CN110929809A - 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 - Google Patents
一种特征自增强的循环神经网络的污水关键水质指标软测量方法 Download PDFInfo
- Publication number
- CN110929809A CN110929809A CN201911298640.4A CN201911298640A CN110929809A CN 110929809 A CN110929809 A CN 110929809A CN 201911298640 A CN201911298640 A CN 201911298640A CN 110929809 A CN110929809 A CN 110929809A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- opt
- independent component
- neural network
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 239000010865 sewage Substances 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 10
- 238000000691 measurement method Methods 0.000 title claims abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 239000002245 particle Substances 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000000306 recurrent effect Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000002474 experimental method Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000012880 independent component analysis Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- FDWIKIIKBRJSHK-UHFFFAOYSA-N 2-(2-methyl-4-oxochromen-5-yl)acetic acid Chemical compound C1=CC=C2OC(C)=CC(=O)C2=C1CC(O)=O FDWIKIIKBRJSHK-UHFFFAOYSA-N 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005273 aeration Methods 0.000 description 2
- 238000005842 biochemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010992 reflux Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Food Science & Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
Abstract
本发明公开一种特征自增强的循环神经网络的方法，用于污水关键水质指标软测量。包括离线训练和在线软测量两个阶段。在离线阶段，首先对于历史的数据进行特征提取，本文选择运用OICA方法把原始数据提取成为高维的独立特征，之后采取二进制粒子群的方式，提取最优的独立特征组合并将其映射到最优特征的解混矩阵。在线测量时将数据经过离线时提取的解混矩阵跟待监测数据结合，将其映射到最优的特征维度，并将特征数据进入循环神经网络进行训练，得到软测量的结果。实验验证本发明的软测量精度高于传统的软测量方法，并且在污水处理过程复杂的环境下也可以有很高的精度，适合用于实际的工业过程。
Description
技术领域
本发明涉及基于数据驱动的软测量技术领域，特别是涉及一种针对复杂环境的工业过程的软测量技术。本发明所采用的数据驱动的方法即是在典型复杂环境下的工业过程——污水处理过程水质的软测量方面的具体应用。
背景技术
城市污水处理过程是一个复杂的、大滞后的生物化学反应过程,关键水质参数的检测和控制是污水处理厂稳定、高效运行的重要前提。传统的关键水质参数的检测方法采用的是人工送检的方式。人工送检的方式检测关键变量的从取样到化验的时间较长，且取样的频率受限，不能实时对污水关键变量进行检测。随着计算机技术的发展，软测量的方法被越来越多的在工业过程中应用。
在进行软测量建模过程中，首要问题就是对于数据进行一个有效的预处理及特征提取。在传统的数据处理上，以KPCA(Kernel Principal Component Analysis，KPCA)和KPLS(Kernel Partial Least Squares，KPLS)方法为主的统计学方法被用来提取潜在特征变量，从而捕获过程变化的信息。上述的方法可以有效的提取过程数据的非线性信息，但是以上方法均需要假设过程数据服从高斯分布，在实际的工业过程的数据由于复杂环境的干扰大多是不服从高斯分布的，在实际应用中有很多的限制。为了处理数据的非高斯问题，独立成分分析(independent component analysis，ICA)被提出并广泛的应用于数据的特征提取上。ICA可以处理数据的非高斯性但是有一定的缺陷，其在求解的过程中要大量的迭代并且ICA的解有高度的不确定性，导致ICA在应用时较为困难。现在缺乏一种有效的数据处理手段针对数据的非高斯性特性进行特征提取。
在软测量的建模过程中，人工神经网络(ANN)是应用最多的软测量模型之一。然而由于人工神经网络存在提取特征能力有限，容易过拟合的问题，其性能并没有达到预期的要求。近十年来，为了克服这些问题，深度学习技术得到了快速的发展，在软测量领域也有很多的应用。这些软测量模型大多基于静态的深度网络，如深度信念网络(DBN)和深度神经网络(DNN)等。这些模型在软测量时所有训练的样本都是独立的、恒等分布的，没有考虑到重要的时间关系。然而污水处理过程是动态的，数据样本之间具有很强的时间相关性。现在对于数据的时间相关性问题进行研究的软测量方法还很少，需要一种有效的软测量模型对于数据的相关性进行处理。
发明内容
为了克服上述所提的两个技术的不足。本发明提供一种特征自增强的循环神经网络的方法用于污水的关键指标的软测量。在特征提取阶段，本文选择运用OICA(Overcomplete Independent Component Analysis)的方法把原始数据提取成为高维的独立特征，OICA算法由麻省理工学院的Anastasia Podosinnikova等人提出，该算法无需假设数据服从高斯分布，计算复杂度低，而且不受混合矩阵形式的限制。之后采取二进制粒子群(Binary particle swarm optimization，BPSO)的方式，提取最优的独立特征组合，这种策略可以解决ICA在处理数据的不稳定性。之后用深度循环神经网络(Deep RecurrentNeural Network，DRNN)对于提取的特征数据进行训练。这种方法可以提出高维的独立特征分量，而采用BPSO的策略可以自适应的选取最优的特征分量集，避免了维度的增高对于资源的过度消耗。之后运用循环神经网络对上述得到的特征和标签进行训练，可以学习具有多个抽象层次的时间序列信息，提高软测量的准确度。
本发明采用了如下的技术方案及实现步骤：
A.离线建模阶段：
1)对于污水处理过程的历史数据进行采集，采集的历史数据为X，采集的数据包括M个采样时刻，每个采样时刻采集I个过程变量构成数据矩阵
其中每个采样时刻xn＝(xn,1,xn,2,…,xn,i)表示第n个采样时刻的第i个变量的测量值。
2)之后对于历史数据X进行标准化，标准化公式如下：
其中，mean为数据X的均值，Std为数据X的标准差。
3)将标准化后的
通过Anastasia所提的OICA算法将数据映射为独立成分特征矩阵S，独立成分特征矩阵S的每一行代表一个独立成分特征，这些独立成分特征包含大量数据非高斯性的特征，对后续的建模提供更丰富有效的信息。OICA算法具体的步骤是首先通过OICA算法对
进行求解，会得到可以将原始数据
映射为独立分量的解混矩阵W，之后通过W将原始数据
映射为独立分量特征矩阵S。将原始数据
映射为独立分量特征矩阵S计算的公式如下：
4)经过OICA映射出的独立成分特征数远多于输入数据
的变量个数，而这些大量的独立成分特征中必然有一部分是冗余的，会增加模型的训练量，所以需要对于OICA映射出的独立成分特征进行优化。对于特征优化方法是一种离散的组合优化方法，目的是从所有特征中选取最优的特征组合。本发明方法采用二进制粒子群的方法去求解最优的特征，具体步骤如下，首先将独立成分特征中的每一个特征都初始化赋予一个二进制值0或1，若独立成分特征对应的二进制数为0，则该特征不被选取，若对应的二进制数为1，特征即被选择。之后把这些特征对应的二进制数构成一个二进制矩阵C。不同的二进制数构成的C即对应挑选的不同的特征组合。进一步的，运用二进制粒子群的方法对于C进行优化。二进制粒子群的粒子数为初始化二进制矩阵C中的二进制个数。BPSO的fitness函数为后续建模中软测量的均方根误差函数。之后经过不断的更新迭代到收敛后会得到一组较优的特征组合Copt。之后通过Copt改变原来解混矩阵W的映射方式，使得数据经过解混矩阵可以直接映射为最优的独立成分特征。
通过Copt改变原来解混矩阵W的公式如下：
Wopt＝CoptW (5)
通过优化后的解混矩阵Wopt可以得到离线数据较优的特征独立分量Sopt。
公式如下：
5)把提取的特征独立分量Sopt进入多层的深度循环神经网络中进行有标签训练，深度循环神经网络训练的标签是数据对应的需要软测量指标的离线数据，损失函数为均方根误差函数。之后将深度循环神经网络的网络训练参数保留用于在线阶段的软测量。
B.在线测量阶段：
1)首先获取在线时刻的数据Xnew，将Xnew进行标准化之后得到
进一步的，通过离线阶段得到的解混矩阵Wopt得到当前时刻
的最优的独立成分特征矩阵Snew，计算公式如下所示。
2)将独立分量特征数据Snew进入离线时训练好结构参数的深度循环神经网络中可以计算得到软测量的预测值。
有益效果
与现有技术相比，本发明采用的OICA和BPSO结合的特征提取方式能够有效并自动的从原数据中提取有效特征，提取出的特征相互独立并且特征量相对原数据大很多，更好的挖掘数据中隐含的信息。并且本发明采用的方法解决了ICA在特征提取时候的高度不确定性。更容易被运用到实际的工业过程中。之后本发明采用的深度循环神经网络处理上述采集到的特征信息，在处理数据的非线性的同时也可以学习具有多个抽象层次的时间序列信息，可以有效的提升污水关键指标软测量的精度
附图说明
图1为本发明方法提出的网络结构图；
图2为正常天气下本发明方法的软测量的预测值和真实值的对比图；
图3为正常天气下本发明方法的软测量的绝对误差和相对误差；
图4为暴雨天气下本发明方法的软测量的真实值和预测值的对比图；
图5为暴雨天气下本发明方法的软测量的绝对误差和相对误差；
具体实施方式
污水处理过程极其复杂，不仅包含了各种物理、化学，而且也包括了生化反应，此外，各种不确定性因素充斥其中，如进水流量、水质和负荷变化等，这给污水处理监控模型的建立带来了巨大的挑战。本发明采用国际水协会(IWA)研发的“仿真基准模型”(Benchmark Simulation Model 1)作为实际污水处理过程进行实时仿真。该模型由五个反应池(5999m3)和一个二沉池(6000m3)组成，此外还有三个曝气池。曝气池有10层，深4米，占地1500m2，反应过程有内回流和外回流。平均污水处理流量为20 000m3/d，化学需氧量为300mg/l。污水模型的出水水质指标如表1所示。
表1污水出水指标
本发明在上述BSM1仿真平台的应用过程具体陈述如下：
A.离线建模阶段：
步骤1：本发明对BSM1污水模型的正常和暴雨两个天气状况分别对污水的BOD、COD、TSS指标进行软测量实验。为了还原在真实过程中数据受到传感器噪声的干扰的问题，在所有的实验变量中都加入强度为5％-10％的高斯白噪声。实验采集到正常天气和暴雨14天的数据，采样间隔为15min，每个天气的总采样点为1344个。实验用前14个变量的前80％数据来进行离线训练。实验中采集的离线数据为X，采集的数据包括M个采样时刻，每个采样时刻采集I个过程变量构成数据矩阵
其中每个采样时刻xn＝(xn,1,xn,2,…,xn,i)表示第n个采样时刻的第i个变量的测量值。
步骤2：之后对于历史数据X进行标准化，标准化公式如下：
其中，mean为数据X的均值，Std为数据X的标准差。
步骤3：将标准化后的
通过Anastasia所提的OICA算法将数据映射为独立成分特征信息，通过OICA算法求解
会得到可以将原始数据映射为独立分量的解混矩阵W，通过W将原始数据映射为独立分量特征数据的公式如下：
步骤3：经过OICA映射出的独立成分特征数远多于输入数据
的变量个数，而这些大量的独立成分特征中必然有一部分是冗余的，会增加模型的训练量，所以需要对于OICA映射出的独立成分特征进行优化。对于特征优化方法是一种离散的组合优化方法，目的是从所有特征中选取最优的特征组合。本发明方法采用二进制粒子群的方法去求解最优的特征，具体步骤如下，首先将独立成分特征中的每一个特征都初始化赋予一个二进制值0或1，若独立成分特征对应的二进制数为0，则该特征不被选取，若对应的二进制数为1，特征即被选择。之后把这些特征对应的二进制数构成一个二进制矩阵C。不同的二进制数构成的C即对应挑选的不同的特征组合。进一步的，运用二进制粒子群的方法对于C进行优化。二进制粒子群的粒子数为初始化二进制矩阵C中的二进制个数。BPSO的fitness函数为后续建模中软测量的均方根误差函数。之后经过不断的更新迭代到收敛后会得到一组较优的特征组合Copt。之后通过Copt改变原来解混矩阵W的映射方式，使得数据经过解混矩阵可以直接映射为最优的独立成分特征。通过Copt改变原来解混矩阵W的公式如下：
Wopt＝CoptW (5)
通过优化后的解混矩阵Wopt可以得到离线数据较优的特征独立分量Sopt。
公式如下：
步骤4：把提取的特征独立分量Sopt进入多层的深度循环神经网络中进行有标签训练，深度循环神经网络训练的标签是数据对应的需要软测量指标的离线数据。深度循环神经网络的网络参数如表1所示。其中，深度循环神经网络训练的标签有两类：正常，故障。之后将深度循环神经网络的网络训练参数保留并用于在线阶段的软测量。本发明方法的总体网络结构图如图1所示。
表1深度神经网络的网络结构和参数
B.在线测量阶段：
步骤5：首先获取在线时刻的数据Xnew，将Xnew进行标准化之后得到
进一步的，通过离线阶段得到的解混矩阵Wopt得到当前时刻
的最优的独立成分特征矩阵Snew，计算公式如下所示。
步骤6：将独立分量特征数据Snew进入离线时训练好结构参数的深度循环神经网络中可以计算得到软测量的预测值。
以上即为本发明方法在BSM1污水仿真平台上的污水关键指标软测量的具体应用步骤。图2为本发明方法进行软测量的预测值和真实值的对比图，图3为预测值和真实值的绝对误差和相对误差。从图2-3中可以看出，本发明的方法可以很好的拟合真实值的曲线而且误差较小，可以看出本方法在对于污水的关键指标软测量上具有很高的精确度。
在上述实验基础上本文进一步对于本发明方法对于复杂环境下污水的软测量建模进行实验。实验选择BSM1的污水处理暴雨天气的数据来模拟本发明方法在极端天气下的污水软测量的精确度。图4为暴雨天气下真实值和预测值的对比图，图5为暴雨天气下真实值和预测值的绝对误差和相对误差，从图中可以看出，极端条件下本发明方法的软测量也有很高的精确度和鲁棒性，更适合用于实际的工业过程中。
Claims (2)
1.一种特征自增强的循环神经网络的污水关键水质指标软测量方法，包括“离线建模”和“在线测量”两个阶段，具体步骤如下：
A.离线建模阶段：
1)对于污水处理过程的历史数据进行采集，采集的历史数据为X，采集的数据包括M个采样时刻，每个采样时刻采集I个过程变量构成数据矩阵
其中xn＝(xn,1,xn,2,…,xn,i)表示第n个采样时刻的第i个变量的测量值；
2)之后对于历史数据X进行标准化，标准化公式如下：
其中,Mean为数据X的均值，Std为数据X的标准差；
3)将标准化后的
通过Anastasia所提的OICA算法将数据映射为独立成分特征矩阵S，具体步骤是：首先通过OICA算法对
进行求解，得到可以将原始数据
映射为独立分量的解混矩阵W，之后通过W将原始数据
映射为独立分量特征矩阵S，将原始数据
映射为独立分量特征矩阵S计算的公式如下：
4)采用二进制粒子群的方法从独立分量特征矩阵S中选取最优特征Sopt，具体步骤如下，首先将独立分量特征矩阵S中的每一个特征都初始化赋予一个二进制值0或1，若独立成分特征对应的二进制数为0，则该特征不被选取，若对应的二进制数为1，特征即被选择；之后把这些特征对应的二进制数构成一个二进制矩阵C；不同的二进制数构成的C即对应挑选的不同的特征组合；进一步的，运用二进制粒子群的方法对于C进行优化，其中，二进制粒子群的粒子数为初始化二进制矩阵C中的二进制个数；之后经过不断的更新迭代到收敛后会得到一组较优的特征组合Copt；通过Copt改变原来解混矩阵W的映射方式，使得数据经过解混矩阵可以直接映射为最优的独立成分特征Sopt；
其中，通过Copt改变原来解混矩阵W的公式如下：
Wopt＝CoptW (5)
通过优化后的解混矩阵Wopt可以得到离线数据较优的特征独立分量Sopt，公式如下：
5)提取的特征独立分量Sopt进入多层的深度循环神经网络中进行有标签训练，深度循环神经网络训练的标签有两种，即故障、正常，损失函数为均方根误差函数；之后将深度循环神经网络的网络训练参数保留用于在线阶段的软测量。
B.在线测量阶段：
1)首先获取在线时刻的数据Xnew，将Xnew进行标准化之后得到
进一步的，通过离线阶段得到的解混矩阵Wopt得到当前时刻
的最优的独立成分特征矩阵Snew，计算公式如下所示。
2)独立分量特征数据Snew进入离线时训练好结构参数的深度循环神经网络中可以计算得到软测量的预测值。
2.根据权利要求1所述的一种特征自增强的循环神经网络的污水关键水质指标软测量方法，其特征在于：步骤5)所述的均方根误差函数为BPSO的fitness函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911298640.4A CN110929809B (zh) | 2019-12-14 | 2019-12-14 | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911298640.4A CN110929809B (zh) | 2019-12-14 | 2019-12-14 | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110929809A true CN110929809A (zh) | 2020-03-27 |
| CN110929809B CN110929809B (zh) | 2023-05-02 |
Family
ID=69862791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911298640.4A Active CN110929809B (zh) | 2019-12-14 | 2019-12-14 | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110929809B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819087A (zh) * | 2021-02-11 | 2021-05-18 | 北京工业大学 | 一种基于模块化神经网络的出水bod传感器异常检测方法 |
| CN113065242A (zh) * | 2021-03-13 | 2021-07-02 | 宁波大学科学技术学院 | 一种基于kplsr模型的污水处理出水总氮浓度软测量方法 |
| CN117059201A (zh) * | 2023-07-26 | 2023-11-14 | 佛山市南舟智能科技有限公司 | 一种污水化学需氧量的预测方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110246402A1 (en) * | 2010-03-31 | 2011-10-06 | Teledyne Scientific & Imaging, Llc | Acoustic event classification using particle swarm optimization with flexible time correlation matching |
| CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
| CN109002839A (zh) * | 2018-06-22 | 2018-12-14 | 杭州电子科技大学 | 一种多属性特征环境下高效特征选择方法 |
| CN109389314A (zh) * | 2018-10-09 | 2019-02-26 | 宁波大学 | 一种基于最优近邻成分分析的质量软测量与监测方法 |
| CN109919421A (zh) * | 2019-01-23 | 2019-06-21 | 华南理工大学 | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
| CN110119579A (zh) * | 2019-05-16 | 2019-08-13 | 北京工业大学 | 一种基于oica的复杂工业过程故障监测方法 |
| CN110163412A (zh) * | 2019-04-15 | 2019-08-23 | 杭州电子科技大学 | 一种基于改进的支持向量机股票收益率预测方法 |
-
2019
- 2019-12-14 CN CN201911298640.4A patent/CN110929809B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110246402A1 (en) * | 2010-03-31 | 2011-10-06 | Teledyne Scientific & Imaging, Llc | Acoustic event classification using particle swarm optimization with flexible time correlation matching |
| CN102854296A (zh) * | 2012-08-30 | 2013-01-02 | 北京工业大学 | 一种基于集成神经网络的污水处理软测量方法 |
| CN109002839A (zh) * | 2018-06-22 | 2018-12-14 | 杭州电子科技大学 | 一种多属性特征环境下高效特征选择方法 |
| CN109389314A (zh) * | 2018-10-09 | 2019-02-26 | 宁波大学 | 一种基于最优近邻成分分析的质量软测量与监测方法 |
| CN109919421A (zh) * | 2019-01-23 | 2019-06-21 | 华南理工大学 | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
| CN110163412A (zh) * | 2019-04-15 | 2019-08-23 | 杭州电子科技大学 | 一种基于改进的支持向量机股票收益率预测方法 |
| CN110119579A (zh) * | 2019-05-16 | 2019-08-13 | 北京工业大学 | 一种基于oica的复杂工业过程故障监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| HASSAN M.H. FARH等: "Dynamic global power extraction from partially shaded photovoltaic using deep recurrent neural network and improved PSO techniques" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819087A (zh) * | 2021-02-11 | 2021-05-18 | 北京工业大学 | 一种基于模块化神经网络的出水bod传感器异常检测方法 |
| CN112819087B (zh) * | 2021-02-11 | 2024-03-15 | 北京工业大学 | 一种基于模块化神经网络的出水bod传感器异常检测方法 |
| CN113065242A (zh) * | 2021-03-13 | 2021-07-02 | 宁波大学科学技术学院 | 一种基于kplsr模型的污水处理出水总氮浓度软测量方法 |
| CN117059201A (zh) * | 2023-07-26 | 2023-11-14 | 佛山市南舟智能科技有限公司 | 一种污水化学需氧量的预测方法、装置、设备及存储介质 |
| CN117059201B (zh) * | 2023-07-26 | 2024-06-11 | 佛山市南舟智能科技有限公司 | 一种污水化学需氧量的预测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110929809B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107025338B (zh) | 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 | |
| CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
| CN108469507B (zh) | 一种基于自组织rbf神经网络的出水bod软测量方法 | |
| US10570024B2 (en) | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network | |
| CN110929809B (zh) | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 | |
| CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| US20170185892A1 (en) | Intelligent detection method for Biochemical Oxygen Demand based on a Self-organizing Recurrent RBF Neural Network | |
| 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 | |
| CN103728431A (zh) | 基于极限学习机的工业污水cod在线软测量方法 | |
| CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
| CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
| CN113077039B (zh) | 基于任务驱动rbf神经网络的出水总氮tn软测量方法 | |
| WO2021109180A1 (zh) | 一种基于模糊宽度自适应学习模型的污水处理过程故障监测方法 | |
| CN104680015A (zh) | 一种基于快速相关向量机的污水处理在线软测量方法 | |
| CN105676814A (zh) | 基于sfla-svm的数字化水岛在线加药控制方法 | |
| WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN114417740B (zh) | 一种深海养殖态势感知方法 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN111079857B (zh) | 一种基于过完备宽度学习模型的污水处理过程故障监测方法 | |
| CN106769748B (zh) | 膜生物反应器-mbr出水透水率的智能检测系统 | |
| Zhang et al. | Effluent Quality Prediction of Wastewater Treatment System Based on Small-world ANN. | |
| CN103942600B (zh) | 基于尖峰自组织径向基神经网络的污泥膨胀预测方法 | |
| CN114971164A (zh) | 一种基于人工智能的污泥处理设备异常检测方法及系统 | |
| Juuso | Data-based development of hybrid models for biological wastewater treatment in pulp and paper industry |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |