CN106295800B - 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法 - Google Patents
一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法 Download PDFInfo
- Publication number
- CN106295800B CN106295800B CN201610606146.XA CN201610606146A CN106295800B CN 106295800 B CN106295800 B CN 106295800B CN 201610606146 A CN201610606146 A CN 201610606146A CN 106295800 B CN106295800 B CN 106295800B
- Authority
- CN
- China
- Prior art keywords
- moment
- output
- hidden layer
- neural network
- neuron
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/006—Regulation methods for biological treatment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2101/00—Nature of the contaminant
- C02F2101/10—Inorganic compounds
- C02F2101/16—Nitrogen compounds, e.g. ammonia
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/003—Downstream control, i.e. outlet monitoring, e.g. to check the treating agents, such as halogens or ozone, leaving the process
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/14—NH3-N
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/15—N03-N
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/16—Total nitrogen (tkN-N)
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/18—PO4-P
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Organic Chemistry (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Biodiversity & Conservation Biology (AREA)
- Microbiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于递归自组织RBF神经网络的出水总氮TN智能检测方法属于控制领域。污水处理厂出水总氮TN浓度是指所有含氮污染物的总和,是衡量水质好坏的重要指标。而污水处理过程的生产条件恶劣,随机干扰严重,具有强耦合、大时变、滞后严重的特点,导致出水总氮TN浓度的检测极其困难;针对污水处理过程中关键水质参数出水总氮TN无法在线监测的问题,本发明利用基于递归自组织RBF神经网络建立出水总氮TN的软测量模型,完成了出水总氮TN浓度的实时检测,取得了较好的精度,结果表明该软测量方法能够快速、准确地获得出水总氮TN的浓度,提高污水处理的质量和效率,保证了污水处理过程的稳定安全运行。
Description
技术领域
本发明基于污水处理过程运行特性,利用递归自组织RBF神经网络设计了一种出水总氮TN智能检测方法,实现了污水处理过程出水总氮TN的实时测量;污水处理厂出水总氮TN浓度是指经过污水处理厂的工艺设施处理后出水的所有含氮污染物的总和,是衡量水质好坏的重要指标,也是水体富营养化的最重要的标志。污水处理过程出水总氮TN与过程变量的关系是实现污水处理过程优化控制的基础环节,对污水处理的节能降耗和稳定安全运行有着重要影响,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。因此,出水总氮TN的智能检测在污水处理系统中具有重要意义。
背景技术
城市污水处理过程,不但要保证污水处理系统的可靠性和稳定性,同时还要出水水质符合国家排放标准。然而,污水处理过程出水总氮TN影响因素繁多,且各影响因素之间关系复杂,难以进行实时测量,严重影响了污水处理过程的稳定运行。基于递归自组织RBF神经网络的出水总氮TN智能检测方法有利于提高城市污水处理效率、加强城市污水处理厂精细化管理、确保污水处理出水水质达标排放,缓解我国当前水污染处理不达标,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。
城市污水处理的控制目标就是使出水达到国家排放标准,主要涉及的参数有出水总氮TN、化学需氧量COD、出水悬浮物浓度SS、氨氮NH3-N、生化需氧量BOD和总磷TP等。其中水质参数出水总氮TN是指经过污水处理厂的工艺设施处理后出水的所有含氮污染物的总和,主要为氨氮,硝态氮、亚硝态氮等无机氮,和蛋白质、氨基酸和有机胺等有机氮的总和。据统计,自然界固氮速率大约每年15000万吨,而化学氮肥制造速率大约每年5000~6000吨,如大自然脱硝反应未能及时完成氮循环,过多含氮化合物,使水中氨氮养分造成大量藻类,浮游植物繁殖旺盛,出现水体富营养化状态。为遏制水环境不断恶化的趋势,一大批污水处理设施在我国各大中城市及城镇相继投巨资建成并投入运行。其通用测定方法为碱性过硫酸钾紫外分光光度法和气相分子吸收光谱法。但是总氮的测定往往是离线的,不能实现对出水总氮TN实时测量,直接导致污水处理过程难以实现闭环控制。另外,污水中污染物的数量多、含量各异,对检测是一大挑战。新型硬件形式的过程测量仪表,虽然可以直接地解决各种污水处理过程变量及水质参数的检测问题,但仪表价格昂贵且维护成本较高。因此,研究新的测量方法解决过程参数的实时测量问题,已成为污水控制工程领域研究的重要课题,并且具有重要的现实意义。
本发明提出一种基于递归自组织RBF神经网络的出水总氮TN智能检测方法,通过构建基于递归自组织RBF神经网络模型,利用神经元的竞争力指标,判断增加或删除递归RBF神经网络隐含层神经元,利用自适应二阶算法保证了递归自组织RBF神经网络的精度。该智能检测方法能够实现出水总氮TN的实时检测,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,提高了污水处理厂的效益。
发明内容
本发明获得了一种基于递归自组织RBF神经网络的出水总氮TN的智能检测方法,该方法通过分析污水处理过程,在众多可测变量中选择一组既与出水总氮TN有密切联系又容易测量的变量作为辅助变量,通过构造递归自组织RBF神经网络,实现辅助变量与出水总氮TN之间的映射,实现出水总氮TN的实时测量,解决了当前出水总氮TN测量周期长的问题;
本发明采用了如下的技术方案及实现步骤:
1.一种基于递归自组织RBF神经网络的出水总氮TN智能检测方法,其特征在于包括以下步骤:
(1)确定出水总氮TN的输入与输出变量:以活性污泥法污水处理过程为研究对象,对污水处理过程变量进行特征分析,选取与出水总氮TN相关的过程变量作为软测量模型的输入:氨氮NH4-N,硝态氮NO3-N,出水悬浮物浓度SS,生化需氧量BOD,总磷TP,软测量模型的输出为出水总氮TN值;
(2)设计用于出水总氮TN智能检测的软测量模型:利用递归自组织RBF神经网络建立出水总氮TN的软测量模型,递归自组织RBF神经网络包括:输入层、隐含层、输出层;其结构为5-J-1的连接方式,即输入层神经元为5个,隐含层神经元为J个,J为大于2的正整数,输出层神经元为1个;输入层与隐含层之间的连接权值都赋值为1,隐含层与输出层之间的连接权值随机赋值,赋值区间为[-1,1];设共有p个训练样本,设第t时刻递归自组织RBF神经网络输入为x(t)=[x1(t),x2(t),x3(t),x4(t),x5(t)],x1(t)表示第t时刻氨氮NH4-N浓度,x2(t)表示第t时刻硝态氮NO3-N浓度,x3(t)表示第t时刻出水悬浮物浓度SS浓度,x4(t)表示第t时刻生化需氧量BOD浓度,x5(t)表示第t时刻总磷TP浓度;第t时刻递归自组织RBF神经网络的期望输出表示为yd(t),实际输出表示为y(t);基于递归自组织RBF神经网络的出水总氮TN的软测量方法计算方式依次为:
①输入层:该层由5个神经元组成,每个神经元的输出为:
ui(t)=xi(t) (1)
其中,ui(t)是t时刻第i个神经元的输出,i=1,2,…,5;
②隐含层:隐含层由J神经元组成,每个神经元的输出为:
其中,cj(t)为t时刻第j个隐含层神经元的中心向量,cj(t)=[c1j(t),c2j(t),…,c5j(t)]T,cij(t)表示隐含层t时刻第j个神经元中心值的第i个元素,||hj(t)-cj(t)||表示hj(t)与cj(t)之间的欧式距离,σj(t)是t时刻第j个隐含层神经元的中心宽度,hj(t)是t时刻第j个隐含层神经元的输入向量
y(t-1)是t-1时刻递归自组织RBF神经网络的输出,为t时刻输出神经元与第j个隐含层神经元的反馈连接权值,为t时刻输出神经元与隐含层神经元的反馈连接权值向量,T表示转置;
③输出层:输出层输出为:
其中,为t时刻隐含层与输出层的连接权值向量,为t时刻第j个隐含层神经元与输出神经元的连接权值,θ(t)=[θ1(t),θ2(t),...,θJ(t)]T为t时刻隐含层的输出向量,θj(t)为t时刻第j个隐含层神经元的输出,y(t)为t时刻递归自组织RBF神经网络的输出;
定义递归自组织RBF神经网络的误差为:
其中,yd(t)为t时刻递归自组织RBF神经网络的期望输出,y(t)为t时刻递归自组织RBF神经网络的实际输出,p为训练样本数;
(3)训练递归自组织RBF神经网络,具体为:
①给定递归自组织RBF神经网络的初始隐含层神经元个数为J,J为大于2的正整数,递归自组织RBF神经网络的输入为x(1),x(2),…,x(t),…,x(p),对应的期望输出为yd(1),yd(2),…,yd(t),…,yd(p),p表示训练样本数,期望误差值设为Ed,Ed∈(0,0.01),初始中心向量cj(1)中每个变量的赋值区间为[-2,2],初始中心宽度σj(1)的赋值区间为[0,1],初始反馈连接权值vj(t)的赋值区间为[0,1],j=1,2,…,J;初始隐含层与输出层的连接权值向量w2(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,计算递归自组织RBF神经网络的输出y(t),运用自适应二阶算法调整递归自组织RBF神经网络的连接权值和中心宽度:
Θ(t+1)=Θ(t)+(Ψ(t)+η(t)×Ι)-1×Ω(t) (6)
其中,Θ(t)为t时刻递归自组织RBF神经网络的参数矩阵,Ψ(t)是t时刻的拟海森矩阵,Ω(t)为t时刻梯度向量,I是单位矩阵,t时刻自适应学习率η(t)被定义为
η(t)=μ(t)η(t-1) (7)
其中,μ(t)为t时刻自适应因子,μ(1)初始值设为μ(1)=1,βmax(t)和βmin(t)分别为t时刻矩阵Ψ(t)中最大、最小的特征值;0<βmin(t)<βmax(t),0<η(t)≤1,t时刻递归自组织RBF神经网络的参数矩阵Θ(t)包含:t时刻输出神经元与隐含层神经元的反馈连接权值向量w1(t),t时刻隐含层与输出层的连接权值向量w2(t),t时刻中心矩阵C(t)=[c1(t),c2(t),…,cJ(t)]T,cj(t),t时刻中心宽度向量σ(t)=[σ1(t),σ2(t),…,σJ(t)]T
Θ(1)=[w1(1),w2(1),C(1),σ(1)] (9)
t时刻的拟海森矩阵Ψ(t)和梯度向量Ω(t)计算方式为
Ψ(t)=jT(t)j(t) (10)
Ω(t)=jTe(t) (11)
e(t)=yd(t)-y(t) (12)
其中,e(t)为t时刻递归自组织RBF神经网络误差,yd(t)与y(t)是分别为递归自组织RBF神经网络的期望输出与实际输出,j(t)为雅克比矩阵
④t>3时,计算递归自组织RBF神经网络隐含层神经元的竞争力
cpj(t)=ρj(t)fj(t)σj(t),j=1,2,…,J (14)
其中,cpj(t)为t时刻第j个隐含层神经元的竞争力,J是隐含层神经元的个数,σj(t)为t时刻第j个隐含层神经元的中心宽度;fj(t)为t时刻第j个隐含层神经元的激活状态
其中,χ∈(1,2),t时刻隐含层神经元的激活状态向量f(t)=[f1(t),f2(t),…,fJ(t)],ρj(t)为第j个隐含层神经元的输出与网络输出的相关系数
其中,隐含层相关参数输出层相关参数B(t)=y(t),为t时刻隐含层相关参数平均值,为t时刻输出层相关参数平均值;
⑤t>3时,调整递归自组织RBF神经网络的结构;
在调整网络结构过程中,计算第j个隐含层神经元的竞争力,当第j个隐含层神经元的竞争力以及t和t+τ时刻的训练误差满足
E(t)-E(t+τ)≤ε, (17)
其中,指cpj(t)取最大值时j的取值,E(t)和E(t+τ)分别为t时刻和t+τ时刻的训练误差,τ是时间间隔,为大于2的正整数;ε是预设阈值ε∈(0,0.01);J为隐含层神经元数;增加1个隐含层神经元,并更新隐含层神经元数为M1=J+1;否则,不调整递归自组织RBF神经网络的结构,M1=J;
当第j个隐含层神经元的竞争力满足
cpj(t)<ξ, (19)
其中,ξ∈(0,Ed)是预设的修剪阈值;Ed是预设的常数,Ed∈(0,0.01];则删除个隐含层神经元,并更新隐含层神经元数为M2=M1-1;否则,不调整递归自组织RBF神经网络的结构,M2=M1;
⑥学习步数s增加1,如果步数s<p,转向步骤③进行继续训练,如果s=p转向步骤⑦;
⑦根据公式(5)计算递归自组织RBF神经网络的性能,如果E(t)≥Ed,则转向步骤③进行继续训练,如果E(t)<Ed,则停止调整;
(4)出水总氮TN浓度预测;
将测试样本数据作为训练后的递归自组织RBF神经网络的输入,递归自组织RBF神经网络的输出即为出水总氮TN浓度的软测量值。
本发明的创造性主要体现在:
(1)本发明针对当前污水处理中关键参数出水总氮TN测量周期长,提出了一种基于递归自组织RBF神经网络的出水总氮TN智能检测方法,根据实际污水处理厂工作报表提取了与出水总氮TN浓度相关的5个相关变量:氨氮NH4-N,硝态氮NO3-N,出水悬浮物浓度SS,生化需氧量BOD,总磷TP,实现了出水总氮TN浓度的预测,解决了出水总氮TN浓度难以实时测量的问题,并且降低了运行成本;
(2)本发明依据隐含层神经元的竞争力对网络结构进行自动调整,不但能够增加隐含层神经元,同时能够删除冗余的神经元,解决了递归RBF神经网络结构难以确定、精度较低的问题;采用了基于递归自组织RBF神经网络对出水总氮TN进行在线测量,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:本发明采用与出水水质出水总氮TN相关的5个特征变量建立其智能检测模型,只要采用了本发明的相关变量及递归自组织RBF神经网络进行出水总氮TN检测方法研究都应属于本发明的范围。
附图说明
图1是本发明的递归自组织RBF神经网络初始结构拓扑图;
图2是本发明的出水总氮TN训练结果图,其中实线为出水总氮TN实际输出值,虚线为递归自组织RBF神经网络训练值;
图3是本发明出水总氮TN训练误差图;
图4是本发明出水总氮TN预测结果图,其中实线为出水总氮TN实际输出值,虚线为递归自组织RBF神经网络预测值;
图5是本发明出水总氮TN预测误差图;
具体实施方式
本发明选取测量出水总氮TN的特征变量为氨氮NH4-N,硝态氮NO3-N,出水悬浮物浓度SS,生化需氧量BOD,总磷TP,以上单位均为毫克/升;
实验数据来自某污水处理厂2011年水质分析日报表;分别取氨氮NH4-N,硝态氮NO3-N,出水悬浮物浓度SS,生化需氧量BOD,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100组可用数据,其中60组用作训练样本,其余40组作为测试样本;本发明采用了如下的技术方案及实现步骤:
基于递归自组织RBF神经网络算法具体步骤如下:
1.一种基于递归自组织RBF神经网络的出水总氮TN智能检测方法,其特征在于包括以下步骤:
(1)确定出水总氮TN的输入与输出变量:以活性污泥法污水处理过程为研究对象,对污水处理过程变量进行特征分析,选取与出水总氮TN相关的过程变量作为软测量模型的输入:氨氮NH4-N,硝态氮NO3-N,出水悬浮物浓度SS,生化需氧量BOD,总磷TP,软测量模型的输出为出水总氮TN值;
(2)设计用于出水总氮TN智能检测的软测量模型:利用递归自组织RBF神经网络建立出水总氮TN的软测量模型,递归自组织RBF神经网络包括:输入层、隐含层、输出层;其结构为5-J-1的连接方式,即输入层神经元为5个,隐含层神经元为J个,J为大于2的正整数,输出层神经元为1个;输入层与隐含层之间的连接权值都赋值为1,隐含层与输出层之间的连接权值随机赋值,赋值区间为[-1,1];设共有p个训练样本,设第t时刻递归自组织RBF神经网络输入为x(t)=[x1(t),x2(t),x3(t),x4(t),x5(t)],x1(t)表示第t时刻氨氮NH4-N浓度,x2(t)表示第t时刻硝态氮NO3-N浓度,x3(t)表示第t时刻出水悬浮物浓度SS浓度,x4(t)表示第t时刻生化需氧量BOD浓度,x5(t)表示第t时刻总磷TP浓度;第t时刻递归自组织RBF神经网络的期望输出表示为yd(t),实际输出表示为y(t);基于递归自组织RBF神经网络的出水总氮TN的软测量方法计算方式依次为:
①输入层:该层由5个神经元组成,每个神经元的输出为:
ui(t)=xi(t) (20)
其中,ui(t)是t时刻第i个神经元的输出,i=1,2,…,5;
②隐含层:隐含层由J神经元组成,每个神经元的输出为:
其中,cj(t)为t时刻第j个隐含层神经元的中心向量,cj(t)=[c1j(t),c2j(t),…,c5j(t)]T,cij(t)表示隐含层t时刻第j个神经元中心值的第i个元素,||hj(t)-cj(t)||表示hj(t)与cj(t)之间的欧式距离,σj(t)是t时刻第j个隐含层神经元的中心宽度,hj(t)是t时刻第j个隐含层神经元的输入向量
y(t-1)是t-1时刻递归自组织RBF神经网络的输出,为t时刻输出神经元与第j个隐含层神经元的反馈连接权值,为t时刻输出神经元与隐含层神经元的反馈连接权值向量,T表示转置;
③输出层:输出层输出为:
其中,为t时刻隐含层与输出层的连接权值向量,为t时刻第j个隐含层神经元与输出神经元的连接权值,θ(t)=[θ1(t),θ2(t),...,θJ(t)]T为t时刻隐含层的输出向量,θj(t)为t时刻第j个隐含层神经元的输出,y(t)为t时刻递归自组织RBF神经网络的输出;
定义递归自组织RBF神经网络的误差为:
其中,yd(t)为t时刻递归自组织RBF神经网络的期望输出,y(t)为t时刻递归自组织RBF神经网络的实际输出,p为训练样本数;
(3)训练递归自组织RBF神经网络,具体为:
①给定递归自组织RBF神经网络的初始隐含层神经元个数为J,J为大于2的正整数,递归自组织RBF神经网络的输入为x(1),x(2),…,x(t),…,x(p),对应的期望输出为yd(1),yd(2),…,yd(t),…,yd(p),p表示训练样本数,期望误差值设为Ed,Ed∈(0,0.01),初始中心向量cj(1)中每个变量的赋值区间为[-2,2],初始中心宽度σj(1)的赋值区间为[0,1],初始反馈连接权值vj(t)的赋值区间为[0,1],j=1,2,…,J;初始隐含层与输出层的连接权值向量w2(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,计算递归自组织RBF神经网络的输出y(t),运用自适应二阶算法调整递归自组织RBF神经网络的连接权值和中心宽度:
Θ(t+1)=Θ(t)+(Ψ(t)+η(t)×Ι)-1×Ω(t) (25)
其中,Θ(t)为t时刻递归自组织RBF神经网络的参数矩阵,Ψ(t)是t时刻的拟海森矩阵,Ω(t)为t时刻梯度向量,I是单位矩阵,t时刻自适应学习率η(t)被定义为
η(t)=μ(t)η(t-1) (26)
其中,μ(t)为t时刻自适应因子,μ(1)初始值设为μ(1)=1,βmax(t)和βmin(t)分别为t时刻矩阵Ψ(t)中最大、最小的特征值;0<βmin(t)<βmax(t),0<η(t)<1,t时刻递归自组织RBF神经网络的参数矩阵Θ(t)包含:t时刻输出神经元与隐含层神经元的反馈连接权值向量w1(t),t时刻隐含层与输出层的连接权值向量w2(t),t时刻中心矩阵C(t)=[c1(t),c2(t),…,cJ(t)]T,cj(t),t时刻中心宽度向量σ(t)=[σ1(t),σ2(t),…,σJ(t)]T
Θ(1)=[w1(1),w2(1),C(1),σ(1)] (28)
t时刻的拟海森矩阵Ψ(t)和梯度向量Ω(t)计算方式为
Ψ(t)=jT(t)j(t) (29)
Ω(t)=jTe(t) (30)
e(t)=yd(t)-y(t) (31)
其中,e(t)为t时刻递归自组织RBF神经网络误差,yd(t)与y(t)是分别为递归自组织RBF神经网络的期望输出与实际输出,j(t)为雅克比矩阵
④t>3时,计算递归自组织RBF神经网络隐含层神经元的竞争力
cpj(t)=ρj(t)fj(t)σj(t),j=1,2,…,J (33)
其中,cpj(t)为t时刻第j个隐含层神经元的竞争力,J是隐含层神经元的个数,σj(t)为t时刻第j个隐含层神经元的中心宽度;fj(t)为t时刻第j个隐含层神经元的激活状态
其中,χ∈(1,2),t时刻隐含层神经元的激活状态向量f(t)=[f1(t),f2(t),…,fJ(t)],ρj(t)为第j个隐含层神经元的输出与网络输出的相关系数
其中,隐含层相关参数输出层相关参数B(t)=y(t),为t时刻隐含层相关参数平均值,为t时刻输出层相关参数平均值;
⑤t>3时,调整递归自组织RBF神经网络的结构;
在调整网络结构过程中,计算第j个隐含层神经元的竞争力,当第j个隐含层神经元的竞争力以及t和t+τ时刻的训练误差满足
E(t)-E(t+τ)≤ε, (36)
其中,指cpj(t)取最大值时j的取值,E(t)和E(t+τ)分别为t时刻和t+τ时刻的训练误差,τ是时间间隔,为大于2的正整数;ε是预设阈值ε∈(0,0.01);J为隐含层神经元数;增加1个隐含层神经元,并更新隐含层神经元数为M1=J+1;否则,不调整递归自组织RBF神经网络的结构,M1=J;
当第j个隐含层神经元的竞争力满足
cpj(t)<ξ, (38)
其中,ξ∈(0,Ed)是预设的修剪阈值;Ed是预设的常数,Ed∈(0,0.01];则删除个隐含层神经元,并更新隐含层神经元数为M2=M1-1;否则,不调整递归自组织RBF神经网络的结构,M2=M1;
⑥学习步数s增加1,如果步数s<p,转向步骤③进行继续训练,如果s=p转向步骤⑦;
⑦根据公式(24)计算递归自组织RBF神经网络的性能,如果E(t)≥Ed,则转向步骤③进行继续训练,如果E(t)<Ed,则停止调整;
出水总氮TN浓度智能检测方法训练结果如图2所示,X轴:样本数,单位是个,Y轴:出水总氮TN训练输出,单位是毫克/升,实线为出水总氮TN浓度实际输出值,虚线是出水总氮TN浓度训练输出值;出水总氮TN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:出水总氮TN浓度训练误差,单位是毫克/升;
(4)出水总氮TN浓度预测;
将测试样本数据作为训练后的递归自组织RBF神经网络的输入,递归自组织RBF神经网络的输出即为出水总氮TN的智能检测结果;出水总氮TN浓度智能检测方法测试结果如图4所示,X轴:测试样本数,单位是个/样本,Y轴:出水总氮TN预测输出值,单位是毫克/升,实线是出水总氮TN实际输出值,虚线为递归自组织RBF神经网络预测值;出水总氮TN浓度实际输出与测试输出的误差如图5,X轴:测试样本数,单位是个/样本,Y轴:出水总氮TN预测误差,单位是毫克/升。
训练数据:
表1.生化需氧量BOD的输入值(毫克/升)
192 | 222 | 201 | 264 | 195 | 209 | 260 | 197 | 206 | 289 |
188 | 350 | 210 | 204 | 200 | 180 | 230 | 338 | 200 | 330 |
320 | 232 | 260 | 240 | 218 | 316 | 310 | 172 | 210 | 316 |
310 | 244 | 248 | 168 | 204 | 145 | 170 | 142 | 190 | 260 |
200 | 240 | 280 | 174 | 250 | 136 | 222 | 204 | 239 | 242 |
310 | 232 | 290 | 210 | 144 | 214 | 251 | 158 | 262 | 290 |
表2氨氮浓度NH4-N的输入值(毫克/升)
64.3 | 69.4 | 72.6 | 71.7 | 71.5 | 63.5 | 70.7 | 68.4 | 64.3 | 68.3 |
71.9 | 64.3 | 63.8 | 56.9 | 44.6 | 64.9 | 68.9 | 76.9 | 63.5 | 70 |
60.3 | 60 | 72.1 | 69.7 | 70.5 | 66.1 | 62.2 | 58.8 | 60.5 | 63.5 |
65.7 | 59.4 | 54.8 | 60 | 59.1 | 63.7 | 64.5 | 58.1 | 61.9 | 66.7 |
57.6 | 70.7 | 61.3 | 57.8 | 55.3 | 65.8 | 65.1 | 61.3 | 72 | 62.8 |
63.4 | 61.4 | 71.3 | 61.2 | 58.7 | 55.7 | 67.7 | 58.5 | 61.5 | 73.2 |
表3硝态氮NO3-N的输入值(毫克/升)
13.8325 | 13.7215 | 13.6408 | 13.6666 | 13.7288 | 13.8617 | 13.8873 | 13.9157 | 13.9758 | 14.1119 |
14.4164 | 14.4829 | 15.2031 | 15.2791 | 15.6909 | 16.1498 | 16.6379 | 16.9443 | 16.8975 | 16.8101 |
16.5498 | 16.2205 | 15.7517 | 15.3732 | 14.5885 | 13.9968 | 13.5851 | 12.9808 | 12.6256 | 12.2428 |
11.9133 | 11.6286 | 11.4642 | 10.7946 | 10.3934 | 10.4852 | 10.9491 | 11.5281 | 12.2201 | 12.8419 |
13.3324 | 13.0934 | 12.8794 | 12.9103 | 12.5906 | 12.3108 | 12.0798 | 11.9742 | 11.8102 | 11.6730 |
11.6093 | 11.4942 | 11.4940 | 11.5036 | 11.4617 | 11.4878 | 11.3927 | 11.3851 | 11.4866 | 11.7895 |
表4.出水悬浮物浓度SS的输入值(毫克/升)
146 | 192 | 226 | 208 | 154 | 264 | 276 | 208 | 178 | 250 |
204 | 288 | 210 | 172 | 200 | 170 | 214 | 324 | 186 | 422 |
168 | 238 | 232 | 260 | 184 | 330 | 312 | 230 | 162 | 300 |
268 | 231 | 270 | 132 | 252 | 204 | 148 | 116 | 182 | 292 |
210 | 210 | 350 | 214 | 212 | 170 | 262 | 178 | 228 | 164 |
296 | 308 | 240 | 170 | 140 | 178 | 196 | 312 | 164 | 320 |
表5.总磷TP的输入值(毫克/升)
6.38 | 6.71 | 7.15 | 7.29 | 6.31 | 7.03 | 7.35 | 7.05 | 6.66 | 7.28 |
7.06 | 7.73 | 6.92 | 6.7 | 6.91 | 6.38 | 7.18 | 7.81 | 7.39 | 8.21 |
6.56 | 6.83 | 6.95 | 7.41 | 6.82 | 9.84 | 7.91 | 7.23 | 6.64 | 7.3 |
7.81 | 7.19 | 6.63 | 6 | 6.65 | 5.84 | 5.87 | 6.15 | 6.53 | 7.62 |
6.9 | 6.2 | 8.08 | 6.47 | 7.2 | 5.86 | 7.69 | 6.55 | 6.94 | 7.01 |
7.78 | 6.98 | 7.55 | 6.56 | 5.92 | 6.17 | 7.05 | 6.73 | 7.65 | 8.09 |
表6.出水总氮TN的实际输出值(毫克/升)
75.3 | 86 | 91.3 | 91.8 | 88.5 | 83.9 | 84.8 | 82.1 | 80 | 84.4 |
80 | 89.6 | 79.9 | 82.2 | 77.6 | 55.5 | 85.1 | 85.4 | 90.4 | 84.2 |
80.9 | 76.1 | 73.7 | 86.6 | 83.1 | 85.9 | 81.7 | 79.6 | 72 | 78 |
79.3 | 81.77 | 73.7 | 62.4 | 73.2 | 70.7 | 72.2 | 71.1 | 63 | 75.3 |
81.8 | 72.7 | 88.9 | 77.4 | 74.1 | 71.2 | 80.5 | 76.5 | 75.8 | 82.6 |
80.1 | 70.3 | 86.5 | 71.5 | 67.9 | 65.6 | 68.6 | 70.9 | 77.4 | 87.2 |
表7.出水总氮TN的训练值(毫克/升)
75.09123 | 85.75465 | 91.29607 | 91.6917 | 88.23302 | 83.95164 | 85.46349 | 82.11712 | 79.64609 | 84.5503 |
79.87456 | 89.64711 | 79.92864 | 81.83561 | 77.36899 | 57.73073 | 84.80773 | 85.69525 | 90.44198 | 82.75301 |
81.46583 | 76.12251 | 73.87198 | 86.63506 | 82.91107 | 85.88516 | 81.91191 | 79.37446 | 72.01563 | 78.18965 |
79.34218 | 81.66961 | 73.74434 | 62.82255 | 73.0666 | 70.48056 | 72.29508 | 71.25872 | 63.62556 | 74.98458 |
81.483 | 72.48675 | 88.93721 | 77.31496 | 74.22315 | 70.59969 | 80.91807 | 76.37911 | 75.78082 | 82.65934 |
80.05047 | 71.01168 | 85.82914 | 71.58082 | 67.73245 | 65.72093 | 69.74704 | 69.91498 | 76.98607 | 87.36917 |
预测数据:
表8.生化需氧量BOD的输入值(毫克/升)
217 | 226 | 218 | 390 | 260 | 200 | 248 | 370 | 342 | 347 |
290 | 440 | 289 | 460 | 188 | 318 | 334 | 290 | 341 | 335 |
287 | 346 | 266 | 430 | 294 | 450 | 262 | 372 | 370 | 198 |
347 | 610 | 326 | 283 | 395 | 233 | 331 | 209 | 282 | 174 |
表9.氨氮浓度NH4-N的输入值(毫克/升)
48.6 | 56.9 | 64.2 | 58.9 | 50.3 | 61.3 | 63.7 | 68.6 | 54 | 40.8 |
53.4 | 60.2 | 66.4 | 60.9 | 63.4 | 54.4 | 40.7 | 69 | 63.4 | 55 |
66.3 | 63.2 | 62.3 | 52.7 | 60.5 | 57 | 62.1 | 68.2 | 64 | 69 |
67.2 | 61.5 | 66 | 64.5 | 62.1 | 51.4 | 51 | 55.5 | 55.5 | 58.5 |
表10.硝态氮NO3-N的输入值(毫克/升)
12.3085 | 12.6792 | 13.0400 | 13.2389 | 13.5262 | 13.4614 | 13.2849 | 12.9682 | 12.7089 | 12.2269 |
12.0995 | 12.1315 | 12.1361 | 12.2122 | 12.2197 | 12.3499 | 12.4464 | 12.4927 | 12.7326 | 12.8156 |
12.9392 | 13.0438 | 13.7367 | 14.1627 | 14.8751 | 15.9604 | 16.7487 | 17.6572 | 18.6773 | 19.1970 |
19.9069 | 20.5030 | 20.9495 | 21.3475 | 21.8734 | 22.4720 | 22.7922 | 23.2325 | 23.4924 | 23.2459 |
表11.出水悬浮物浓度SS的输入值(毫克/升)
154 | 158 | 214 | 204 | 110 | 232 | 226 | 254 | 122 | 538 |
130 | 162 | 142 | 360 | 376 | 231.2 | 166 | 118 | 142 | 220 |
266 | 172 | 296 | 235 | 180 | 146 | 206 | 208 | 202 | 146 |
398 | 270 | 328 | 126 | 244 | 218 | 272 | 168 | 262 | 110 |
表12.总磷TP的输入值(毫克/升)
5.17 | 5.39 | 6.03 | 5.96 | 5.24 | 6.22 | 5.78 | 6.17 | 5.6 | 5.22 |
4.75 | 5.46 | 6.1 | 6.48 | 6.84 | 5.5 | 4.06 | 5.74 | 5.73 | 5.8 |
6.71 | 5.63 | 6.18 | 5.11 | 5.03 | 4.6 | 5.24 | 5.86 | 5.62 | 6.13 |
7.01 | 6.11 | 6.65 | 5.56 | 6.52 | 6.22 | 6.25 | 5.2 | 5.77 | 6.17 |
表13出水总氮TN的实际输出值(毫克/升)
62.8 | 67.4 | 75.3 | 70.1 | 59.4 | 78.5 | 75.4 | 77.3 | 70.2 | 54.5 |
60.7 | 66.7 | 74.1 | 74.9 | 78.6 | 66 | 60.9 | 65.4 | 52.3 | 60.5 |
72.7 | 68.2 | 70 | 65.1 | 69.1 | 61.9 | 69.3 | 71.5 | 70.7 | 76.7 |
80.8 | 73.9 | 77.3 | 73.5 | 76.3 | 73.4 | 74.1 | 64.5 | 66.6 | 67.8 |
表14出水总氮TN的预测值(毫克/升)
60.43193 | 67.16412 | 75.34496 | 70.96676 | 63.11076 | 67.66785 | 81.3452 | 79.78831 | 64.06407 | 58.64447 |
63.99991 | 66.24501 | 72.44785 | 72.43734 | 77.82645 | 67.75635 | 57.96904 | 75.32191 | 63.95107 | 56.05289 |
62.8231 | 65.67208 | 71.03243 | 61.22433 | 66.2433 | 65.8583 | 68.8428 | 76.71578 | 67.04345 | 74.80853 |
78.61247 | 75.88474 | 80.21718 | 68.98426 | 77.51966 | 67.57056 | 73.42719 | 71.17669 | 65.88281 | 66.41494 |
Claims (1)
1.一种基于递归自组织RBF神经网络的出水总氮TN智能检测方法,其特征在于包括以下步骤:
(1)确定出水总氮TN的输入与输出变量:以活性污泥法污水处理过程为研究对象,对污水处理过程变量进行特征分析,选取与出水总氮TN相关的过程变量作为软测量模型的输入:氨氮NH4-N,硝态氮NO3-N,出水悬浮物浓度SS,生化需氧量BOD,总磷TP,软测量模型的输出为出水总氮TN值;
(2)设计用于出水总氮TN智能检测的软测量模型:利用递归自组织RBF神经网络建立出水总氮TN的软测量模型,递归自组织RBF神经网络包括:输入层、隐含层、输出层;其结构为5-J-1的连接方式,即输入层神经元为5个,隐含层神经元为J个,J为大于2的正整数,输出层神经元为1个;输入层与隐含层之间的连接权值都赋值为1,隐含层与输出层之间的连接权值随机赋值,赋值区间为[-1,1];设共有p个训练样本,设第t时刻递归自组织RBF神经网络输入为x(t)=[x1(t),x2(t),x3(t),x4(t),x5(t)],x1(t)表示第t时刻氨氮NH4-N浓度,x2(t)表示第t时刻硝态氮NO3-N浓度,x3(t)表示第t时刻出水悬浮物浓度SS浓度,x4(t)表示第t时刻生化需氧量BOD浓度,x5(t)表示第t时刻总磷TP浓度;第t时刻递归自组织RBF神经网络的期望输出表示为yd(t),实际输出表示为y(t);基于递归自组织RBF神经网络的出水总氮TN的软测量方法计算方式依次为:
①输入层:该层由5个神经元组成,每个神经元的输出为:
ui(t)=xi(t) (1)
其中,ui(t)是t时刻第i个神经元的输出,i=1,2,…,5;
②隐含层:隐含层由J神经元组成,每个神经元的输出为:
其中,cj(t)为t时刻第j个隐含层神经元的中心向量,cj(t)=[c1j(t),c2j(t),…,c5j(t)]T,cij(t)表示隐含层t时刻第j个神经元中心值的第i个元素,||hj(t)-cj(t)||表示hj(t)与cj(t)之间的欧式距离,σj(t)是t时刻第j个隐含层神经元的中心宽度,hj(t)是t时刻第j个隐含层神经元的输入向量
y(t-1)是t-1时刻递归自组织RBF神经网络的输出,为t时刻输出神经元与第j个隐含层神经元的反馈连接权值, 为t时刻输出神经元与隐含层神经元的反馈连接权值向量,T表示转置;
③输出层:输出层输出为:
其中,为t时刻隐含层与输出层的连接权值向量,为t时刻第j个隐含层神经元与输出神经元的连接权值,θ(t)=[θ1(t),θ2(t),...,θJ(t)]T为t时刻隐含层的输出向量,θj(t)为t时刻第j个隐含层神经元的输出,y(t)为t时刻递归自组织RBF神经网络的输出;
定义递归自组织RBF神经网络的误差为:
其中,yd(t)为t时刻递归自组织RBF神经网络的期望输出,y(t)为t时刻递归自组织RBF神经网络的实际输出,p为训练样本数;
(3)训练递归自组织RBF神经网络,具体为:
①给定递归自组织RBF神经网络的初始隐含层神经元个数为J,J为大于2的正整数,递归自组织RBF神经网络的输入为x(1),x(2),…,x(t),…,x(p),对应的期望输出为yd(1),yd(2),…,yd(t),…,yd(p),p表示训练样本数,期望误差值设为Ed,Ed∈(0,0.01),初始中心向量cj(1)中每个变量的赋值区间为[-2,2],初始中心宽度σj(1)的赋值区间为[0,1],初始反馈连接权值vj(t)的赋值区间为[0,1],j=1,2,…,J;初始隐含层与输出层的连接权值向量w2(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,计算递归自组织RBF神经网络的输出y(t),运用自适应二阶算法调整递归自组织RBF神经网络的连接权值和中心宽度:
Θ(t+1)=Θ(t)+(Ψ(t)+η(t)×Ι)-1×Ω(t) (6)
其中,Θ(t)为t时刻递归自组织RBF神经网络的参数矩阵,Ψ(t)是t时刻的拟海森矩阵,Ω(t)为t时刻梯度向量,I是单位矩阵,t时刻自适应学习率η(t)被定义为
η(t)=μ(t)η(t-1) (7)
其中,μ(t)为t时刻自适应因子,μ(1)初始值设为μ(1)=1,βmax(t)和βmin(t)分别为t时刻矩阵Ψ(t)中最大、最小的特征值;0<βmin(t)<βmax(t),0<η(t)≤1,η(1)=1,t时刻递归自组织RBF神经网络的参数矩阵Θ(t)包含:t时刻输出神经元与隐含层神经元的反馈连接权值向量w1(t),t时刻隐含层与输出层的连接权值向量w2(t),t时刻中心矩阵C(t)=[c1(t),c2(t),…,cJ(t)]T,cj(t),t时刻中心宽度向量σ(t)=[σ1(t),σ2(t),…,σJ(t)]T
Θ(1)=[w1(1),w2(1),C(1),σ(1)] (9)
t时刻的拟海森矩阵Ψ(t)和梯度向量Ω(t)计算方式为
Ψ(t)=jT(t)j(t) (10)
Ω(t)=jTe(t) (11)
e(t)=yd(t)-y(t) (12)
其中,e(t)为t时刻递归自组织RBF神经网络误差,yd(t)与y(t)是分别为递归自组织RBF神经网络的期望输出与实际输出,j(t)为雅克比矩阵
④t>3时,计算递归自组织RBF神经网络隐含层神经元的竞争力
cpj(t)=ρj(t)fj(t)σj(t),j=1,2,…,J (14)
其中,cpj(t)为t时刻第j个隐含层神经元的竞争力,J是隐含层神经元的个数,σj(t)为t时刻第j个隐含层神经元的中心宽度;fj(t)为t时刻第j个隐含层神经元的激活状态
其中,χ∈(1,2),t时刻隐含层神经元的激活状态向量f(t)=[f1(t),f2(t),…,fJ(t)],ρj(t)为第j个隐含层神经元的输出与网络输出的相关系数
其中,隐含层相关参数输出层相关参数B(t)=y(t),为t时刻隐含层相关参数平均值,为t时刻输出层相关参数平均值;
⑤t>3时,调整递归自组织RBF神经网络的结构;
在调整网络结构过程中,计算第j个隐含层神经元的竞争力,当第j个隐含层神经元的竞争力以及t和t+τ时刻的训练误差满足
E(t)-E(t+τ)≤ε, (17)
其中,指cpj(t)取最大值时j的取值,E(t)和E(t+τ)分别为t时刻和t+τ时刻的训练误差,τ是时间间隔,为大于2的正整数;ε是预设阈值ε∈(0,0.01);J为隐含层神经元数;增加1个隐含层神经元,并更新隐含层神经元数为M1=J+1;否则,不调整递归自组织RBF神经网络的结构,M1=J;
当第j个隐含层神经元的竞争力满足
cpj(t)<ξ, (19)
其中,ξ∈(0,Ed)是预设的修剪阈值;Ed是预设的常数,Ed∈(0,0.01];则删除个隐含层神经元,并更新隐含层神经元数为M2=M1-1;否则,不调整递归自组织RBF神经网络的结构,M2=M1;
⑥学习步数s增加1,如果步数s<p,转向步骤③进行继续训练,如果s=p转向步骤⑦;
⑦根据公式(5)计算递归自组织RBF神经网络的性能,如果E(t)≥Ed,则转向步骤③进行继续训练,如果E(t)<Ed,则停止调整;
(4)出水总氮TN浓度预测;
将测试样本数据作为训练后的递归自组织RBF神经网络的输入,递归自组织RBF神经网络的输出即为出水总氮TN浓度的软测量值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610606146.XA CN106295800B (zh) | 2016-07-28 | 2016-07-28 | 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法 |
US15/389,755 US10570024B2 (en) | 2016-07-28 | 2016-12-23 | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610606146.XA CN106295800B (zh) | 2016-07-28 | 2016-07-28 | 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106295800A CN106295800A (zh) | 2017-01-04 |
CN106295800B true CN106295800B (zh) | 2019-03-05 |
Family
ID=57663043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610606146.XA Active CN106295800B (zh) | 2016-07-28 | 2016-07-28 | 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10570024B2 (zh) |
CN (1) | CN106295800B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510546B (zh) * | 2015-12-27 | 2017-06-16 | 北京工业大学 | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 |
US10832135B2 (en) | 2017-02-10 | 2020-11-10 | Samsung Electronics Co., Ltd. | Automatic thresholds for neural network pruning and retraining |
EP3502973A1 (en) * | 2017-12-19 | 2019-06-26 | InterDigital CE Patent Holdings | Neural network and method for training the neural network, corresponding computer program products and devices |
CN108469507B (zh) * | 2018-03-13 | 2020-11-27 | 北京工业大学 | 一种基于自组织rbf神经网络的出水bod软测量方法 |
CN109583789B (zh) * | 2018-05-22 | 2023-04-28 | 中国环境科学研究院 | 分湖富营养化变权营养指数评价方法 |
CN108898215B (zh) * | 2018-07-18 | 2022-06-14 | 北京工业大学 | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 |
CN109344971B (zh) * | 2018-09-26 | 2021-09-14 | 北京工业大学 | 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法 |
US10528867B1 (en) * | 2018-10-08 | 2020-01-07 | StradVision, Inc. | Learning method and learning device for neural network at adaptive learning rate, and testing method and testing device using the same |
CN109473182B (zh) * | 2018-11-12 | 2021-10-19 | 北京北排科技有限公司 | 一种基于深度信念网络的mbr膜透水率智能检测方法 |
CN109534486B (zh) * | 2018-12-21 | 2023-07-25 | 哈尔滨工程大学 | 一种基于随机递归小波神经网络的船舶污水处理控制预测系统及预测方法 |
CN109978024B (zh) * | 2019-03-11 | 2020-10-27 | 北京工业大学 | 一种基于互联模块化神经网络的出水bod预测方法 |
CN111354423B (zh) * | 2020-02-29 | 2024-03-08 | 北京工业大学 | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 |
CN112250161B (zh) * | 2020-08-29 | 2023-05-30 | 盐城工学院 | 一种用于偶氮废水处理的微生物电解电池的自适应电位控制器及其控制方法 |
CN112183719B (zh) * | 2020-09-15 | 2024-02-02 | 北京工业大学 | 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法 |
CN112414997B (zh) * | 2020-10-27 | 2022-06-14 | 北京工商大学 | 基于rbf神经网络的icp-aes重叠谱线分离方法 |
CN112462019A (zh) * | 2020-11-14 | 2021-03-09 | 北京工业大学 | 一种基于cl-rnn的出水氨氮软测量方法 |
CN114660248A (zh) * | 2020-12-22 | 2022-06-24 | 中国石油化工股份有限公司 | 基于多步预测策略的cod预警方法和装置 |
CN112863614B (zh) * | 2021-01-08 | 2024-04-02 | 北京工业大学 | 一种基于emd算法的模块化神经网络的出水氨氮软测量方法 |
CN113077039B (zh) * | 2021-03-22 | 2024-05-28 | 北京工业大学 | 基于任务驱动rbf神经网络的出水总氮tn软测量方法 |
CN115183149B (zh) * | 2022-04-25 | 2024-01-16 | 中国船级社武汉规范研究所 | 一种基于神经网络的lng罐箱剩余维持时间预报方法 |
CN115557600A (zh) * | 2022-07-26 | 2023-01-03 | 成都工业学院 | 一种生化反应的人工神经网络智能曝气装置及其控制方法 |
CN115541837A (zh) * | 2022-09-16 | 2022-12-30 | 北京工业大学 | 一种基于动态模糊神经网络的出水总氮智能检测方法 |
CN116029589B (zh) * | 2022-12-14 | 2023-08-22 | 浙江问源环保科技股份有限公司 | 基于两段式rbf的农村生活污水动植物油在线监测方法 |
CN117970811B (zh) * | 2024-03-28 | 2024-06-07 | 中国市政工程华北设计研究总院有限公司 | 基于预测控制流程优化的出水tn预测控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360035B (zh) * | 2014-11-02 | 2016-03-30 | 北京工业大学 | 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 |
CN105510546A (zh) * | 2015-12-27 | 2016-04-20 | 北京工业大学 | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376380B (zh) * | 2014-11-17 | 2017-07-21 | 北京工业大学 | 一种基于递归自组织神经网络的氨氮浓度预测方法 |
-
2016
- 2016-07-28 CN CN201610606146.XA patent/CN106295800B/zh active Active
- 2016-12-23 US US15/389,755 patent/US10570024B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360035B (zh) * | 2014-11-02 | 2016-03-30 | 北京工业大学 | 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 |
CN105510546A (zh) * | 2015-12-27 | 2016-04-20 | 北京工业大学 | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180029900A1 (en) | 2018-02-01 |
CN106295800A (zh) | 2017-01-04 |
US10570024B2 (en) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295800B (zh) | 一种基于递归自组织rbf神经网络的出水总氮tn智能检测方法 | |
CN105510546B (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
CN105574326A (zh) | 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 | |
CN104376380B (zh) | 一种基于递归自组织神经网络的氨氮浓度预测方法 | |
CN104965971A (zh) | 一种基于模糊神经网络的氨氮浓度软测量方法 | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN102662040B (zh) | 一种动态模块化神经网络的氨氮在线软测量方法 | |
CN109133351A (zh) | 膜生物反应器-mbr膜污染智能预警方法 | |
CN113077039B (zh) | 基于任务驱动rbf神经网络的出水总氮tn软测量方法 | |
CN104182794B (zh) | 一种基于神经网络的污水处理过程出水总磷tp软测量方法 | |
Hamada et al. | Application of artificial neural networks for the prediction of Gaza wastewater treatment plant performance-Gaza strip | |
CN102494979B (zh) | 一种污泥沉降体积指数svi的软测量方法 | |
CN106096730B (zh) | 一种基于递归rbf神经网络的mbr膜透水率的智能检测方法 | |
CN103606006A (zh) | 基于自组织t-s模糊神经网络的污泥沉降指数软测量方法 | |
CN112417765B (zh) | 一种基于改进师生网络模型的污水处理过程故障检测方法 | |
CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
CN102778548B (zh) | 一种污水处理过程污泥膨胀指数预测方法 | |
CN104063609B (zh) | 一种利用神经网络辅助判定污染源监测数据有效性的方法 | |
CN108549740A (zh) | 一种基于混合智能算法的厌氧系统出水氨氮软测量方法 | |
CN113156074B (zh) | 一种基于模糊迁徙的出水总氮预测方法 | |
CN106706491B (zh) | 膜生物反应器-mbr出水透水率的智能检测方法 | |
CN106769748B (zh) | 膜生物反应器-mbr出水透水率的智能检测系统 | |
CN103942600A (zh) | 基于尖峰自组织径向基神经网络的污泥膨胀预测方法 | |
Li et al. | A study on the UKFNN-based online detection of effluent COD in water sewage treatment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |