CN112462019A - 一种基于cl-rnn的出水氨氮软测量方法 - Google Patents
一种基于cl-rnn的出水氨氮软测量方法 Download PDFInfo
- Publication number
- CN112462019A CN112462019A CN202011271414.XA CN202011271414A CN112462019A CN 112462019 A CN112462019 A CN 112462019A CN 202011271414 A CN202011271414 A CN 202011271414A CN 112462019 A CN112462019 A CN 112462019A
- Authority
- CN
- China
- Prior art keywords
- layer
- hidden layer
- input
- representing
- attention
- 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 20
- 238000000691 measurement method Methods 0.000 title claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 3
- 239000000126 substance Substances 0.000 claims description 14
- 150000001875 compounds Chemical class 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000000725 suspension Substances 0.000 claims description 2
- 239000010865 sewage Substances 0.000 abstract description 12
- 230000000306 recurrent effect Effects 0.000 abstract description 6
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 abstract 1
- 238000012795 verification Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于CL‑RNN的出水氨氮软测量方法属于质量预测技术领域。首先将采集到的数据进行标准化处理，然后通过注意向量对原始输入进行调制，增强重要元素的影响，同时抑制不重要元素的影响，使得网络具有注意性能；之后通过连接隐含层和输出层神经元，将全局递归和局部递归嵌入到传统网络中。最后，利用权值更新策略实现污水NH4‑N的软测量，并用污水处理厂实际数据验证了所提方法的有效性。本发明使得递归神经网络在获取内部状态信息的同时捕获输出信号，可有效利用训练数据中的特征信息；其次，在外部反馈层中加入改进的注意力机制，对输入信号进行细粒度调制，使递归神经元具有注意能力，大大提高了出水NH4‑N的测量准确度。
Description
技术领域
本发明属于质量预测技术领域，涉及基于数据驱动的流程工业过程质量预测技术，特别是涉及一种针对城市污水处理过程进行出水氨氮软测量的方法。
背景技术
污水处理中出水氨氮(NH4-N)含量是衡量出水水质的重要指标。水中氨氮含量过高会直接硝化产生亚硝酸盐。长期饮用含有亚硝酸盐的水危害人体健康。由于污水处理过程是一个时变、非线性复杂系统，氨氮随时间变化很难进行评估。因此，迫切需要一种快速、准确、稳定的氨氮智能预测模型来准确预测污水处理过程中的出水氨氮含量。
在过去的几十年里，人们为解决NH4-N含量的预测问题付诸了很多努力，许多研究学者研究了多种建模方法来提高准确性，包括机理模型和基于数据驱动的模型等。然而，由于水质数据集的非线性特性，传统的线性数据分析方法和预测模型并不适合解决这一问题。近几年，人工智能技术已被应用于建立复杂的非线性输入输出关系的多学科研究，包括污水处理、生态科学和环境科学。人工神经网络由于其独特的并行性、自组织性等，被认为是解决预测和分类问题的一种潜在方法，且在多领域已经得到了广泛应用。人工神经网络依据拓扑结构主要分为两大类：前馈神经网络和反馈神经网络。其中，前馈神经网络的主要缺点是由前向后单向传递信息，网络的输出只依赖于网络的输入。此外，其本质上是静态的输入-输出映射，在表示非线性系统，特别是复杂或时变系统的能力是有限的。城市污水处理过程是一个时变的复杂非线性系统，关键变量难以在线实时测量。因此，建立一个有效的氨氮软测量模型是非常迫切且必要的。
递归神经网络(recurrent neural network，RNN)从生物学层面分析其结构比前馈神经网络更合理，它使用反馈连接存储历史输入数据的时序特征，其物理特性适合于非线性动态系统建模。因此，RNN与前馈神经网络相比更适合处理非线性过程中的预测问题。然而，现有的大部分预测模型中大多选用RNN的局部递归，包括隐含层递归和输出层递归，数据信息利用度不高，且与实际的污水处理过程偏差太大。常规的前馈神经网络和带有内部反馈递归神经网络本质上都是开环结构，最终的网络输出信号对神经网络没有影响，这不符合实际的城市污水处理过程。此外，当前时刻的预测值受到历史时刻预测值不同程度的影响。因此，增加一个输出反馈环为网络结构中的神经元提供全局信息，指导模型训练，从而提高预测精度是非常必要的。
发明内容
为弥补以上现有技术的不足，本发明提出了一种基于CL-RNN的出水氨氮软测量方法。由于变量间高度耦合，且对于出水氨氮的影响变量居多。所以我们不仅需要考虑局部信息，也需要从全局出发，将预测结果保留，为下一时刻的预测提供依据。首先，本文将改进的注意力机制添加到递归神经网络中，使得神经网络中的神经元拥有注意性能；此外，添加了基于输出层-输入层的全局递归和基于隐藏层-隐藏层的自反馈局部递归，使得整个网络也成为一个闭环系统，通过同时利用网络的内部信息和外部信息来监督训练，有效提高了模型精度和氨氮软测量的准确度。
本发明涉及一种基于CL-RNN的出水氨氮软测量方法，其特征在于：
A.模型训练阶段：
在软测量模型训练阶段；将学习率设为0.2，设定隐层神经元个数为8；期望预测误差设为0.03，训练次数设为200；
1)设计注意力机制对输入变量的不同重要性加以区分：注意机制的规则是利用对齐机制来获取注意概率分布信息即注意力权多轴重，而核心是输入序列的表达式。注意力权重计算方法如下：
a(t)＝f(worx(t)+vah(t-1)+ba)
式中，a(t)表示t时刻模型输入的注意力得分，即各输入变量所要对应相乘的权值；f为sigmoid激活函数f(x)＝1/1+e-x，其中x为自变量；x(t)表示t时刻的网络输入，即未乘注意力权重之前的样本输入；h(t-1)表示t-1时刻网络隐藏层的输出，ba表示注意力层的偏置，即当隐藏层的输入分布不是以0为中心时给予偏置补偿；wor＝[wor1,…,wori,…worn]表示输出层与输入层之间的连接权值，即wori表示输出与第i个输入之间的连接权值；输入为数据采集阶段所选定的6个变量，即n＝6；va＝[va1,…,vaj,…vam]为隐藏层与注意力层之间的连接权值，即vaj表示隐藏层与注意力层第j个神经元之间的连接权值；m表示隐层神经元个数，m＝8；使用当前输入x(t)和上一时刻的隐藏状态h(t-1)来共同确定输入x(t)的每个元素的重要程度；文中所有初始权值均为随机给定，且分布于[0,1]之间。
软测量模型的真正输入为：
x′(t)＝a(t)⊙x(t)
因此，x′(t)表示更新后的反应池好氧前端溶解氧浓度、化学需氧量、入水NH4-N浓度、温度、好氧末端总溶性固体浓度和挥发性固体悬浮液浓度；
2)CL-RNN软测量模型：利用不同注意力权值将隐含层和输出层的反馈信息嵌入到神经网络中，网络各层的信号传播和计算方式如下：
(1)输入层
x′(t)＝α(t)⊙x(t)
α(t)＝[α1,…,αi,…,αn]T
x(t)＝[x1,…,xi,…,xn]T
其中，
表示输出层反馈到输入层的信息，y(t-1)、y(t-2)分别表示t-1和t-2时刻的网络输出，即出水NH4-N的预测值；xi表示第i个输入变量，ai表示与其对应的注意力权值且0＜ai＜1。
(2)隐藏层
h(t)＝[h1(t),…,hj(t),…hm(t)]
其中，hj(t)和
分别表示隐藏层第j个神经元的输出和输入，m表示隐藏层神经元个数，由于本文设定隐层神经元个数为8，即m＝8，vj＝[v1,…,vi,…vn]表示隐含层第j个元素的自反馈权值；hj(t-1)为t-1时刻的第j个隐藏神经元输出；cj＝[c1,…ci,…,cn]和σj分别表示隐含层第j个元素的中心和半径，
表示
和cj之间的欧氏距离；
(3)输出层
式中，
表示网络的预测输出，即NH4-N的预测值；h(t)＝[h1(t),…,hj(t),…,hm(t)]表示t时刻网路的隐藏层输出，w＝[w1,…,wj,…,wm]表示隐含层与输出层之间的连接权值，即wj表示第j个隐层神经元与输出之间的连接权值；
3)参数更新
基于上述建立的NH4-N浓度预测软测量模型框架，下面给出各参数的详细更新公式；
在提出的CL-RNN预测模型中，需要更新的参数有以下六种:
其中，w(t+1)表示t+1时刻隐藏层与输出层之间的连接权值；c(t+1)表示t+1时刻隐藏层神经元的中心；σ(t+1)表示t+1时刻隐藏层神经元的半径；v(t+1)表示t+1时刻隐藏层神经元的自反馈权值；va(t+1)表示t+1时刻隐藏层与注意力层之间的连接权值；wor(t+1)表示t+1时刻输出层与输入层之间的连接权值；Δw(t)、Δc(t)、Δσ(t)、Δv(t)、Δva(t)、Δwor(t)分别表示t时刻以上各个权值参数的变化量；
η表示学习率，e(t)表示t时刻NH4-N浓度预测值与真实值的误差，f(t)＝e2(t)/2表示t时刻的网络损失函数，
表示t时刻隐藏神经元输入与中心的距离；其中，
表示t时刻隐藏层神经元的输入向量。
式中，
表示输出层权值的梯度下降变化量；即
表示t时刻第j个隐层神经元权值的梯度下降变化量；
隐藏层神经元中心值具体计算方式如下：
其中，
表示隐藏层神经元中心值的梯度下降变化量；即
表示t时刻输入层第i个神经元与隐藏层第j个神经元中心距离的梯度下降变化量，xi′(t)表示t时刻6个输入变量中的第i个变量。
隐藏层神经元半径具体计算方式如下：
其中，
表示第j个隐藏层神经元半径的梯度下降变化量，
表示第j个隐藏层神经元输出与中心的欧氏距离，
由径向基函数求偏导所得，无实际物理意义；
隐藏层自反馈连接权值记为：
式中，
表示隐藏层自反馈权值的梯度下降变化量，即
为第i行第j列个权值的梯度下降变化值，且i＝1,2,…n；j＝1,2,…,m；
隐藏层和注意力层之间连接权值记为：
式中，
其中，
为n行m列的权值矩阵，
表示第i行第j列个权值的梯度下降变化量，wori(t)表示输出到第i个输入的连接权值；将si定义为上式，式中
为softmax函数求导之后的数值；
输出层连接权值记为：
其中，
为输入层求偏导后的数值。
有益效果
本发明将改进的注意力机制添加到神经网络中，使得神经网络具有注意性能来细粒度调节网络输入，而非将所有变量同等对待。递归神经网络在建立较长时间的序列模型时，由于加入了局部循环，可以有效利用历史数据信息。然而，氨氮的软测量模型，不仅仅与历史变量有关，与每时刻预测结果也有关联。因此在局部反馈的基础上添加了全局反馈即将上一时刻输出反馈到下一时刻输入，充分利用隐藏层局部信息的同时也提取了网络全局信息，使整个网络形成一个闭环，而不是传统的开环结构。这样的模型结构更加符合和贴近实际的工业过程，使得模型准确性大大提高。
附图说明
图1为本发明改进的注意力方法的结构图；
图2为本发明预测模型的结构图；
图3为本方法对氨氮进行预测时，模型的均方根误差结果图；
图4为本方法对氨氮的预测值与真实值的对比结果图；
图5为本方法对氨氮预测的测试误差结果图；
具体实施方式
在本节中，利用污水处理厂真实数据来验证本方法在预测方面的有效性。通过与现有方法的比较，进一步说明了该方法的优越性。所有仿真运行在Microsoft Windows10.0环境下，时钟速度为2.6GHz，内存为8GB，编程环境为MATLAB 2016a版本。使用均方根误差(root-mean-square error，RMSE)作为衡量各种方法优劣的性能指标，定义如下。
其中，N表示样本个数。
NH4-N浓度预测
基于CL-RNN的软测量模型的输出是出水氨氮浓度，实验数据采自某污水处理厂，剔除异常数据后，得到300组样本数据。其中，200组样本用于训练，100组样本用于测试。隐神经元数设置为8，学习率为0.2，期望误差为0.03，CL-RNN在网络中的训练次数为200次。
测试过程中的RMSE值如图3所示，横轴：迭代次数，纵轴：RMSE值。图4所示的预测结果显示了所提出的CL-RNN的预测性能。横轴：样本个数。纵轴：实线为参考值，o为模型的预测值。图5为测试误差图，横轴：样本个数，纵轴：预测值和参考值之间的误差。从图中可以看出，CL-RNN对NH4-N的预测误差较小，误差在-0.2～0.2之间。然而，当样本中加入噪声数据时，算法虽存在一定程度的预测失真。但在噪声出现时预测误差在可接受范围内，具有较好的鲁棒性。为了验证所提方法的有效性，与其它6种不同预测方法做了对比，比较结果见表1。从表格中可以看出，CL-RNN对NH4-N预测的平均检验误差和标准差最小。以上结果表明，CL-RNN在预测出水NH4-N值方面有很好的效果。
表1：不同算法对NH4-N浓度预测的比较
Claims (1)
1.一种基于CL-RNN的出水氨氮软测量方法，其特征在于：
A.模型训练阶段：
在软测量模型训练阶段；将学习率设为0.2，设定隐神经元个数为8；期望预测误差设为0.03，训练次数设为200；
1)设计注意力机制对输入变量的不同重要性加以区分：注意机制的规则是利用对齐机制来获取注意概率分布信息即注意力权重，而核心是输入序列的表达式；注意力权重计算方法如下：
a(t)＝f(worx(t)+vah(t-1)+ba)
式中，a(t)表示t时刻模型输入的注意力得分，即各输入变量所要对应相乘的权值；f为sigmoid激活函数f(x)＝1/1+e-x，其中x为自变量；x(t)表示t时刻的网络原始输入，即未乘注意力权重之前的样本输入；h(t-1)表示t-1时刻网络隐藏层的输出，ba表示注意力层的偏置，即当隐藏层的输入分布不是以0为中心时给予偏置补偿；wor＝[wor1,…,wori,…worn]表示输出层与输入层之间的连接权值，即wori表示输出与第i个输入之间的连接权值；输入为数据采集阶段所选定的6个变量，即n＝6；va＝[va1,…,vaj,…vam]为隐藏层与注意力层之间的连接权值，即vaj表示隐藏层与注意力层第j个神经元之间的连接权值；m表示隐层神经元个数，m＝8；使用当前输入x(t)和上一时刻的隐藏状态h(t-1)来共同确定输入x(t)的每个元素的重要程度；文中所有初始权值均为随机给定，且分布于[0,1]之间；
软测量模型的真正输入为：
x′(t)＝a(t)⊙x(t)
因此，x′(t)表示更新后的反应池好氧前端溶解氧浓度、化学需氧量、入水NH4-N浓度、温度、好氧末端总溶性固体浓度和挥发性固体悬浮液浓度；
2)CL-RNN软测量模型：利用不同注意力权值将隐含层和输出层的反馈信息嵌入到神经网络中，网络各层的信号传播和计算方式如下：
(1)输入层
x′(t)＝α(t)⊙x(t)
α(t)＝[α1,…,αi,…,αn]T
x(t)＝[x1,…,xi,…,xn]T
其中，
表示输出层反馈到输入层的信息，y(t-1)、y(t-2)分别表示t-1和t-2时刻的网络输出，即出水NH4-N的预测值；xi表示第i个输入变量，ai表示与其对应的注意力权值且0＜ai＜1；
(2)隐藏层
h(t)＝[h1(t),…,hj(t),…hm(t)]
其中，hj(t)和
分别表示隐藏层第j个神经元的输出和输入，m表示隐藏层神经元个数,由于设定隐层神经元个数为8，即m＝8，vj＝[v1,…,vi,…vn]表示隐含层第j个元素的自反馈权值，hj(t-1)为t-1时刻的第j个隐藏神经元输出；cj＝[c1,…ci,…,cn]和σj分别表示隐含层第j个元素的中心和半径，
表示
和cj之间的欧氏距离；
(3)输出层
式中，
表示网络的预测输出，即NH4-N的预测值；h(t)＝[h1(t),…,hj(t),…,hm(t)]表示t时刻网路的隐藏层输出，w(t)＝[w1(t),…,wj(t),…,wm(t)]T表示隐含层与输出层之间的连接权值，即wj(t)表示第j个隐层神经元与输出之间的连接权值；
3)参数更新
基于上述建立的NH4-N浓度预测软测量模型框架，下面给出各参数的详细更新公式；
在提出的CL-RNN预测模型中，需要更新的参数有以下六种:
其中，w(t+1)表示t+1时刻隐藏层与输出层之间的连接权值；c(t+1)表示t+1时刻隐藏层神经元的中心；σ(t+1)表示t+1时刻隐藏层神经元的半径；v(t+1)表示t+1时刻隐藏层神经元的自反馈权值；va(t+1)表示t+1时刻隐藏层与注意力层之间的连接权值；wor(t+1)表示t+1时刻输出层与输入层之间的连接权值；Δw(t)、Δc(t)、Δσ(t)、Δv(t)、Δva(t)、Δwor(t)分别表示t时刻以上各个权值参数的变化量；
η表示学习率，e(t)表示t时刻NH4-N浓度预测值与真实值的误差，f(t)＝e2(t)/2表示t时刻的网络损失函数，
表示t时刻隐藏神经元输入与中心的距离；其中，
表示t时刻隐藏层神经元的输入向量；
式中，
表示输出层权值的梯度下降变化量；即
表示t时刻第j个隐层神经元权值的梯度下降变化量；
隐藏层神经元中心值具体计算方式如下：
其中，
表示隐藏层神经元中心值的梯度下降变化量；即
表示t时刻输入层第i个神经元与隐藏层第j个神经元中心距离的梯度下降变化量，x′i(t)表示t时刻6个输入变量中的第i个变量；
隐藏层神经元半径具体计算方式如下：
其中，
表示第j个隐藏层神经元半径的梯度下降变化量，
表示第j个隐藏层神经元输出与中心的欧氏距离，
由径向基函数求偏导所得，无实际物理意义；
隐藏层自反馈连接权值记为：
式中，
表示隐藏层自反馈权值的梯度下降变化量，即
为第i行第j列个权值的梯度下降变化值，且i＝1,2,…n；j＝1,2,…,m；
隐藏层和注意力层之间连接权值记为：
式中，
其中，
为n行m列的权值矩阵，
表示第i行第j列个权值的梯度下降变化量，wori(t)表示输出到第i个输入的连接权值；将si定义为上式，式中
为softmax函数求导之后的数值；
输出层连接权值记为：
其中，
为输入层求偏导后的数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011271414.XA CN112462019A (zh) | 2020-11-14 | 2020-11-14 | 一种基于cl-rnn的出水氨氮软测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011271414.XA CN112462019A (zh) | 2020-11-14 | 2020-11-14 | 一种基于cl-rnn的出水氨氮软测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112462019A true CN112462019A (zh) | 2021-03-09 |
Family
ID=74837345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011271414.XA Pending CN112462019A (zh) | 2020-11-14 | 2020-11-14 | 一种基于cl-rnn的出水氨氮软测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112462019A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376380A (zh) * | 2014-11-17 | 2015-02-25 | 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 |
| CN106295800A (zh) * | 2016-07-28 | 2017-01-04 | 北京工业大学 | 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 |
| WO2017024583A1 (zh) * | 2015-08-13 | 2017-02-16 | 华为技术有限公司 | 模型预测控制的方法和装置 |
| US20170185892A1 (en) * | 2015-12-27 | 2017-06-29 | Beijing University Of Technology | Intelligent detection method for Biochemical Oxygen Demand based on a Self-organizing Recurrent RBF Neural Network |
| CN110705692A (zh) * | 2019-09-25 | 2020-01-17 | 中南大学 | 一种基于空间和时间注意力的长短期记忆网络对工业非线性动态过程产品质量预测方法 |
| CN111125907A (zh) * | 2019-12-23 | 2020-05-08 | 河南理工大学 | 一种基于混合智能模型的污水处理氨氮软测量方法 |
-
2020
- 2020-11-14 CN CN202011271414.XA patent/CN112462019A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104376380A (zh) * | 2014-11-17 | 2015-02-25 | 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 |
| 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 |
| WO2017024583A1 (zh) * | 2015-08-13 | 2017-02-16 | 华为技术有限公司 | 模型预测控制的方法和装置 |
| US20170185892A1 (en) * | 2015-12-27 | 2017-06-29 | Beijing University Of Technology | Intelligent detection method for Biochemical Oxygen Demand based on a Self-organizing Recurrent RBF Neural Network |
| CN106295800A (zh) * | 2016-07-28 | 2017-01-04 | 北京工业大学 | 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 |
| CN110705692A (zh) * | 2019-09-25 | 2020-01-17 | 中南大学 | 一种基于空间和时间注意力的长短期记忆网络对工业非线性动态过程产品质量预测方法 |
| CN111125907A (zh) * | 2019-12-23 | 2020-05-08 | 河南理工大学 | 一种基于混合智能模型的污水处理氨氮软测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11346831B2 (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 | |
| US10919791B2 (en) | Intelligent identification method of sludge bulking based on type-2 fuzzy neural network | |
| CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
| CN109492265B (zh) | 基于动态非线性pls软测量方法的废水出水指标预测方法 | |
| CN107688701B (zh) | 基于wasp模型的水质软测量及水体富营养化评价方法 | |
| CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
| CN110824914B (zh) | 一种基于pca-lstm网络的废水处理智能监控方法 | |
| CN109308544B (zh) | 基于对比散度-长短期记忆网络的蓝藻水华预测方法 | |
| CN112949894B (zh) | 一种基于简化型长短期记忆神经网络的出水bod预测方法 | |
| CN101799888A (zh) | 基于仿生智能蚁群算法的工业软测量方法 | |
| 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 | |
| CN114417740B (zh) | 一种深海养殖态势感知方法 | |
| CN111125907B (zh) | 一种基于混合智能模型的污水处理氨氮软测量方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
| CN113156074B (zh) | 一种基于模糊迁徙的出水总氮预测方法 | |
| CN109359741A (zh) | 一种废水处理进水水质时序变化智能预测方法 | |
| CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
| CN116306803A (zh) | 一种基于wsfa-afe的ilstm神经网络的出水bod浓度预测方法 | |
| CN112462019A (zh) | 一种基于cl-rnn的出水氨氮软测量方法 | |
| CN110837886A (zh) | 一种基于elm-sl0神经网络的出水nh4-n软测量方法 | |
| CN113222324B (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 | |
| CN114462208A (zh) | 一种基于自组织rbfnn的出水bod在线软测量方法 | |
| CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 |
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: 20210309 |
|
| RJ01 | Rejection of invention patent application after publication |