CN115859770B - 基于ga和ffnn的生活污水粪大肠菌群在线监测系统和装置 - Google Patents

Abstract

本方案公开了基于GA和FFNN的生活污水粪大肠菌群在线监测系统和装置，水质中的粪大肠菌群可通过纸片快速法、多管发酵法和酶底物法的国标方法进行测定，但由于国标法本身的特点，其并不适用于农村生活污水粪大肠菌群浓度的常态化监测，本方案利用农村生活污水处理终端配备的常规监测设备实时采集进/出水氨氮、TP、COD、SS、pH和浊度等易测数据，形成样本采集、水质测算、数据传输、仿真预测、结果呈现全过程在线化的出水粪大肠菌群浓度软测量技术方案，在实现粪大肠菌群浓度的原位快速测定的同时，提供在线和离线两种不同的监测模式，可通用于不同监测配置的污水处理终端，能够使用更简单的方法实现复杂国标法的检测效果并且实现检测的实时性。

Description

基于GA和FFNN的生活污水粪大肠菌群在线监测系统和装置

技术领域

本发明属于农村生活污水处理领域。具体涉及一种以机器学习算法为核心的农村生活污水粪大肠菌群浓度在线监测系统和装置。

背景技术

根据近10年国内外文献资料的检索结果，现行国标法中的纸片快速法、多管发酵法和酶底物法是当前水体中粪大肠菌群浓度测定的常用方法。但国标法规定了采样—保存—接种—培养—计算的检测程序，要求按无菌操作采集水样，样品4℃以下冷藏并在2h内检测，且需置于恒温培养箱中培养24h。由于上述方法均属异位的实验室化验分析，采样和检测成本高，操作复杂，且周期过长，该指标通常仅在污水处理工程验收和终端阶段性体检的情形下由运维责任单位或第三方检测单位进行测定，难以满足分布范围广、分散性强的农村生活污水处理终端出水水质的常态化监测需求。

另外，我国专利公开的专利申请号202111149525.8、专利名称一种基于人工智能的粪大肠杆菌群数的预测方法及装置提供了循环神经网络结合时空超图注意力网络的粪大肠杆菌群数的预测方法及装置，可对污水处理过程中粪大肠杆菌群数和影响其菌群的因素进行预测，并根据预测结果来调节进水量，温度，药剂投放比例及投放量，使污水中的粪大肠杆菌群数达标。然而实施该方法所需的矩阵维数为33×5的基础数据集包含调节池、兼氧池、好氧池、二沉池及排出口的污水每个时刻的温度，pH值，动植物油量，凯式氮浓度和有机含碳总量，兼氧池，好氧池，二沉池，排放口每个时刻(间隔为10分钟)的生物需氧量BOD和粪大肠杆菌群数，上述指标中涉及多个采样点的动植物油量、有机碳总量、BOD和粪大肠杆菌群数均无法通过现有的在线检测设备直接测定，需采用国标的化学检测法获取，数据采集的工作量巨大。由于无法在线获取所需的全部输入参数，模型的训练、预测过程均需在离线状态下进行，这会导致该发明所述“根据预测结果来调节进水量，温度，药剂投放比例及投放量，使污水中的粪大肠杆菌群数达标”的技术效果不易实现。

鉴于目前水质粪大肠菌群浓度尚未有原位、快捷、在线的测定方式，常规的国标法并不适用于粪大肠菌群浓度的常态化监测，有必要开发一种低成本，流程简单且可实现在线监测的粪大肠菌群浓度监测系统以实时辅助农村生活污水治理。

发明内容

本发明提供了一种基于遗传算法(GA)和前馈神经网络(FFNN)的农村生活污水粪大肠菌群浓度在线监测系统和装置，该系统和装置充分利用了在线检测设备快速获取的进水和出水水质的实时和历史数据，结合出水水样粪大肠菌群浓度的化验数据，以进水和出水氨氮、TP、COD、SS、pH和浊度为输入的二次变量，基于机器学习算法构建出水粪大肠菌群的软测量模型，除模型训练阶段所需的出水粪大肠菌群浓度取自线下的化验分析外，其余各项水质指标均由常规的快速检测设备在线获取，显著缩短了软测量模型的开发周期，降低了样本数据采集的成本，弥补了国标法在粪大肠菌群浓度实时监测上的不适用。

为达到上述目的，本发明采用了下列技术方案：

一种基于GA和FFNN的生活污水粪大肠菌群在线监测系统，准备多组样本数据，每组样本数据包括针对同一时刻的进水和出水水质的在线监测值和出水粪大肠菌群浓度的化验值，且包括以下步骤：

S1.初始化FFNN配置和拓扑结构；

S2.利用GA修正FFNN的初始权值和阈值，得到最优初始权阈的FFNN-GA；

S3.使用样本数据训练FFNN-GA直到满足结束条件得到完全训练的FFNN-GA软测量模型；

S4.将待测水样的进水和出水水质在线监测值输入至完全训练的软测量模型，得到所述待测水样的出水粪大肠菌群浓度。

通常在训练过程中，样本数据集被划分为训练集、验证集和测试集，本方案也一样，样本数据被划分为训练集、验证集和测试集，然后分别使用训练集进行训练，验证集、测试集进行验证和测试，训练、验证、测试过程统称为得到完全训练的软测量模型之前的训练过程。

在上述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统中，将输入数据进行归一化处理后用于步骤S1-S4的训练和预测，且归一化公式为：

式中，y为归一化后的输入和输出矩阵；y_max为归一化区间的上界，此处取1；y_min为归一化区间的下界，此处取-1；x为输入和输出矩阵；x_max为输入和输出矩阵各列的最大值；x_min为输入和输出矩阵各列的最小值；输入参数矩阵和输出参数矩阵在归一化处理后的取值范围为[-1,1]。

在上述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统中，步骤S4中，FFNN-GA基于输入的进水和出水水质计算待测水样的输出预测值，随后对所述的输出预测值进行如下反归一化处理得到所述的待测水样的实际出水粪大肠菌群浓度：

式中，X为反归一化后的输入和输出矩阵；X_max为归一化区间上界；X_min为归一化区间下界；Y为输入和输出矩阵；Y_max为输入和输出矩阵各列的最大值；Y_min为输入和输出矩阵各列的最小值。

在上述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统中，步骤S1中，所构建的FFNN-GA包括输入层、隐含层和输出层，且隐含层传递函数为tansig函数或logsig函数，输出层传递函数为purelin函数，各传递函数表达式及隐含层神经元的输入x_i和输出y_j之间的数学关系如下：

y＝purelin(x)＝x (5)

其中，y_j对应第j个隐层神经元的输出信号；f(x)为传递函数；n为输入变量的数量；w_ij为第i个输入神经元到第j个隐含层神经元的权值；x_i为第i个输入神经元的输出信号；b为隐含层阈值。

在上述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统中，步骤S2中，通过GA对输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值的初始值进行实数编码，编码后每个个体均为一个实数串，对应一个具有特定权值和阈值的FFNN；

对个体进行训练，然后通过选择、交叉、变异产生新的个体，并计算新个体的适应度值，若满足设定适应度范围的结束条件，则取最优适应度值对应的FFNN个体，即最优权阈值赋值，否则继续优化直至满足结束条件。种群中出现最优个体或达到最大迭代次数即满足结束条件。

在上述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统中，步骤S2中，通过如下方式计算每个个体的适应度值：

S21.将样本数据的进出水水质输入至每代FFNN种群的个体；

S22.个体FFNN基于输入的进出水水质计算输出出水粪大肠菌群浓度预测值；

S23.计算出水粪大肠菌群预测值与对应的实际值之间的误差绝对值之和，将其作为相应个体的适应度值。

在上述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统中，步骤S23中，用于计算适应度值的适应度函数为：

式中，F为个体的适应度值；k为系数；n为输出神经元数量；y_i和o_i分别为FFNN第i个节点的期望输出和预测输出。

在上述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统中，通过GA的选择、交叉和变异操作实现种群的迭代和个体进化，GA的选择策略采用基于适应度比例的轮盘赌法，个体i的选择概率p_i为：

f_i＝k/F_i (8)

式中，F_i为个体i的适应度值；k为系数；N为种群个体数量；

GA的交叉操作选择实数交叉法，第k个个体a_k和第l个个体a_l在j位的交叉为：

式中，b为[0,1]区间的随机数；

GA的变异操作选取第i个个体的第j个基因a_ij实施变异，其操作方法为：

f(g)＝r₂(1-g/G_max)² (12)

式中，a_max为基因a_ij的上界；a_min为基因a_ij的下界；r₂为随机数；g为当前迭代次数；G_max为最大进化次数；r为[0,1]区间的随机数。

在上述的基于GA和FFNN的农村生活污水粪大肠菌群浓度在线监测系统中，步骤S3中，训练过程中，采用Levenberg-Marquardt(trainlm)、Gradient descent with momentum(traingdm)、Gradient descent with adaptive learning rate(traingda)、Conjugategradient backpropagation with Powell-Beale restarts(traincgb)、Gradientdescent(traingd)或Scaled conjugate gradient(trainscg)中的任意一种学习算法训练FFNN个体，该过程涉及的权阈值校正可表示为：

式中，Δw_ij(s)表示在第s次学习迭代的权值校正；η表示学习率；E表示训练集中所有数据的误差平方和；μ为动量因子。

在上述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统中，进水和出水水质包括进水和出水pH值、化学需氧量、悬浮物浓度、氨氮浓度、总磷浓度和浊度。

以上述基于GA和FFNN的生活污水粪大肠菌群在线监测系统为基础，开发的在线监测装置包含四个主要功能模块：

水质检测模块，用于快速采集进水和出水NH₃-N、TP、COD、SS、pH和浊度数据；

数据传输模块，用于水质监测模块与计算机之间的通讯；

机器学习模块，位于计算机内，用于数据预处理，编码和格式转换，模型训练、验证、预测，预测结果分类，数值可视化处理，及历史监测数据存储；

人机交互模块，位于计算机内，用于监测数据和可视化图表的UI显示，历史记录检索，及浓度超标提示。

在上述的基于GA和FFNN的生活污水粪大肠菌群在线监测装置中，所述的水质检测模块包括分别用于采集进水和出水的NH3-N、TP、COD、SS、pH和浊度数据的在线监测设备，在线监测设备获取所述数据后实时传输至机器学习模块；

所述的水质监测模块包括用于采集进水和出水NH₃-N、TP、COD值的光谱仪，用于采集进水和出水pH值的pH计，用于采集进水和出水浊度值的浊度仪，进水和出水SS值由浊度仪实时采集的浊度值换算获得；

软测量模型可在线预测出水粪大肠菌群浓度值和动态变化，即使在进水水质持续波动的条件下也能保证出水预测值的同步性。

对于具有水质在线监测能力的处理终端，即具有在线监测设备的处理终端，样本数据采自相应的处理终端，对于不具备在线监测能力的处理终端，即不具有在线监测设备的处理终端，样本数据采自与之进水水质相近(如两者之间的各数据差小于20％)、处理工艺相同的具有在线监测能力的水处理终端处；

且针对具有在线监测能力的处理终端，处理终端将在线监测的进出水水质数据实时反馈给完全训练的FFNN-GA模型；模型基于接收到的在线监测数据，通过在线软测量的模式输出出水粪大肠菌群浓度；

针对不具备在线监测能力的处理终端，通过便携式仪器快速测定或实验室测样的方式离线获取待测进水和出水水质数据；经由人机交互模块将获取的进水和出水水质数据手动输入至完全训练的FFNN-GA模型；模型基于接收到的离线监测数据，通过离线软测量的模式输出出水粪大肠菌群浓度。

本发明的优点在于：

1、针对要测量的粪大肠菌群指标，不采用直接化验测定的方式，无需采样、转运、培养等操作，而是通过易测得的进水和出水水质特征数据间接获得，针对已具备水质在线监测能力的场景，能够直接根据在线监测采集的数据计算粪大肠菌群浓度；针对不具备水质在线监测能力的场景，使用便携式仪器或化验测样的方式得到水质特征数据，进而计算粪大肠菌群浓度，水质特征数据的获取相较于粪大肠菌群的直接测量要更为方便、容易，所以即使终端不具备水质在线监测能力，相较于目前各种国标测定法也更方便快捷；

2、本方案实现了样本采集、水质测算、数据传输、仿真预测、结果呈现的粪大肠菌群浓度软测量全过程的在线化，除模型训练阶段所需的出水粪大肠菌群浓度取自线下的化验分析外，其余各项水质指标均由常规的快速检测设备实时获取和上传，动态响应迅速，数据采集成本低，弥补了各国标测定法在粪大肠菌群浓度常态化实时监测上的不适用；

3、本方案提供了在线软测量和离线软测量两种粪大肠菌群浓度监测模式，分别对应于配备水质在线监测设备的污水处理终端和未配备水质在线监测设备的处理终端，适用于绝大多数有水质监测需求的农村生活污水处理点位；

4、利用遗传算法寻优来修正前馈神经网络的初始权值和阈值，提升了神经网络在学习小容量样本时的稳定性和预测精度，从而减少了获得可靠的软测量模型所需的数据集样本规模，缩短了方案实施前期的机器学习开发周期。

附图说明

图1为本发明的农村生活污水粪大肠菌群浓度在线监测系统的数据架构示意图；

图2为本发明的农村生活污水粪大肠菌群浓度在线监测装置工作原理示意图；

图3为本发明的机器学习模块遗传算法优化前馈神经网络初始权阈的逻辑流程图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步详细的说明。

如图1、图2、图3所示，本发明提供了一种基于遗传算法GA和前馈神经网络FFNN的农村生活污水粪大肠菌群浓度在线监测系统和装置，其技术方案及实现步骤如下：

步骤1：数据集获取及预处理

(1)数据集预处理，随机分集，模型构建、训练、验证、预测等均通过MATLAB算法平台实现。本实施例采用某村农村生活污水处理终端水质在线监测系统记录的2022年进出水水质的实时和历史数据为样本构建数据集，分别取进水和出水氨氮、总磷、COD、悬浮物浓度、pH和浊度等十二项指标的仪器实测值为输入变量，取每个水样对应的粪大肠菌群浓度(根据纸片快速法HJ 755-2015测得，以MPN/L计)作为输出变量，共选取200组数据，每组样本数据包括表征同一时刻进水和出水水质特征的12个输入变量和表征出水粪大肠菌群浓度的1个输出变量，其中155组数据分集为训练集，15组数据分集为验证集，30组数据分集为预测集。

(2)比对历史监测数据和出水达标情况，筛查并剔除不符合终端实际运行状态的异常数据组，筛查并剔除异常数据组的是数据采集过程中通常需要用到的手段，这里不再对此过程赘述。然后调用MATLAB算法平台中的mapminmax函数对各数据集分集中的输入和输出参数矩阵进行归一化处理，归一化公式为：

式中，y为归一化后的输入和输出矩阵；y_max为归一化区间的上界，此处取1；y_min为归一化区间的下界，此处取-1；x为输入和输出矩阵；x_max为输入和输出矩阵各列的最大值；x_min为输入和输出矩阵各列的最小值。输入参数矩阵和输出参数矩阵在归一化处理后的取值范围为[-1,1]；

下表展示了本实施例机器学习模型所用样本数据集的部分输入和输出数据。

某村生活污水处理终端的部分进出水水质数据

步骤2：搭建遗传算法修正权阈的前馈神经网络预测模型

(1)初始化前馈神经网络拓扑结构

采用单隐层拓扑结构的前馈神经网络(FFNN)，输入层所有神经元对应的输入信号在经过加权计算后由隐含层神经元进行求和函数变换，而输出神经元产生的信号则是隐含层输出信号加权求和后的函数转换值，每层神经元的输出信号只影响下一层的神经元。根据输入和输出变量的数量定义输入和输出层节点数分别为12和1，隐层节点数量根据该领域的公知常识，利用试错法逐一考察不同节点数的训练效果，也可由2N+1的一般公式来定义，其中N为输入节点数量。最终模型拓扑结构确定为12-20-1，学习算法选用误差反向传播算法(Back Propagation)，学习率设定为0.1，最大迭代次数为2000，隐含层传递函数为tansig函数，输出层传递函数为purelin函数，各传递函数表达式及隐含层神经元的输入x_i和输出y_j之间的数学关系如下：

y＝purelin(x)＝x (3)

式中，y_j对应第j个隐层神经元的输出信号；f(x)为传递函数；n为输入变量的数量；w_ij为第i个输入神经元到第j个隐含层神经元的权值；x_i为第i个输入神经元的输出信号；b为隐含层阈值。

(2)遗传算法修正FFNN初始权阈

通过遗传算法(GA)对输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值的初始值进行实数编码，编码后每个个体均为一个实数串，包含了FFNN的全部权值和阈值。针对个体指代的初始权值和阈值，采用Gradient descent withmomentum(traingdm)为学习算法训练FFNN，预测系统输出，将期望输出与预测输出之间的误差绝对值之和作为每个个体的适应度值，适应度函数为：

式中，F为个体的适应度值；k为系数；n为输出神经元数量；y_i和o_i分别为FFNN第i个节点的期望输出和预测输出。

随后，通过选择、交叉、变异操作产生新的个体，根据式(5)的适应度函数计算新个体的适应度值，若满足结束条件，则取最优适应度值对应的个体FFNN，若不满足结束条件则循环GA优化操作直至满足结束条件。找到最满意个体或达到最大代数即满足结束条件。进行一轮选择、交叉、变异后，可以再次对新个体进行训练，然后再进入下一轮选择、交叉、变异，也可以直接进行下一轮选择、交叉、变异；还可以前N轮对新个体训练后进行一轮选择、交叉、变异，第N+1轮开始直接进行下一轮选择、交叉、变异。

GA的选择策略采用基于适应度比例的轮盘赌法，个体i的选择概率p_i为：

f_i＝k/F_i (6)

式中，F_i为个体i的适应度值；k为系数；N为种群个体数量。由于适应度值越小越接近期望，在选择操作前需对适应度值求倒数。GA的交叉操作选择实数交叉法，第k个个体a_k和第l个个体a_l在j位的交叉为：

式中，b为[0,1]区间的随机数。变异操作则是选取第i个个体的第j个基因a_ij实施变异，其操作方法为：

f(g)＝r₂(1-g/G_max)² (10)

式中，a_max为基因a_ij的上界；a_min为基因a_ij的下界；r₂为随机数；g为当前迭代次数；G_max为最大进化次数；r为[0,1]区间的随机数。

(3)FFNN-GA的训练和验证

模型的训练和验证是通过校正权阈值获得最高精度模型的过程，该过程参照本领域的常规手段进行，权阈值的校正过程表示为：

式中，Δw_ij(s)表示在第s次学习迭代的权值校正；η表示学习率；E表示训练集中所有数据的误差平方和；μ为动量因子。训练算法通过该校正过程持续更新所有神经元的权值和阈值，直到模型误差满足期望或训练达到设定的最大迭代次数。

步骤3：FFNN-GA对t时刻出水粪大肠菌群浓度的仿真预测

以t时刻农村生活污水处理终端在线检测设备所采集的进水NH₃-N-in(t)、TP-in(t)、COD-in(t)、SS-in(t)、pH-in(t)、浊度-in(t)和出水NH₃-N-out(t)、TP-out(t)、COD-out(t)、SS-out(t)、pH-out(t)、浊度-out(t)为模型输入，利用优化权阈且完全训练的FFNN-GA快速计算出水粪大肠菌群浓度，并对模型预测值进行如下反归一化处理：

式中，X为反归一化后的输入和输出矩阵；X_max为归一化区间上界；X_min为归一化区间下界；Y为输入和输出矩阵；Y_max为输入和输出矩阵各列的最大值；Y_min为输入和输出矩阵各列的最小值。此步骤根据在线和离线两种不同的监测模式采取不同的实现策略。

在线模式适用于配备水质在线监测设备的污水处理终端，其实现策略如下：

下位机读取水质检测模块实时采集的12项进水和出水水质数据并反馈给上位机，上位机通过MATLAB通用文件I/O数据接口将水质在线监测数据传输到软件工作区，该数据读取方式通过load函数实现，适用于以ASCII形式存储且每一行数据为固定长度的文件。输入变量值导入后M文件程序将自动对其进行分类，当输入值定义为非异常值时，已完全训练的FFNN-GA模型将直接计算对应的粪大肠菌群浓度。此处粪大肠菌群浓度的计算程序可通过神经网络M文件指令或由导出的数学模型来实现，对于具备权阈值在线修正模块的模型，该计算程序只通过神经网络M文件指令实现。计算所得粪大肠菌群预测值以MAT格式存储，在反归一化处理后可通过通用文件I/O数据接口传输到下位机，实现粪大肠菌群在线监测结果的实时显示。

在线软测量算法可通过安装MATLAB编译器(MATLAB Complier，MCC)将M语言编写的函数文件转换为C、C++、Fortran源代码，并经过编译链接生成MEX文件、函数库、COM组件等，用于扩展MATLAB在线软测量算法功能。文件在转换为二进制格式后可隐藏算法源码，保护用户开发版权。本实施例设定采样间隔为8h，出水粪大肠菌群在线监测结果与各国标法检测结果对比参见下表，根据表中数据可知，本方案的在线监测结果与纸片快速法、多管发酵法和酶底物法的检测结果非常接近，且30个测试样本粪大肠菌群浓度的在线监测值均在各标准方法的95％置信区间内，可见本方案能够通过更简单实时的方式在线实现同样的检测效果。

出水粪大肠菌群浓度在线监测结果与各国标法检测结果对比

离线模式适用于不具备在线监测能力的处理终端，一般情况下模型的开发同样基于具备水质在线监测设备的终端所采集的实时、历史数据，以及粪大肠菌群的实验室分析数据，其实现策略如下：

选择进水水质相近，处理工艺相同的在线监测终端水质数据集进行FFNN-GA模型构建，以规避模型开发阶段水样的实验室检测成本。针对特定时间点的监测需求，通过便携式仪器快速检测或实验室测样的方式获取进出水12项指标的检测值作为模型的输入值，预测出水粪大肠菌群值。该计算过程通过现场或远程PC端MATLAB算法平台实现，也可借助Web端数字化平台和导出的数学模型实现。上述软测量过程均在离线状态下进行。本实施例选择不具备在线监测能力的处理终端，以8h为采样间隔，出水粪大肠菌群浓度离线监测结果与各国标法检测结果对比参见下表。同样地，根据表中数据可知，本方案的离线监测结果与各国标法的检测结果非常接近，且30个测试样本粪大肠菌群浓度的离线监测值均在各标准方法的95％置信区间内，可见，本方案能够同时适用于离线监测和在线监测，且都具有可靠的测量效果。

出水粪大肠菌群浓度离线监测结果与各国标法检测结果对比

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于GA和FFNN的生活污水粪大肠菌群在线监测系统，准备多组样本数据，每组样本数据包括针对同一时刻的进水和出水水质的在线监测值和出水粪大肠菌群浓度的化验值，且包括以下步骤：

S1.初始化FFNN配置和拓扑结构；

S2.利用GA修正FFNN的初始权值和阈值，修正过程采用实数编码，以轮盘赌法执行GA选择操作，以实数交叉法执行GA交叉操作，以梯度下降法为学习算法，得到最优初始权阈的FFNN-GA；

S3.使用样本数据训练FFNN-GA直到满足结束条件得到完全训练的FFNN-GA软测量模型；

S4.将待测水样的进水和出水水质在线监测值输入至完全训练的软测量模型，得到所述待测水样的出水粪大肠菌群浓度。

2.根据权利要求1所述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统其特征在于，将输入数据进行归一化处理后用于步骤S1-S4的训练和预测，且归一化公式为：

式中，y为归一化后的输入和输出矩阵；y_max为归一化区间的上界，此处取1；y_min为归一化区间的下界，此处取-1；x为输入和输出矩阵；x_max为输入和输出矩阵各列的最大值；x_min为输入和输出矩阵各列的最小值；输入参数矩阵和输出参数矩阵在归一化处理后的取值范围为[-1,1]。

3.根据权利要求2所述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统，其特征在于，步骤S4中，FFNN-GA基于输入的进水和出水水质计算待测水样的输出预测值，随后对所述的输出预测值进行如下反归一化处理得到所述的待测水样的实际出水粪大肠菌群浓度：

式中，X为反归一化后的输入和输出矩阵；X_max为归一化区间上界；X_min为归一化区间下界；Y为输入和输出矩阵；Y_max为输入和输出矩阵各列的最大值；Y_min为输入和输出矩阵各列的最小值。

4.根据权利要求3所述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统，其特征在于，步骤S1中，所构建的FFNN-GA包括输入层、隐含层和输出层，且隐含层传递函数为tansig函数或logsig函数，输出层传递函数为purelin函数，各传递函数表达式及隐含层神经元的输入x_i和输出y_j之间的数学关系如下：

y＝purelin(x)＝x (s)

其中，y_j对应第j个隐层神经元的输出信号；f(x)为传递函数；n为输入变量的数量；w_ij为第i个输入神经元到第j个隐含层神经元的权值；x_i为第i个输入神经元的输出信号；b为隐含层阈值；

步骤S2中，通过GA对输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值的初始值进行实数编码，编码后每个个体均为一个实数串，对应一个具有特定权值和阈值的FFNN；

对个体进行训练，然后通过选择、交叉、变异产生新的个体，并计算新个体的适应度值，若满足设定适应度范围的结束条件，则取最优适应度值对应的FFNN个体，即最优权阈值赋值，否则继续优化直至满足结束条件。

5.根据权利要求4所述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统，其特征在于，步骤S2中，通过如下方式计算每个个体的适应度值：

S21.将样本数据的进出水水质输入至每代FFNN种群的个体；

S22.个体FFNN基于输入的进出水水质计算输出出水粪大肠菌群浓度预测值；

S23.计算出水粪大肠菌群预测值与对应的实际值之间的误差绝对值之和，将其作为相应个体的适应度值。

6.根据权利要求5所述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统，其特征在于，步骤S23中，用于计算适应度值的适应度函数为：

式中，F为个体的适应度值；k为系数；n为输出神经元数量；y_i和o_i分别为FFNN第i个节点的期望输出和预测输出。

7.根据权利要求6所述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统，其特征在于，通过GA的选择、交叉和变异操作实现种群的迭代和个体进化，GA的选择策略采用基于适应度比例的轮盘赌法，个体i的选择概率p_i为：

f_i＝k/F_i (8)

式中，F_i为个体i的适应度值；k为系数；N为种群个体数量；

GA的交叉操作选择实数交叉法，第k个个体a_k和第l个个体a_l在j位的交叉为：

式中，b为[0,1]区间的随机数；

GA的变异操作选取第i个个体的第j个基因a_ij实施变异，其操作方法为：

f(g)＝r₂(1-g/G_max)² (12)

式中，a_max为基因a_ij的上界；a_min为基因a_ij的下界；r₂为随机数；g为当前迭代次数；G_max为最大进化次数；r为[0,1]区间的随机数；

步骤S3中，训练过程中，采用Levenberg-Marquardt(trainlm)、Gradient descentwith momentum(traingdm)、Gradient descent with adaptivelearning rate(traingda)、Conjugate gradient backpropagation with Powell-Beale restarts(traincgb)、Gradient descent(traingd)或Scaled conjugate gradient(trainscg)中的任意一种学习算法训练FFNN个体，该过程涉及的权阈值校正可表示为：

式中，Δw_ij(s)表示在第s次学习迭代的权值校正；η表示学习率；E表示训练集中所有数据的误差平方和；μ为动量因子。

8.根据权利要求1所述的基于GA和FFNN的生活污水粪大肠菌群在线监测系统，其特征在于，进水和出水水质包括进水和出水pH值、化学需氧量、悬浮物浓度、氨氮浓度、总磷浓度和浊度。

9.一种基于GA和FFNN的生活污水粪大肠菌群在线监测装置，其特征在于，包括：

水质检测模块，用于快速采集进水和出水的NH₃-N、TP、COD、SS、pH和浊度数据；

数据传输模块，用于水质监测模块与计算机之间的通讯；

机器学习模块，位于计算机内，用于数据预处理，编码和格式转换，模型训练、验证、预测，预测结果分类，数值可视化处理，及历史监测数据存储；

人机交互模块，位于计算机处，用于监测数据和可视化图表的UI显示，历史记录检索，及浓度超标提示；

所述的水质监测模块采集的实时数据作为机器学习模块的输入值，由完全训练的FFNN-GA软测量模型接收后执行数据处理、转换和粪大肠菌群浓度预测；

所述的FFNN-GA软测量模型通过权利要求1所述的步骤S1-S3的方法得到。

10.根据权利要求9所述的基于GA和FFNN的生活污水粪大肠菌群在线监测装置，其特征在于，所述的水质检测模块包括分别用于采集进水和出水的NH₃-N、TP、COD、SS、pH和浊度数据的在线监测设备，在线监测设备获取所述数据后实时传输至机器学习模块；

所述的水质监测模块包括用于采集进水和出水NH₃-N、TP、COD值的光谱仪，用于采集进水和出水pH值的pH计，用于采集进水和出水浊度值的浊度，所述的进水和出水SS值由浊度仪实时采集的浊度值换算获得；

机器学习模块包括软测量模型，用于在线预测出水粪大肠菌群浓度值和动态变化；

对于具有水质在线监测能力的处理终端，样本数据采自相应的处理终端，对于不具备在线监测能力的处理终端，样本数据采自与之进水水质相近、处理工艺相同的具有在线监测能力的水处理终端处；

且针对具有在线监测能力的处理终端，处理终端将在线监测的进出水水质数据实时反馈给完全训练的软测量模型；软测量模型基于接收到的在线监测数据，通过在线软测量的模式输出出水粪大肠菌群浓度；

针对不具备在线监测能力的处理终端，通过便携式仪器快速测定或实验室测样的方式离线获取待测进水和出水水质数据；经由人机交互模块将获取的进水和出水水质数据手动输入至完全训练的软测量模型；软测量模型基于接收到的离线监测数据，通过离线软测量的模式输出出水粪大肠菌群浓度。