于其内部结构的固定，难以对环境的改变进行及时的响应，从而导致控制效果的不理想。

自组织T-S模糊神经网络不但具有非常强大的学习能力和自适应特性，能够对非线性系统进行高精度逼近，而且能够及时的对环境的变化进行响应；另一方面T-S模糊神经网络还兼具模糊理论的模糊知识，从而能够进一步提升控制效果。本发明提出一种自组织T-S模糊神经网络的污水处理过程控制方法，在满足出水水质达标的基础上，提高控制精度以及在异常环境下实现系统的稳定控制。

发明内容

基于自组织T-S模糊神经网络的污水处理过程控制方法，主要包括两个部分：自组织机制对模糊规则的调整与T-S模糊神经网络自适应学习控制部分。本方法利用自组织机制对当前环境的状态进行响应，通过神经网络的自适应性和学习能力对污水处理过程进行控制，使得误差最小化。

本发明采用了如下的技术方案及实现步骤：

基于自组织T-S模糊神经网络的污水处理过程控制方法，其特征在于，包括以下步骤：

步骤1基本T-S模糊神经网络控制器

将k时刻的溶解氧浓度及硝态氮浓度与二者的浓度设定值进行对比作差，可定义误差为：

e_do(k)＝r_do-y_do(k)(1)

e_no(k)＝r_no-y_no(k)(2)

将k时刻的溶解氧浓度误差e_do(k)或硝态氮浓度误差e_no(k)与k-1时刻的溶解氧浓度误差e_do(k-1)或硝态氮浓度误差e_no(k-1)分别进行对比作差，可定义误差变化量为：

${\stackrel{\·}{e}}_{do}\left(k\right)=e_{do}\left(k\right)-e_{do}(k-1)---\left(3\right)$

${\stackrel{\·}{e}}_{no}\left(k\right)=e_{no}\left(k\right)-e_{no}(k-1)---\left(4\right)$

式中r_do和r_no分别为溶解氧浓度和硝态氮浓度的期望值，y_do(k)和y_no(k)分别为k时刻溶解氧浓度和硝态氮浓度的实际测量值，e_do(k)和e_no(k)分别为k时刻溶解氧浓度和硝态氮浓度与其设定值的误差值，e_do(k-1)和e_no(k-1)分别为k-1时刻溶解氧浓度和硝态氮浓度与其设定值的误差值，和分别为k时刻溶解氧浓度或硝态氮浓度的误差变化量，

步骤1.1T-S模糊神经网络的前件部分进行的是模糊规则的推理过程，输入量有两个，一个是k时刻的溶解氧浓度的误差值e_do(k)或硝态氮浓度的误差值e_no(k)，另一个是溶解氧浓度的误差变化量或硝态氮浓度的误差变化量则T-S模糊神经网络前件部分的输入为：

$x_{do}\left(k\right)=\left[\begin{array}{cc}{x}_1\left(k\right)& x_2\left(k\right)\end{array}\right]=\left[\begin{array}{cc}{e}_{do}\left(k\right)& {\stackrel{\·}{e}}_{do}\left(k\right)\end{array}\right]---\left(5\right)$

$x_{on}\left(k\right)=\left[\begin{array}{cc}{x}_1\left(k\right)& x_2\left(k\right)\end{array}\right]=\left[\begin{array}{cc}{e}_{no}\left(k\right)& {\stackrel{\·}{e}}_{no}\left(k\right)\end{array}\right]---\left(6\right)$

则前件部分的输出为：

$y_j^{rule}\left(k\right)=\underset{i}{\overset{n}{\Π}}\exp (-\frac{{\left(x_i\right(k)-c_{ij}(k\left)\right)}^2}{{\left({\mathrm{\σ}}_{ij}\right(k\left)\right)}^2})/\underset{j=1}{\overset{m}{\Σ}}\underset{i}{\overset{n}{\Π}}\exp (-\frac{{\left(x_i\right(k)-c_{ij}(k\left)\right)}^2}{{\left({\mathrm{\σ}}_{ij}\right(k\left)\right)}^2})---\left(7\right)$

式中，n代表的是输入变量的总数，m代表模糊规则总数，代表第j条模糊规则的输出，x_i代表第i个输入变量，c_ij为第i个输入的第j个隶属度函数的中心值，σ_ij为第i个输入的第j个隶属度函数的宽度值，x_do(k)为k时刻控制溶解氧浓度时的输入量，x_no(k)为k时刻控制硝态氮浓度时的输入量，

步骤1.2T-S模糊神经网络的后件部分进行的是控制器的输出过程，输入量与前件部分的输入量相同，后件部分的输出则为：

$y^{out}\left(k\right)=\underset{j=1}{\overset{m}{\Σ}}\left(y_j^{rule}\right(k\left)\underset{i=1}{\overset{n}{\Σ}}{w}_{ji}{x}_i\right(k\left)\right)---\left(8\right)$

式中，y^out为T-S模糊神经网络控制器的总输出，w_ji为后件部分第i个输入到第j个隐含层神经元的连接权值，m为后件网络隐含层神经元总数(与前件部分模糊规则数相同)；

步骤2模糊机制的自组织调整

不同的模糊规则存储着污水处理过程中所产生的不同信息，对于固定结构的模糊神经网络来说，由于模糊规则数是固定不变的，所以需要人工进行不断地调整已选出合适的模糊规则，然而如果模糊规则数太多，会使系统的逻辑关系过于庞大，计算量呈指数级递增；如果模糊规则数太少，使得网络的表达性下降，因此选择合适的模糊规则数对于整个模糊神经网络的性能尤为重要；通过将自组织机制引入到T-S模糊神经网络中，自组织的根据处理的实际情况对控制器结构进行调整、学习和记忆，从而选择出合适的模糊规则数，模糊规则的选择方法如下：

步骤2.1由于每条模糊规则都存储着处理过程中不同的知识，从而根据不同的处理情况进行相应的反应，根据强度的不同来判断模糊规则的激活程度，因此选取激活强度最大的模糊规则：

$p\left(k\right)=max\left(\underset{i}{\overset{n}{\Π}}\exp \right(-{\left(x_i\left(k\right)-c_{ij}\right)}^2/{\left({\mathrm{\σ}}_{ij}\right)}^2\left)\right)---\left(9\right)$

对贡献最大的模糊规则进行判断是否满足当前环境的变化，因此定义阈值r，则自组织机制为：

式中，p(k)为k时刻最大的激活强度；

步骤2.2在k时刻，模糊规则的变化导致整个控制器内部结构的改变，进而需要对模糊规则进行相应的调整，调整过程分为两部分：

模糊规则不变时，对所有模糊规则的中心值进行调整：

$c\left(k\right)=\frac{Nc(k-1)+x\left(k\right)}{N+1}---\left(11\right)$

模糊规则增加时，对新增模糊规则进行初始化：

$\left\{\begin{array}{c}{c}^{j+1}\left(k\right)=x\left(k\right)\\ {\mathrm{\σ}}^{j+1}\left(k\right)=\mathrm{\σ}(k-1)\\ w^{j+1}\left(k\right)=w(j=1)\end{array}\right.---\left(12\right)$

式中，N为输入样本总数，c(k)和c(k-1)分别为k、k-1时刻隶属度函数的中心值矩阵，x(k)为k时刻的输入矩阵，c^j+1(k)为k时刻新增隶属度函数的中心值矩阵，σ^j+1(k)为k时刻新增隶属度函数宽度矩阵，w^j+1(k)为k时刻后件部分新增隐含层神经元的权值矩阵，σ(k-1)为k-1时刻隶属度函数宽度矩阵，w(j＝1)表示第一条模糊规则时后件部分隐含层神经元的权值矩阵；

步骤3神经网络的自适应学习

将k时刻的输入量输入到控制器中，得到在k时刻的性能指标函数值E_I(k)，调整神经网络权值的指标函数为：

$E_I\left(k\right)=\frac{1}{2}\left(e^2\right(k\left)\right)---\left(13\right)$

式中，e²(k)为k时刻溶解氧或硝态氮浓度的误差值，

权值调整公式为：

$w_{ij}(k+1)=w_{ij}\left(k\right)-\mathrm{\η}\frac{\∂E_I\left(k\right)}{\∂w_{ij}}---\left(14\right)$

中心值调整公式为：

$c_{ij}(k+1)=c_{ij}\left(k\right)-\mathrm{\η}\frac{\∂E_I\left(k\right)}{\∂c_{ij}}---\left(15\right)$

宽度值调整公式为：

$c_{ij}(k+1)=c_{ij}\left(k\right)-\mathrm{\η}\frac{\∂E_I\left(k\right)}{\∂c_{ij}}---\left(16\right)$

学习率调整公式为：

$\mathrm{\η}(k+1)=\mathrm{\η}\left(k\right)-\mathrm{\η}\frac{\∂E_I\left(k\right)}{\∂\mathrm{\η}}---\left(17\right)$

步骤4通过步骤2得到k时刻的模糊规则m，通过步骤1和步骤3完成k时刻的污水处理过程控制。

本发明的创造性主要体现在：

本发明设计了自组织T-S模糊神经网络控制方法并将其应用在污水处理过程中，该方法能够根据环境状态实时的对控制器内部结构进行调整，实现对目标的稳定控制。其一，利用自组织机制对控制器结构进行实时的调整使控制器能够更好的满足环境的需要；其二，利用智能控制方法对污水处理过程进行稳定控制，使出水水质满足排放标准。以上两部分构成的基于自组织T-S模糊神经网络的污水处理智能控制系统，属于本发明的保护范围。

本发明提出的基于自组织T-S模糊神经网络的污水处理智能控制方法，解决了传统控制器控制精度低的问题，克服了固定网络结构控制器对环境适应差的缺点，

附图说明

图1.污水处理过程基准模型

图2.T-S神经网络拓扑结构图

图3.自组织T-S神经网络拓扑结构图

图4.溶解氧雨天控制效果

图5.溶解氧雨天模糊规则增长曲线

图6.硝态氮雨天控制效果

图7.硝态氮雨天模糊规则增长曲线

图8.溶解氧暴雨天控制效果

图9.溶解氧暴雨天模糊规则增长曲线

图10.硝态氮暴雨天控制效果

图11.硝态氮暴雨天模糊规则增长曲线

图12基于SO-TSFNN的污水处理溶解氧硝态氮浓度控制框图

具体实施方式

BSM1基准仿真平台主要包括两个部分，一个是生化反应池，另一个是二沉池，如图1所示。生化反应池由前两个单元的缺氧区和后三个单元的曝气区构成。通过调节第五单元的氧传递系数K_La控制溶解氧浓度，使其稳定在2mg/L；通过调节内回流量Q_a控制硝态氮浓度，使其稳定在1mg/L。

控制器采用的是自组织T-S模糊神经网络。图2所示的是T-S模糊神经网络的基本拓扑结构，分为前件和后件两部分。前件部分主要进行模糊规则的计算，后件部分进行模糊规则的推理，最后进行输出。自组织T-S模糊神经网络控制器是在基本的T-S模糊神经网络的基础上，引入自组织机制，使模糊规则能够根据实际情况的变化自组织的调整模糊规则的个数，及所涵盖的信息，从而使控制器结构能够适应污水处理过程中的变化，网络拓扑图如图3所示。为了绘图的便利，在图3中用y_kj代表后件部分隐含层的输出。

本专利通过采用自组织T-S模糊神经网络控制器对溶解氧浓度和硝态氮浓度进行稳定控制，控制结构框图如图12所示。

文中的实验是基于BSM1模型变设定值时暴雨天气下的数据进行的，具体步骤如下：

S1模糊规则的自组织调整

模糊规则的初始个数为0，即没有模糊规则。当第一组输入数据进入系统中，将这组数据所包含的知识信息进行存储，形成第一条模糊规则。从第二组输入数据开始，比较每条模糊规则的激活强度与阈值的大小，从而进行模糊规则的自组织调整(如步骤2所示)。

S2自组织T-S模糊神经网络控制器

控制器含有2个输入，1个输出，前件部分的模糊规则数与后件部分的隐含层神经元数均为m个(根据情况自组织进行调整)。输入是溶解氧浓度或硝态氮浓度的误差和误差变化量，输出是控制量。

S3通过在线学习，可以根据溶解氧浓度或硝态氮浓度的变化量对控制器的权值、中心值和宽度值进行自适应的调整。图4和图5表现的是在溶解氧浓度设定值可变的情况下控制的效果图，以及模糊规则进行的相应调整曲线图。从开始到第3天时，溶解氧浓度为2mg/L，相对应的模糊规则增长到9个左右开始保持稳定；从第3天到第6天时，溶解氧浓度设定值为1.8mg/L，控制器根据实际环境的变化进行模糊规则的自组织增长，调整内部结构来适应实际情况的变化，实现溶解氧浓度的稳定控制，此时模糊规则增长到10个；从第6天到第8天所需溶解氧浓度为2mg/L，此时模糊规则无法满足实际情况的改变，进行模糊规则的增长，到达12保持稳定；从第8天开始，模糊规则保持稳定不变，说明当前控制器结构包含的规则能够满足实际情况的需要，无需进行模糊规则的增长。图6和图7为雨天条件下硝态氮的控制情况，控制器的模糊规则能够根据环境的不同自组织的对结构进行调整、改进和学习，从而达到适应环境的效果，实现控制的目的；图8和图9为暴雨天气下溶解氧浓度的控制效果，在第8天到第9天的时间内，有暴雨天气的发生，此时，控制器能够根据环境的突然变化对模糊规则进行连续的调整，以保证控制的稳定性和准确性，图中可以明显的出自组织T-S模糊神经网络控制器能够根据实际环境的变化或实际的需求自组织的调制控制器结构，保证控制的效果。图10和图11为暴雨天气下硝态氮浓度的控制效果。

Claims (3)

1.一种基于自组织神经网络的污水处理过程控制方法，其特征在于，包括以下步骤：

步骤1基本T-S模糊神经网络控制器

将k时刻的溶解氧浓度及硝态氮浓度与二者的浓度设定值进行对比作差，可定义误差为：

e_do(k)＝r_do-y_do(k)(1)

e_no(k)＝r_no-y_no(k)(2)

将k时刻的溶解氧浓度误差e_do(k)或硝态氮浓度误差e_no(k)与k-1时刻的溶解氧浓度误差e_do(k-1)或硝态氮浓度误差e_no(k-1)分别进行对比作差，可定义误差变化量为：

${\stackrel{\·}{e}}_{do}\left(k\right)=e_{do}\left(k\right)-e_{do}(k-1)---\left(3\right)$

${\stackrel{\·}{e}}_{no}\left(k\right)=e_{no}\left(k\right)-e_{no}(k-1)---\left(4\right)$

式中r_do和r_no分别为溶解氧浓度和硝态氮浓度的期望值，y_do(k)和y_no(k)分别为k时刻溶解氧浓度和硝态氮浓度的实际测量值，e_do(k)和e_no(k)分别为k时刻溶解氧浓度和硝态氮浓度与其设定值的误差值，e_do(k-1)和e_no(k-1)分别为k-1时刻溶解氧浓度和硝态氮浓度与其设定值的误差值，和分别为k时刻溶解氧浓度或硝态氮浓度的误差变化量，

步骤1.1T-S模糊神经网络的前件部分进行的是模糊规则的推理过程，输入量有两个，一个是k时刻的溶解氧浓度的误差值e_do(k)或硝态氮浓度的误差值e_no(k)，另一个是溶解氧浓度的误差变化量或硝态氮浓度的误差变化量则T-S模糊神经网络前件部分的输入为：

$x_{do}\left(k\right)=\left[\begin{array}{cc}{x}_1\left(k\right)& x_2\left(k\right)\end{array}\right]=\left[\begin{array}{cc}{e}_{do}\left(k\right)& {\stackrel{\·}{e}}_{do}\left(k\right)\end{array}\right]---\left(5\right)$

$x_{no}\left(k\right)=\left[\begin{array}{cc}{x}_1\left(k\right)& x_2\left(k\right)\end{array}\right]=\left[\begin{array}{cc}{e}_{no}\left(k\right)& {\stackrel{\·}{e}}_{no}\left(k\right)\end{array}\right]---\left(6\right)$

则前件部分的输出为：

$y_j^{rule}\left(k\right)=\underset{i}{\overset{n}{\Π}}\exp (-\frac{{\left(x_i\right(k)-c_{ij}(k\left)\right)}^2}{{\left({\mathrm{\σ}}_{ij}\right(k\left)\right)}^2})/\underset{j=1}{\overset{m}{\Σ}}\underset{i}{\overset{n}{\Π}}\exp (-\frac{{\left(x_i\right(k)-c_{ij}(k\left)\right)}^2}{{\left({\mathrm{\σ}}_{ij}\right(k\left)\right)}^2})---\left(7\right)$

式中，n代表的是输入变量的总数，m代表模糊规则总数，代表第j条模糊规则的输出，x_i代表第i个输入变量，c_ij为第i个输入的第j个隶属度函数的中心值，σ_ij为第i个输入的第j个隶属度函数的宽度值，x_do(k)为k时刻控制溶解氧浓度时的输入量，x_no(k)为k时刻控制硝态氮浓度时的输入量，

步骤1.2T-S模糊神经网络的后件部分进行的是控制器的输出过程，输入量与前件部分的输入量相同，后件部分的输出则为：

$y^{out}\left(k\right)=\underset{j=1}{\overset{m}{\Σ}}\left(y_j^{rule}\right(k\left)\underset{i=1}{\overset{n}{\Σ}}{w}_{ji}{x}_i\right(k\left)\right)---\left(8\right)$

式中，y^out为T-S模糊神经网络控制器的总输出，w_ji为后件部分第i个输入到第j个隐含层神经元的连接权值，m为后件网络隐含层神经元总数(与前件部分模糊规则数相同)；

步骤2模糊机制的自组织调整

不同的模糊规则存储着污水处理过程中所产生的不同信息，对于固定结构的模糊神经网络来说，由于模糊规则数是固定不变的，所以需要人工进行不断地调整已选出合适的模糊规则，然而如果模糊规则数太多，会使系统的逻辑关系过于庞大，计算量呈指数级递增；如果模糊规则数太少，使得网络的表达性下降，因此选择合适的模糊规则数对于整个模糊神经网络的性能尤为重要；通过将自组织机制引入到T-S模糊神经网络中，自组织的根据处理的实际情况对控制器结构进行调整、学习和记忆，从而选择出合适的模糊规则数，模糊规则的选择方法如下：

步骤2.1由于每条模糊规则都存储着处理过程中不同的知识，从而根据不同的处理情况进行相应的反应，根据强度的不同来判断模糊规则的激活程度，因此选取激活强度最大的模糊规则：

$p\left(k\right)=max\left(\underset{i}{\overset{n}{\Π}}\exp \right(-{\left(x_i\left(k\right)-c_{ij}\right)}^2/{\left({\mathrm{\σ}}_{ij}\right)}^2\left)\right)---\left(9\right)$

对贡献最大的模糊规则进行判断是否满足当前环境的变化，因此定义阈值r，则自组织机制为：

式中，p(k)为k时刻最大的激活强度；

步骤2.2在k时刻，模糊规则的变化导致整个控制器内部结构的改变，进而需要对模糊规则进行相应的调整，调整过程分为两部分：

模糊规则不变时，对所有模糊规则的中心值进行调整：

$c\left(k\right)=\frac{Nc(k-1)+x\left(k\right)}{N+1}---\left(11\right)$

模糊规则增加时，对新增模糊规则进行初始化：

$\left\{\begin{array}{c}{c}^{j+1}\left(k\right)=x\left(k\right)\\ {\mathrm{\σ}}^{j+1}\left(k\right)=\mathrm{\σ}(k-1)\\ w^{j+1}\left(k\right)=w(j=1)\end{array}\right.---\left(12\right)$

式中，N为输入样本总数，c(k)和c(k-1)分别为k、k-1时刻隶属度函数的中心值矩阵，x(k)为k时刻的输入矩阵，c^j+1(k)为k时刻新增隶属度函数的中心值矩阵，σ^j+1(k)为k时刻新增隶属度函数宽度矩阵，w^j+1(k)为k时刻后件部分新增隐含层神经元的权值矩阵，σ(k-1)为k-1时刻隶属度函数宽度矩阵，w(j＝1)表示第一条模糊规则时后件部分隐含层神经元的权值矩阵；

步骤3神经网络的自适应学习

将k时刻的输入量输入到控制器中，得到在k时刻的性能指标函数值E_I(k)，调整神经网络权值的指标函数为：

$E_I\left(k\right)=\frac{1}{2}\left(e^2\right(k\left)\right)---\left(13\right)$

式中，e²(k)为k时刻溶解氧或硝态氮浓度的误差值的平方，

权值调整公式为：

$w_{ij}(k+1)=w_{ij}\left(k\right)-\mathrm{\η}\frac{\∂E_I\left(k\right)}{\∂w_{ij}}---\left(14\right)$

中心值调整公式为：

$c_{ij}(k+1)=c_{ij}\left(k\right)-\mathrm{\η}\frac{\∂E_I\left(k\right)}{\∂c_{ij}}---\left(15\right)$

宽度值调整公式为：

$c_{ij}(k+1)=c_{ij}\left(k\right)-\mathrm{\η}\frac{\∂E_I\left(k\right)}{\∂c_{ij}}---\left(16\right)$

学习率调整公式为：

$\mathrm{\η}(k+1)=\mathrm{\η}\left(k\right)-\mathrm{\η}\frac{\∂E_I\left(k\right)}{\∂\mathrm{\η}}---\left(17\right)$

步骤4通过步骤2得到k时刻的模糊规则m，通过步骤1和步骤3完成k时刻的污水处理过程控制。

2.根据权利要求1所述的一种基于自组织神经网络的污水处理过程控制方法，其特征在于，BSM1基准仿真平台主要包括两个部分，一个是生化反应池，另一个是二沉池；生化反应池由前两个单元的缺氧区和后三个单元的曝气区构成；通过调节第五单元的氧传递系数K_La控制溶解氧浓度，使其稳定在2mg/L；通过调节内回流量Q_a控制硝态氮浓度，使其稳定在1mg/L；

控制器采用的是自组织T-S模糊神经网络；T-S模糊神经网络的基本拓扑结构分为前件和后件两部分；前件部分主要进行模糊规则的计算，后件部分进行模糊规则的推理，最后进行输出；自组织T-S模糊神经网络控制器是在基本的T-S模糊神经网络的基础上，引入自组织机制，使模糊规则能够根据实际情况的变化自组织的调整模糊规则的个数，及所涵盖的信息，从而使控制器结构能够适应污水处理过程中的变化，用y_kj代表后件部分隐含层的输出；

本方法通过采用自组织T-S模糊神经网络控制器对溶解氧浓度和硝态氮浓度进行稳定控制，控制结构框图；

文中的实验是基于BSM1模型变设定值时暴雨天气下的数据进行的，具体步骤如下：

S1模糊规则的自组织调整

模糊规则的初始个数为0，即没有模糊规则；当第一组输入数据进入系统中，将这组数据所包含的知识信息进行存储，形成第一条模糊规则；从第二组输入数据开始，比较每条模糊规则的激活强度与阈值的大小，从而进行模糊规则的自组织调整；

S2自组织T-S模糊神经网络控制器

控制器含有2个输入，1个输出，前件部分的模糊规则数与后件部分的隐含层神经元数均为m个；输入是溶解氧浓度或硝态氮浓度的误差和误差变化量，输出是控制量；

S3通过在线学习，可以根据溶解氧浓度或硝态氮浓度的变化量对控制器的权值、中心值和宽度值进行自适应的调整。

3.根据权利要求2所述的一种基于自组织神经网络的污水处理过程控制方法，其特征在于，m根据情况自组织进行调整。