CN112949894A - 一种基于简化型长短期记忆神经网络的出水bod预测方法 - Google Patents
一种基于简化型长短期记忆神经网络的出水bod预测方法 Download PDFInfo
- Publication number
- CN112949894A CN112949894A CN202011458698.3A CN202011458698A CN112949894A CN 112949894 A CN112949894 A CN 112949894A CN 202011458698 A CN202011458698 A CN 202011458698A CN 112949894 A CN112949894 A CN 112949894A
- Authority
- CN
- China
- Prior art keywords
- time
- input
- output
- gate
- bod
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 230000006403 short-term memory Effects 0.000 title claims abstract description 15
- 230000007787 long-term memory Effects 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 20
- 239000010865 sewage Substances 0.000 claims abstract description 18
- 230000015654 memory Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000008878 coupling Effects 0.000 claims abstract description 5
- 238000010168 coupling process Methods 0.000 claims abstract description 5
- 238000005859 coupling reaction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 238000011081 inoculation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Images
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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于简化型长短期记忆神经网络的出水BOD预测方法涉及人工智能领域,直接应用于污水处理领域。针对当前污水处理过程出水BOD浓度存在测试周期长、滞后性较大、不能及时反映水体中BOD的变化等问题,本发明提出了一种基于简化型长短期记忆神经网络的出水BOD预测方法,该方法包括:通过耦合输入门与遗忘门实现对标准长短期记忆神经网络的结构简化,从门结构控制方程中消除输入信号与偏差对门结构方程参数进行精简,采用梯度学习算法进行训练;结果表明该模型能够在不显著降低预测精度的情况下,缩短训练时间,准确、快速地预测污水处理过程中出水BOD浓度,为污水处理过程中高效率、低成本预测出水BOD浓度提供理论支持。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于简化型长短期记忆(Long Short-Term Memory,LSTM)神经网络的出水BOD预测方法,直接应用于污水处理领域。
背景技术
生化需氧量(Biochemical Oxygen Demand,BOD)是指水体中的好氧微生物在一定温度下将水中有机物分解成无机物所需要的溶解氧量,是反映水体被有机物污染程度的重要参数,是评价污水水质的重要指标,能否对BOD进行准确测量是有效控制水质污染的关键所在。目前预测出水BOD浓度的方法有稀释与接种法、人工定时采样等,但是稀释与接种法方法存在测试周期长、滞后性较大、不能及时反映水体中BOD的变化等问题,人工定时采样方法同样具有成本较高、具有滞后性等问题。因此,如何低成本、高效率地对出水BOD浓度进行检测是污水处理过程中的关键问题。
软测量方法采用间接测量的思路,利用已知变量,通过构建模型对未来时刻不可测变量进行实时预测,解决水质参数预测高成本、低效率的问题,是解决污水处理过程水质参数测量的关键所在。标准LSTM神经网络其结构包括状态单元及三个门结构,能够解决传统RNN在训练过程中梯度消失与梯度爆炸的问题,在对时间序列中延迟或间隔时间相对较长事件的预测具有显著优势,但其具有高度复杂结构。本发明设计了一种基于简化型LSTM神经网络的出水BOD预测方法,实现出水BOD浓度的实时准确预测。
发明内容
1.本发明能够解决的问题:
本发明获得了一种基于简化型LSTM神经网络的出水BOD预测方法,设计了一种简化型LSTM神经网络,根据污水处理过程中采集的BOD浓度预测未来时刻的BOD浓度,解决了污水处理过程中无法预测未来时刻BOD浓度的难题,提高了污水处理过程中对未来水质质量的监控水平。
2.本发明具体的技术方案:
一种基于简化型LSTM神经网络的出水BOD预测方法,其特征在于,包括以下步骤:
步骤1:时间序列出水BOD数据预处理;
采集污水处理厂水质参数数据,选取前8时刻的BOD浓度作为输入变量,下一时刻的BOD浓度作为输出变量;将输入变量,输出变量按照公式(1)归一化至[-1,1]:
其中,Mt表示t时刻出水BOD浓度,xt表示归一化后的t时刻出水BOD浓度;
步骤2:设计出水BOD的简化型长短期记忆神经网络预测模型结构;
设计的简化型长短期记忆神经网络,包含输入门、状态单元、输出门,各结构的计算功能如下:
①输入门:该结构输入变量的维度为8,代表前8时刻的BOD浓度,控制当前时刻的输入向量xt保存至网络的程度,通过公式(2)-(3)实现:
zt=g(Wzxt+Uzht-1+bz) (2)
it=σ(Uiht-1+bi) (3)
其中,zt为输入网络中的输入信号,it为输入控制信号,Wz为zt中的输入权重矩阵,Uz、Ui分别为zt、it中的递归权重矩阵,bz、bi为偏置矩阵,σ为sigmoid激活函数,g为tanh激活函数;
②状态单元(cell):该结构维度为15,使用输入门it结构同时控制遗忘和选择记忆,由1-it代替标准LSTM中遗忘门对上一时刻的状态单元进行选择性记忆,当it为0时,上一时刻的状态单元全部记忆,当it为1时,上一时刻的状态单元全部遗忘,从而实现了输入门与遗忘门的耦合,如公式(4)所示:
ct=(1-it)⊙ct-1+zt (4)
其中,⊙表示矩阵点乘操作,ct为t时刻状态单元,ct-1为t-1时刻状态单元;
③输出门:控制当前时刻状态单元信息ct的输出程度,若ot数值为0则当前时刻单元状态ct全部不输出,ht输出值为0;若ot数值为1,则当前时刻单元状态ct全部输出;通过公式(5)-(6)实现:
ot=σ(Uoht-1+bo) (5)
ht=ot⊙g(ct) (6)
其中,ot为输出控制信号,ht为t时刻的输出向量,ht-1为t-1时刻的输出向量,Uo为ot中的递归权重矩阵,bo为偏置矩阵;
步骤3:设计出水BOD的简化型长短期记忆神经网络学习算法;
步骤3.1:定义性能指标函数如公式(7)所示:
其中,hd,t为网络在t时刻的期望输出,ht为网络在t时刻的实际输出;
步骤3.2:采用梯度下降算法进行参数修正;
①根据公式(8)-(11)计算t时刻输出向量ht、输入信号zt、输入门it、输出门ot的误差项:
δht=δzt+1Uz+δit+1Ui+δot+1Uo (8)
δzt=δht⊙ot⊙(1-g(ct)2)⊙it⊙(1-(zt)2) (9)
δit=δht⊙ot⊙(1-g(ct)2)⊙zt⊙it⊙(1-it) (10)
δot=δht⊙g(ct)⊙ot⊙(1-ot) (11)
其中,δht、δzt、δit与δot分别代表t时刻输出向量ht、输入信号zt、输入门it、输出门ot的误差项,δzt+1、δit+1与δot+1分别代表t+1时刻输入信号zt+1、输入门it+1、输出门ot+1的误差项;
②计算t时刻输入权重矩阵、递归权重矩阵、偏置矩阵的更新值如公式(12)-(14)所示:
δbΩ,t=δΩt (14)
其中,表示矩阵叉乘操作,Ω分别代表{z,i,o}中的任意一个,δWz,t、δUΩ,t、δbΩ,t分别代表t时刻输入权重矩阵、递归权重矩阵、偏置矩阵的更新值,δΩt分别代表t时刻输入信号zt、输入门it、输出门ot的误差项;
③根据公式(15)-(17)计算t时刻更新后的输入权重矩阵、递归权重矩阵、偏置矩阵:
Wz,t=Wz,t+1-η×δWz,t (15)
UΩ,t=UΩ,t+1-η×δUΩ,t (16)
bΩ,t=bΩ,t+1-η×δbΩ,t (17)
其中,Wz,t、UΩ,t、bΩ,t分别代表更新后的t时刻输入权重矩阵、递归权重矩阵、偏置矩阵,Wz,t+1、UΩ,t+1、bΩ,t+1分别代表t+1时刻输入权重矩阵、递归权重矩阵、偏置矩阵,η为学习率,取值0.01;
步骤3.3:输入训练样本数据,根据步骤3.2中的公式(8)-(17)更新输入权重、递归权重、偏置,每输入一组训练样本,权值更新一次;
步骤3.4:设定均方根误差函数为性能指标,定义如公式(18)所示:
其中,N为样本个数,训练时,t时刻的训练RMSE小于期望RMSE或者达到最大迭代次数时停止计算,其中最大训练迭代次数Iter数值为2000,期望RMSE数值为0.05,否则跳至步骤3.3;
步骤4:出水BOD预测;
将测试样本数据作为训练好的简化型长短期记忆神经网络的输入,得到简化型长短期记忆神经网络的输出,将其进行反归一化得到出水BOD浓度。
3.本发明与现有技术相比,具有以下明显的优势和有益效果:
(1)本发明针对当前污水处理过程中出水BOD存在的一些问题,提出了简化型LSTM神经网络模型实现未来时刻出水BOD浓度的预测,具有低成本、高效率的特点。
(2)本发明针对标准LSTM神经网络结构具有高度复杂结构的问题,提出简化型LSTM神经网络结构设计方法。首先,通过耦合输入门与遗忘门实现对标准长短期记忆神经网络的结构简化,其次,从门结构控制方程中消除输入信号与偏差对门结构方程参数进行精简,能够在不显著降低预测精度的情况下,缩短训练时间,减少LSTM神经网络的计算复杂度。
附图说明
图1是本发明的神经网络内部结构图;
图2是本发明的出水BOD浓度预测方法训练均方根误差(RMSE)变化图;
图3是本发明的出水BOD浓度预测结果图;
图4是本发明的出水BOD浓度预测误差图。
具体实施方式
本发明设计了一种基于简化型LSTM神经网络的出水BOD预测方法,实现了对未来时刻BOD浓度的预测,解决了污水处理过程中出水BOD浓度难以实时测量的问题,提高了污水处理过程中对未来水质质量的监控水平。
实验数据来自北京市某污水处理厂水质分析数据,获得357组按照时间顺序进行排列的样本,选取前250组作为训练样本,后107组作为测试样本,主要步骤如下:
步骤1:时间序列出水BOD数据预处理;
采集污水处理厂水质参数数据,选取前8时刻的BOD浓度作为输入变量,下一时刻的BOD浓度作为输出变量;将输入变量,输出变量按照公式(19)归一化至[-1,1]:
其中,Mt表示t时刻出水BOD浓度,xt表示归一化后的t时刻出水BOD浓度;
步骤2:设计出水BOD的简化型长短期记忆神经网络预测模型结构;
设计的简化型长短期记忆神经网络,包含输入门、状态单元、输出门,各结构的计算功能如下:
①输入门:该结构输入变量的维度为8,代表前8时刻的BOD浓度,控制当前时刻的输入向量xt保存至网络的程度,通过公式(20)-(21)实现:
zt=g(Wzxt+Uzht-1+bz) (20)
it=σ(Uiht-1+bi) (21)
其中,zt为输入网络中的输入信号,it为输入控制信号,Wz为zt中的输入权重矩阵,Uz、Ui分别为zt、it中的递归权重矩阵,bz、bi为偏置矩阵,σ为sigmoid激活函数,g为tanh激活函数;
②状态单元(cell):该结构维度为15,使用输入门it结构同时控制遗忘和选择记忆,由1-it代替标准LSTM中遗忘门对上一时刻的状态单元进行选择性记忆,当it为0时,上一时刻的状态单元全部记忆,当it为1时,上一时刻的状态单元全部遗忘,从而实现了输入门与遗忘门的耦合,如公式(22)所示:
ct=(1-it)⊙ct-1+zt (22)
其中,⊙表示矩阵点乘操作,ct为t时刻状态单元,ct-1为t-1时刻状态单元;
③输出门:控制当前时刻状态单元信息ct的输出程度,若ot数值为0则当前时刻单元状态ct全部不输出,ht输出值为0;若ot数值为1,则当前时刻单元状态ct全部输出;通过公式(23)-(24)实现:
ot=σ(Uoht-1+bo) (23)
ht=ot⊙g(ct) (24)
其中,ot为输出控制信号,ht为t时刻的输出向量,ht-1为t-1时刻的输出向量,Uo为ot中的递归权重矩阵,bo为偏置矩阵;
步骤3:设计出水BOD的简化型长短期记忆神经网络学习算法;
步骤3.1:定义性能指标函数如公式(25)所示:
其中,hd,t为网络在t时刻的期望输出,ht为网络在t时刻的实际输出;
步骤3.2:采用梯度下降算法进行参数修正;
①根据公式(26)-(29)计算t时刻输出向量ht、输入信号zt、输入门it、输出门ot的误差项:
δht=δzt+1Uz+δit+1Ui+δot+1Uo (26)
δzt=δht⊙ot⊙(1-g(ct)2)⊙it⊙(1-(zt)2) (27)
δit=δht⊙ot⊙(1-g(ct)2)⊙zt⊙it⊙(1-it) (28)
δot=δht⊙g(ct)⊙ot⊙(1-ot) (29)
其中,δht、δzt、δit与δot分别代表t时刻输出向量ht、输入信号zt、输入门it、输出门ot的误差项,δzt+1、δit+1与δot+1分别代表t+1时刻输入信号zt+1、输入门it+1、输出门ot+1的误差项;
②计算t时刻输入权重矩阵、递归权重矩阵、偏置矩阵的更新值如公式(30)-(32)所示:
δbΩ,t=δΩt (32)
其中,表示矩阵叉乘操作,Ω分别代表{z,i,o}中的任意一个,δWz,t、δUΩ,t、δbΩ,t分别代表t时刻输入权重矩阵、递归权重矩阵、偏置矩阵的更新值,δΩt分别代表t时刻输入信号zt、输入门it、输出门ot的误差项;
③根据公式(33)-(35)计算t时刻更新后的输入权重矩阵、递归权重矩阵、偏置矩阵:
Wz,t=Wz,t+1-η×δWz,t (33)
UΩ,t=UΩ,t+1-η×δUΩ,t (34)
bΩ,t=bΩ,t+1-η×δbΩ,t (35)
其中,Wz,t、UΩ,t、bΩ,t分别代表更新后的t时刻输入权重矩阵、递归权重矩阵、偏置矩阵,Wz,t+1、UΩ,t+1、bΩ,t+1分别代表t+1时刻输入权重矩阵、递归权重矩阵、偏置矩阵,η为学习率,取值0.01;
步骤3.3:输入训练样本数据,根据步骤3.2中的公式(26)-(35)更新输入权重、递归权重、偏置,每输入一组训练样本,权值更新一次;
步骤3.4:设定均方根误差函数为性能指标,定义如公式(36)所示:
其中,N为样本个数,训练时,t时刻的训练RMSE小于期望RMSE或者达到最大迭代次数时停止计算,其中最大训练迭代次数Iter数值为2000,期望RMSE数值为0.05,否则跳至步骤3.3;
步骤4:出水BOD预测;
将测试样本数据作为训练好的简化型长短期记忆神经网络的输入,得到简化型长短期记忆神经网络的输出,将其进行反归一化得到出水BOD浓度。
在本实施例中,出水BOD浓度预测方法训练RMSE如图2所示,X轴为迭代步数,Y轴为训练RMSE的值;出水BOD浓度预测结果如图3所示,X轴为测试样本个数,Y轴为出水BOD浓度值,单位是mg/L,实线为出水BOD浓度期望输出值,虚线为出水BOD浓度实际输出值;出水BOD浓度测试误差如图4所示,X轴为测试样本个数,Y轴为出水BOD浓度预测误差,单位是mg/L。
表1是本发明实验数据,为出水BOD浓度(mg/L)。
Claims (1)
1.一种基于简化型长短期记忆神经网络的出水BOD预测方法,其特征在于,包括以下步骤:
步骤1:时间序列出水BOD数据预处理;
采集污水处理厂水质参数数据,选取前8时刻的BOD浓度作为输入变量,下一时刻的BOD浓度作为输出变量;将输入变量,输出变量按照公式(1)归一化至[-1,1]:
其中,Mt表示t时刻出水BOD浓度,xt表示归一化后的t时刻出水BOD浓度;
步骤2:设计出水BOD的简化型长短期记忆神经网络预测模型结构;
设计的简化型长短期记忆神经网络,包含输入门、状态单元、输出门,各结构的计算功能如下:
①输入门:该结构输入变量的维度为8,代表前8时刻的BOD浓度,控制当前时刻的输入向量xt保存至网络的程度,通过公式(2)-(3)实现:
zt=g(Wzxt+Uzht-1+bz) (2)
it=σ(Uiht-1+bi) (3)
其中,zt为输入网络中的输入信号,it为输入控制信号,Wz为zt中的输入权重矩阵,Uz、Ui分别为zt、it中的递归权重矩阵,bz、bi为偏置矩阵,σ为sigmoid激活函数,g为tanh激活函数;
②状态单元:该结构维度为15,使用输入门it结构同时控制遗忘和选择记忆,由1-it代替标准LSTM中遗忘门对上一时刻的状态单元进行选择性记忆,当it为0时,上一时刻的状态单元全部记忆,当it为1时,上一时刻的状态单元全部遗忘,从而实现了输入门与遗忘门的耦合,如公式(4)所示:
ct=(1-it)ect-1+zt (4)
其中,e表示矩阵点乘操作,ct为t时刻状态单元,ct-1为t-1时刻状态单元;
③输出门:控制当前时刻状态单元信息ct的输出程度,若ot数值为0则当前时刻单元状态ct全部不输出,ht输出值为0;若ot数值为1,则当前时刻单元状态ct全部输出;通过公式(5)-(6)实现:
ot=σ(Uoht-1+bo) (5)
ht=oteg(ct) (6)
其中,ot为输出控制信号,ht为t时刻的输出向量,ht-1为t-1时刻的输出向量,Uo为ot中的递归权重矩阵,bo为偏置矩阵;
步骤3:设计出水BOD的简化型长短期记忆神经网络学习算法;
步骤3.1:定义性能指标函数如公式(7)所示:
其中,hd,t为网络在t时刻的期望输出,ht为网络在t时刻的实际输出;
步骤3.2:采用梯度下降算法进行参数修正;
①根据公式(8)-(11)计算t时刻输出向量ht、输入信号zt、输入门it、输出门ot的误差项:
δht=δzt+1Uz+δit+1Ui+δot+1Uo (8)
δzt=δhte ote(1-g(ct)2)e ite(1-(zt)2) (9)
δit=δhte ote(1-g(ct)2)e zte ite(1-it) (10)
δot=δhte g(ct)eote(1-ot) (11)
其中,δht、δzt、δit与δot分别代表t时刻输出向量ht、输入信号zt、输入门it、输出门ot的误差项,δzt+1、δit+1与δot+1分别代表t+1时刻输入信号zt+1、输入门it+1、输出门ot+1的误差项;
②计算t时刻输入权重矩阵、递归权重矩阵、偏置矩阵的更新值如公式(12)-(14)所示:
δbΩ,t=δΩt (14)
其中,表示矩阵叉乘操作,Ω分别代表{z,i,o}中的任意一个,δWz,t、δUΩ,t、δbΩ,t分别代表t时刻输入权重矩阵、递归权重矩阵、偏置矩阵的更新值,δΩt分别代表t时刻输入信号zt、输入门it、输出门ot的误差项;
③根据公式(15)-(17)计算t时刻更新后的输入权重矩阵、递归权重矩阵、偏置矩阵:
Wz,t=Wz,t+1-η×δWz,t (15)
UΩ,t=UΩ,t+1-η×δUΩ,t (16)
bΩ,t=bΩ,t+1-η×δbΩ,t (17)
其中,Wz,t、UΩ,t、bΩ,t分别代表更新后的t时刻输入权重矩阵、递归权重矩阵、偏置矩阵,Wz,t+1、UΩ,t+1、bΩ,t+1分别代表t+1时刻输入权重矩阵、递归权重矩阵、偏置矩阵,η为学习率,取值0.01;
步骤3.3:输入训练样本数据,根据步骤3.2中的公式(8)-(17)更新输入权重、递归权重、偏置,每输入一组训练样本,权值更新一次;
步骤3.4:设定均方根误差函数为性能指标,定义如公式(18)所示:
其中,N为样本个数,训练时,t时刻的训练RMSE小于期望RMSE或者达到最大迭代次数时停止计算,其中最大训练迭代次数Iter数值为2000,期望RMSE数值为0.05,否则跳至步骤3.3;
步骤4:出水BOD预测;
将测试样本数据作为训练好的简化型长短期记忆神经网络的输入,得到简化型长短期记忆神经网络的输出,将其进行反归一化得到出水BOD浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011458698.3A CN112949894B (zh) | 2020-12-10 | 2020-12-10 | 一种基于简化型长短期记忆神经网络的出水bod预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011458698.3A CN112949894B (zh) | 2020-12-10 | 2020-12-10 | 一种基于简化型长短期记忆神经网络的出水bod预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949894A true CN112949894A (zh) | 2021-06-11 |
CN112949894B CN112949894B (zh) | 2023-09-19 |
Family
ID=76234796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011458698.3A Active CN112949894B (zh) | 2020-12-10 | 2020-12-10 | 一种基于简化型长短期记忆神经网络的出水bod预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949894B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386686A (zh) * | 2021-12-30 | 2022-04-22 | 北京师范大学 | 一种基于改进lstm的流域水质短期预测方法 |
CN116362139A (zh) * | 2023-04-14 | 2023-06-30 | 应急管理部沈阳消防研究所 | 基于层次化长短时记忆网络的多参量火灾检测方法 |
CN117637063A (zh) * | 2024-01-10 | 2024-03-01 | 广东工业大学 | 一种水质测量方法、装置、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657790A (zh) * | 2018-12-10 | 2019-04-19 | 北京工业大学 | 一种基于pso的递归rbf神经网络出水bod预测方法 |
CN109978024A (zh) * | 2019-03-11 | 2019-07-05 | 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 |
CN110991616A (zh) * | 2019-12-02 | 2020-04-10 | 北京工业大学 | 一种基于删减型前馈小世界神经网络出水bod预测方法 |
CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
CN111222674A (zh) * | 2019-10-08 | 2020-06-02 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
-
2020
- 2020-12-10 CN CN202011458698.3A patent/CN112949894B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657790A (zh) * | 2018-12-10 | 2019-04-19 | 北京工业大学 | 一种基于pso的递归rbf神经网络出水bod预测方法 |
CN109978024A (zh) * | 2019-03-11 | 2019-07-05 | 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 |
CN111222674A (zh) * | 2019-10-08 | 2020-06-02 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
CN110991616A (zh) * | 2019-12-02 | 2020-04-10 | 北京工业大学 | 一种基于删减型前馈小世界神经网络出水bod预测方法 |
CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
乔俊飞;李瑞祥;柴伟;韩红桂;: "基于PSO-ESN神经网络的污水BOD预测", 控制工程, no. 04 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386686A (zh) * | 2021-12-30 | 2022-04-22 | 北京师范大学 | 一种基于改进lstm的流域水质短期预测方法 |
CN116362139A (zh) * | 2023-04-14 | 2023-06-30 | 应急管理部沈阳消防研究所 | 基于层次化长短时记忆网络的多参量火灾检测方法 |
CN116362139B (zh) * | 2023-04-14 | 2024-01-30 | 应急管理部沈阳消防研究所 | 基于层次化长短时记忆网络的多参量火灾检测方法 |
CN117637063A (zh) * | 2024-01-10 | 2024-03-01 | 广东工业大学 | 一种水质测量方法、装置、设备和存储介质 |
CN117637063B (zh) * | 2024-01-10 | 2024-05-31 | 广东工业大学 | 一种水质测量方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112949894B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113722877B (zh) | 一种对锂电池放电时温度场分布变化进行在线预测的方法 | |
CN113095550B (zh) | 基于变分递归网络和自注意力机制的空气质量预测方法 | |
CN107728478B (zh) | 燃料电池氧气过剩系数神经网络预测控制方法 | |
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
CN107766986A (zh) | 泄漏积分型回声状态网络在线学习光伏功率预测方法 | |
CN106056127A (zh) | 一种带模型更新的gpr在线软测量方法 | |
CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
CN108090629A (zh) | 基于非线性自回归神经网络的负荷预测方法与系统 | |
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 | |
CN110794093A (zh) | 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法 | |
CN111242380A (zh) | 一种基于人工智能算法的湖(库)富营养化预测方法 | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN114330815A (zh) | 一种基于改进goa优化lstm的超短期风电功率预测方法与系统 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
CN116818325A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN115482877A (zh) | 一种基于时序图网络的发酵过程软测量建模方法 | |
CN118035728A (zh) | 一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法 | |
CN113743008A (zh) | 一种燃料电池健康预测方法及系统 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN110909492B (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN110837886A (zh) | 一种基于elm-sl0神经网络的出水nh4-n软测量方法 | |
CN115860277B (zh) | 一种数据中心能耗预测方法及系统 | |
CN116306803A (zh) | 一种基于wsfa-afe的ilstm神经网络的出水bod浓度预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |