CN110070220A - 一种基于神经网络算法的氨氮指标软测量方法 - Google Patents
一种基于神经网络算法的氨氮指标软测量方法 Download PDFInfo
- Publication number
- CN110070220A CN110070220A CN201910304061.XA CN201910304061A CN110070220A CN 110070220 A CN110070220 A CN 110070220A CN 201910304061 A CN201910304061 A CN 201910304061A CN 110070220 A CN110070220 A CN 110070220A
- Authority
- CN
- China
- Prior art keywords
- ammonia nitrogen
- neural network
- molar concentration
- network algorithm
- measurement method
- 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.)
- Pending
Links
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000000691 measurement method Methods 0.000 title claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 25
- 229910000069 nitrogen hydride Inorganic materials 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims abstract description 14
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 9
- 229910002651 NO3 Inorganic materials 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- YGSDEFSMJLZEOE-UHFFFAOYSA-N salicylic acid Chemical compound OC(=O)C1=CC=CC=C1O YGSDEFSMJLZEOE-UHFFFAOYSA-N 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012887 quadratic function Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- FJKROLUGYXJWQN-UHFFFAOYSA-N papa-hydroxy-benzoic acid Natural products OC(=O)C1=CC=C(O)C=C1 FJKROLUGYXJWQN-UHFFFAOYSA-N 0.000 claims description 3
- 229960004889 salicylic acid Drugs 0.000 claims description 3
- 238000002798 spectrophotometry method Methods 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 13
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002352 surface water Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
Abstract
本发明公开了一种基于神经网络算法的氨氮指标软测量方法，涉及水质监测领域，其特征在于所述输入层为与氨氮指标NH3‑N的摩尔浓度有相关关系的辅助变量，所述隐藏层为神经网络算法，其中激活函数根据所述相关关系定义，所述输出层为氨氮浓度预测值。本发明选择与氨氮在理论上具有相关关系的辅助变量，因此模型具有更高的精度和运算速度；除DO和ORP外，COD和硝氮可以采用光谱法连续监测，所以更易于实现在线连续监测；所有变量都面向出水，从而易于实现仪表的集成布置。
Description
技术领域
本发明涉及水质监测领域，尤其涉及一种基于神经网络算法的氨氮指标软测量方法。
背景技术
水质安全问题在水环境问题日益严重的当下备受关注，因此带来的环境水质在线监测检测仪器的市场潜力巨大。随着收入的增加，居民对和身体健康密切相关的环境问题的关注度不断提高，同时，工业化和城镇化的发展导致水污染的范围不断扩散、程度不断加深。水环境恶化和人民需求标准上升之间的矛盾，为水处理及相关行业提供了广阔的发展空间。
水质监测是水环境质量评估、水资源管理与保护的重要基础，对水质进行在线自动监测已经成为相关部门及时获得连续性的监测数据的有效手段。随着我国地表水水质自动检测站建设的快速推进，地表水环境进入网格化管理阶段，由此凸显了面大量广的农业农村污水排放对于地表水环境质量污染的严峻形势。
在水质监测中，氨氮指标的高低能够在很大程度上反映出水质的优劣等级，因此要实现实时监测。而对于氨氮指标的检测，从检测原理上氨氮在线检测仪主要有分光光度法和氨气敏电极法两大类。市场上尤以纳氏比色分光度法居多，比如国外的Smart现场氨氮测试仪，国内有AmtaxTM Compact氨氮在线分析仪、NH3N-2000系列氨氮在线分析仪、湖南力合LFNH-DW2001型、广州怡文EST-2004。对于电极法国外有法国SERES2000型、德国WTWTresCon型、美国哈希Amtax-sc型、美国YS工6820型、英国PPM公司的ProAm氨氮分析仪；国内有上海谷雨的NH4Dsc氨氮分析仪、北京捷安捷JAWA-1005型、国电南HNS2003-N型和先河科技发展有限公司XHAN-90B型。
以上国内外测定氨氮的方法均是以化学法为基础，通过改变加药量、反应时间等来优化氨氮指标的测定，但是仍无法避免其存在二次污染、反应时间长、设备昂贵、维护成本高的缺点。
为解决以上问题，实现氨氮指标的原位实时监测，目前的主要研究方向是采用神经网络模型对出水氨氮进行软测量，辅助变量采用诸如进水TP、好氧段前端DO、好氧段末端TSS、pH、温度等作。此种方式采用的辅助变量与氨氮关系不明，需要更长的运算时间；而且需在进水和出水处同时采样，设备设计和安装较复杂。
因此，本领域的技术人员致力于开发一种基于神经网络算法的氨氮指标软测量方法，选择与氨氮在理论上具有相关关系的辅助变量，因此模型具有更高的精度和运算速度；除DO和ORP外，COD和硝氮可以采用光谱法连续监测，所以更易于实现在线连续监测；所有变量都面向出水，从而易于实现仪表的集成布置。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是实现氨氮的实时监测和快速运算和设备的易于设计及安装。
为实现上述目的，本发明提供了一种基于神经网络算法的氨氮指标软测量方法，包含输入层、隐藏层和输出层组成的神经网络算法模型，其特征在于所述输入层为与氨氮指标NH3-N的摩尔浓度有相关关系的辅助变量，所述隐藏层为神经网络算法，所述输出层为氨氮浓度预测值，所述基于神经网络算法的氨氮指标软测量方法包括以下步骤：
步骤一，构建所述所述氨氮指标NH3-N的摩尔浓度和所述辅助变量的测量方法，获得测试样本数据；
步骤二，构建所述神经网络算法模型，步骤如下：
(1)对数据进行预处理，读取数据，随机选取训练集和测试机，然后进行归一化；
(2)根据所述相关关系定义激活函数；
(3)初始化所述隐藏层中每个所述激活函数的权重；
(4)编写拟合函数，将所述测试样本的部分数据输入，求出所述氨氮指标NH3-N的摩尔浓度输出值，并根据所述输出值与所述氨氮指标NH3-N的摩尔浓度测量值之间的误差更新所述权重，直到所述输出值与所述氨氮指标NH3-N的摩尔浓度的测量值之间的误差满足设定的阈值，将迭代调整的最终权重值作为所述神经网络算法模型的权重值；
(5)根据所述最终权重值对所述测试样本编写计算所述NH3-N的摩尔浓度预测值的函数；
(6)根据所述计算预测值的函数对所述测试样本数据的剩余部分进行所述NH3-N的摩尔浓度预测，评价标准为所述NH3-N的摩尔浓度测量值与所述预测值之间的相关系数R2和均方根误差RMSE；
(7)将预测得到的数据还原成原始值。
进一步地，所述辅助变量为硝态氮NO3 --N的摩尔浓度、溶解氧DO的摩尔浓度、有机物COD的浓度和ORP，其中所述氨氮指标NH3-N的摩尔浓度与所述硝态氮NO3 --N的摩尔浓度成线性关系，与所述溶解氧DO的摩尔浓度的平方成线性关系，与所述ORP对数成线性关系。
进一步地，步骤一所述测量方法包括以下步骤：
(1)启动在线监测系统中的进水泵，间隔2h启动自动取样器采集一个水样；
(2)按照《HJ 536-2009水质氨氮的测定水杨酸分光光度法》测定所述氨氮指标NH3-N的摩尔浓度，将其换算成摩尔浓度，记作[NH3-N]，作为NH3-N实测值；
(3)获取取样时刻，所述溶解氧DO的摩尔浓度和ORP值，将其换算成摩尔浓度，分别记作[DO]、[ORP]；
(4)采用国标法，获取取样时刻，所述有机物COD的浓度和硝态氮NO3 --N的摩尔浓度，将其换算成摩尔浓度，分别记作[COD]和[NO3 --N]。
进一步地，激活函数包括sigmoid函数、对数函数、二次函数；
进一步地，所述sigmoid函数为f(x)＝1/(1+ex)。
进一步地，所述对数函数为f(x)＝Log(x)。
进一步地，所述二次函数为f(x)＝x2。
进一步地，步骤二中的第(4)步所述测试样本的部分数据为所述测试样本数据的80％。
进一步地，步骤二中的第(6)步所述测试样本的剩余部分数据为所述测试样本数据的20％。
进一步地，步骤一所述测试样本都在出水口获取。
本发明具有如下技术效果：
(1)选择与氨氮在理论上具有相关关系的辅助变量，因此模型具有更高的精度和运算速度；
(2)除DO和ORP外，COD和硝氮可以采用光谱法连续监测，所以更易于实现在线连续监测；
(3)所有变量都面向出水，从而易于实现仪表的集成布置。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的神经网络预测模型结构图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
实施例1
启动在线监测系统中的进水泵，间隔2h启动自动取样器采集一个水样，按照《HJ536-2009水质氨氮的测定水杨酸分光光度法》测定NH3-N浓度，采用国标法获取取样时刻的COD和NO3 --N浓度，获取取样时刻DO、ORP的值，样本数为100个，并将所有指标转化为摩尔浓度。
再构建神经网络算法，包括以下步骤：
1)数据归一化：对数据进行预处理，读取数据，随机选取训练集和测试机，由于不同参数之间的量纲不同，无法进行有效地比较，因此需要对数据进行归一化处理，从而方便建模；
2)定义激活函数：如图1所示，设置隐藏层为1层，单元数为3，每个单元采用不同的激活函数，激活函数1为sigmoid函数f(x)＝1/(1+ex)、激活函数2对数函数f(x)＝Log(x)、激活函数3二次函数f(x)＝x2；
3)模块的初始化：第二是初始化每个激活函数的权重，可随机设定也可根据实际情况设定，本例设定的为随机权重数；
4)拟合函数的编写：进行拟合函数模块的编写，借助于自建的神经网络模型，随机选择80％的样本数据，以ORP、DO、COD和NO3-N的摩尔浓度作为输入值，氨氮指标的摩尔浓度作为输出值，根据计算出的输出值与氨氮指标的摩尔浓度真实值之间的误差，更新每一个激活函数的权重，直到氨氮浓度预测值与氨氮指标NH3-N的摩尔浓度的测量值之间的误差满足设定的阈值，将迭代调整的最终权重值作为神经网络算法模型的权重值；
5)预测函数的编写：根据最终权重值对测试样本编写计算NH3-N的摩尔浓度预测值的函数；
6)预测：再选取剩余20％的样本数据根据确定好的预测函数进行NH3-N的摩尔浓度预测，评价标准为NH3-N的摩尔浓度测量值与预测值之间的相关系数R2和均方根误差RMSE。
7)预测数据还原：由于数据预测之前进行了归一化处理，即为无量纲数据，所以需要将得到的数据还原成原始值。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于神经网络算法的氨氮指标软测量方法，包含输入层、隐藏层和输出层组成的神经网络算法模型，其特征在于所述输入层为与氨氮指标NH3-N的摩尔浓度有相关关系的辅助变量，所述隐藏层为神经网络算法，所述输出层为氨氮浓度预测值，所述基于神经网络算法的氨氮指标软测量方法包括以下步骤：
步骤一，构建所述所述氨氮指标NH3-N的摩尔浓度和所述辅助变量的测量方法，获得测试样本数据；
步骤二，构建所述神经网络算法模型，步骤如下：
(1)对数据进行预处理，读取数据，随机选取训练集和测试机，然后进行归一化；
(2)根据所述相关关系定义激活函数；
(3)初始化所述隐藏层中每个所述激活函数的权重；
(4)编写拟合函数，将所述测试样本的部分数据输入，求出所述氨氮指标NH3-N的摩尔浓度输出值，并根据所述输出值与所述氨氮指标NH3-N的摩尔浓度测量值之间的误差更新所述权重，直到所述输出值与所述氨氮指标NH3-N的摩尔浓度的测量值之间的误差满足设定的阈值，将迭代调整的最终权重值作为所述神经网络算法模型的权重值；
(5)根据所述最终权重值对所述测试样本编写计算所述NH3-N的摩尔浓度预测值的函数；
(6)根据所述计算预测值的函数对所述测试样本数据的剩余部分进行所述NH3-N的摩尔浓度预测，评价标准为所述NH3-N的摩尔浓度测量值与所述预测值之间的相关系数R2和均方根误差RMSE；
(7)将预测得到的数据还原成原始值。
2.如权利要求1所述的基于神经网络算法的氨氮指标软测量方法，其特征在于，所述辅助变量为硝态氮NO3 --N的摩尔浓度、溶解氧DO的摩尔浓度、有机物COD的浓度和ORP，其中所述氨氮指标NH3-N的摩尔浓度与所述硝态氮NO3 --N的摩尔浓度成线性关系，与所述溶解氧DO的摩尔浓度的平方成线性关系，与所述ORP对数成线性关系。
3.如权利要求1所述的基于神经网络算法的氨氮指标软测量方法，其特征在于，步骤一所述测量方法包括以下步骤：
(1)启动在线监测系统中的进水泵，间隔2h启动自动取样器采集一个水样；
(2)按照《HJ 536-2009水质氨氮的测定水杨酸分光光度法》测定所述氨氮指标NH3-N的摩尔浓度，将其换算成摩尔浓度，记作[NH3-N]，作为NH3-N实测值；
(3)获取取样时刻，所述溶解氧DO的摩尔浓度和ORP值，将其换算成摩尔浓度，分别记作[DO]、[ORP]；
(4)采用国标法，获取取样时刻，所述有机物COD的浓度和硝态氮NO3 --N的摩尔浓度，将其换算成摩尔浓度，分别记作[COD]和[NO3 --N]。
4.如权利要求1所述的基于神经网络算法的氨氮指标软测量方法，其特征在于，激活函数包括sigmoid函数、对数函数、二次函数。
5.如权利要求4所述的基于神经网络算法的氨氮指标软测量方法，其特征在于，所述sigmoid函数为f(x)＝1/(1+ex)。
6.如权利要求4所述的基于神经网络算法的氨氮指标软测量方法，其特征在于，所述对数函数为f(x)＝Log(x)。
7.如权利要求4所述的基于神经网络算法的氨氮指标软测量方法，其特征在于，所述二次函数为f(x)＝x2。
8.如权利要求1所述的基于神经网络算法的氨氮指标软测量方法，其特征在于，步骤二中的第(4)步所述测试样本的部分数据为所述测试样本数据的80％。
9.如权利要求1所述的基于神经网络算法的氨氮指标软测量方法，其特征在于，步骤二中的第(6)步所述测试样本的剩余部分数据为所述测试样本数据的20％。
10.如权利要求1所述的基于神经网络算法的氨氮指标软测量方法，其特征在于，步骤一所述测试样本都在出水口获取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910304061.XA CN110070220A (zh) | 2019-04-16 | 2019-04-16 | 一种基于神经网络算法的氨氮指标软测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910304061.XA CN110070220A (zh) | 2019-04-16 | 2019-04-16 | 一种基于神经网络算法的氨氮指标软测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110070220A true CN110070220A (zh) | 2019-07-30 |
Family
ID=67367853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910304061.XA Pending CN110070220A (zh) | 2019-04-16 | 2019-04-16 | 一种基于神经网络算法的氨氮指标软测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110070220A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268918A (zh) * | 2021-05-10 | 2021-08-17 | 云南省农业科学院农业环境资源研究所 | 一种预测浅层地下水中氮浓度的方法 |
| CN114814092A (zh) * | 2022-04-12 | 2022-07-29 | 上海应用技术大学 | 基于bp神经网络的ip指标测量方法 |
| CN116566048A (zh) * | 2023-05-06 | 2023-08-08 | 浙江鲲游科技有限公司 | 一种智慧用电安全监测系统 |
| CN116681992A (zh) * | 2023-07-29 | 2023-09-01 | 河南省新乡生态环境监测中心 | 一种基于神经网络的氨氮检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102662040A (zh) * | 2012-04-20 | 2012-09-12 | 辽宁工程技术大学 | 一种动态模块化神经网络的氨氮在线软测量方法 |
| CN104182794A (zh) * | 2014-09-05 | 2014-12-03 | 北京工业大学 | 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 |
| CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
| US20160123949A1 (en) * | 2014-11-02 | 2016-05-05 | Beijing University Of Technology | Measuring Phosphorus in Wastewater Using a Self-Organizing RBF Neural Network |
| CN105574326A (zh) * | 2015-12-12 | 2016-05-11 | 北京工业大学 | 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 |
| US20160140437A1 (en) * | 2014-11-17 | 2016-05-19 | Beijing University Of Technology | Method to predict the effluent ammonia-nitrogen concentration based on a recurrent self-organizing neural network |
| CN107664682A (zh) * | 2016-07-30 | 2018-02-06 | 复凌科技（上海）有限公司 | 一种氨氮的水质软测量预测方法 |
-
2019
- 2019-04-16 CN CN201910304061.XA patent/CN110070220A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102662040A (zh) * | 2012-04-20 | 2012-09-12 | 辽宁工程技术大学 | 一种动态模块化神经网络的氨氮在线软测量方法 |
| CN104182794A (zh) * | 2014-09-05 | 2014-12-03 | 北京工业大学 | 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 |
| US20160123949A1 (en) * | 2014-11-02 | 2016-05-05 | Beijing University Of Technology | Measuring Phosphorus in Wastewater Using a Self-Organizing RBF Neural Network |
| US20160140437A1 (en) * | 2014-11-17 | 2016-05-19 | Beijing University Of Technology | Method to predict the effluent ammonia-nitrogen concentration based on a recurrent self-organizing neural network |
| CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
| CN105574326A (zh) * | 2015-12-12 | 2016-05-11 | 北京工业大学 | 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 |
| CN107664682A (zh) * | 2016-07-30 | 2018-02-06 | 复凌科技（上海）有限公司 | 一种氨氮的水质软测量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马士杰: "基于自组织递归RBF神经网络的出水氨氮软测量研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268918A (zh) * | 2021-05-10 | 2021-08-17 | 云南省农业科学院农业环境资源研究所 | 一种预测浅层地下水中氮浓度的方法 |
| CN113268918B (zh) * | 2021-05-10 | 2023-04-07 | 云南省农业科学院农业环境资源研究所 | 一种预测浅层地下水中氮浓度的方法 |
| CN114814092A (zh) * | 2022-04-12 | 2022-07-29 | 上海应用技术大学 | 基于bp神经网络的ip指标测量方法 |
| CN116566048A (zh) * | 2023-05-06 | 2023-08-08 | 浙江鲲游科技有限公司 | 一种智慧用电安全监测系统 |
| CN116681992A (zh) * | 2023-07-29 | 2023-09-01 | 河南省新乡生态环境监测中心 | 一种基于神经网络的氨氮检测方法 |
| CN116681992B (zh) * | 2023-07-29 | 2023-10-20 | 河南省新乡生态环境监测中心 | 一种基于神经网络的氨氮检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070220A (zh) | 一种基于神经网络算法的氨氮指标软测量方法 | |
| US20240232456A1 (en) | Pollution emission determination method and apparatus based on digital watershed space-time model | |
| CN114240212B (zh) | 地质参数对资源量影响权重的确定方法及设备 | |
| Shi et al. | Probabilistic real-time deep-water natural gas hydrate dispersion modeling by using a novel hybrid deep learning approach | |
| Zhao et al. | Forecasting of Beijing PM2. 5 with a hybrid ARIMA model based on integrated AIC and improved GS fixed-order methods and seasonal decomposition | |
| Sandoval et al. | The evaluation of rainfall influence on combined sewer overflows characteristics: the Berlin case study | |
| CN113591700A (zh) | 一种潜在滑坡堵江预测方法 | |
| CN105675838B (zh) | 基于数据驱动的a2/o流程出水总磷智能检测方法 | |
| CN117723497B (zh) | 一种智能随动水质监测系统 | |
| CN101943658A (zh) | 主元分析理论和光谱分析技术结合对水质连续监测的方法 | |
| US20220221393A1 (en) | Prediction Formula Derivation Method and Prediction Formula Derivation Apparatus | |
| CN105911003A (zh) | 基于rbm回归的水质toc浓度分析方法 | |
| CN104569340B (zh) | 地下环境质量测定方法及装置 | |
| Neagu et al. | The Environmental Kuznets Curve revisited: economic complexity and ecological footprint in the most complex economies of the world | |
| CN113240006A (zh) | 废水排放的监测方法、装置、电子设备及存储介质 | |
| CN105241823A (zh) | 基于稀疏表示的火电厂烟气光谱定量分析方法 | |
| Gan et al. | Prediction of air pollutant concentration based on luong attention mechanism Seq2Seq model | |
| CN114354553B (zh) | 用于船舶燃油硫含量的嗅探监测方法及系统 | |
| CN113607710B (zh) | 一种在线监测水质的方法及其应用的装置和系统 | |
| CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
| Pohrebennyk et al. | Operative control parameters of water environment | |
| CN114324797A (zh) | 一种煤矿地下水库的矿井水水质安全评价方法 | |
| CN105528657A (zh) | 基于北斗和向量机的建筑物震害预测方法 | |
| Huang et al. | Monofractal and multifractal scaling analysis of pH time series from Dongting lake inlet and outlet | |
| CN118396386B (zh) | 一种基于城市水体返黑返臭高风险环节识别及达标评估的方法体系及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190730 |
|
| RJ01 | Rejection of invention patent application after publication |