一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法技术

本发明专利技术涉及一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法。首先，通过互信息选择模型的输入变量，建立模块1来预测出水NH4

【技术实现步骤摘要】
一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法


[0001]本专利技术涉及城市污水处理过程出水含氮量智能检测方法；建立了基于级联模块化神经网络的出水含氮量预测模型，实现了对出水氨氮和出水总氮的同步预测。既属于城市污水处理领域，又属于智能建模领域。

技术介绍

[0002]在人口和经济急剧增长的推动下，全球对可持续供水的需求不断增加，对污水进行有效处理有助于水的循环利用。因此，在过去的几十年中污水处理成为学术界和工业界的热门话题，其中关键出水水质对污水处理过程的监测和控制具有重要的指导作用。然而受技术和经济限制，仍然难以在线获得某些出水参数的可靠测量值，这些参数包括出水含氮量参数，例如氨氮(NH4
‑
N)和总氮(TN)，它们是导致富营养化的关键营养素。因此，NH4
‑
N和TN的准确预测，对提高污水处理厂(Wastewater treatment plants,WWTP)脱氮效率具有重要的理论意义和应用价值。

技术实现思路

[0003]本专利技术的目的在于提出一种基于级联模块化神经网络(Hierarchical modular neuralnetwork,HMN)的城市污水处理过程出水含氮量智能检测方法，采用HMN构建出水含氮量预测模型，实现对出水含氮量的准确预测。
[0004]本专利技术采用如下的技术方案及实现步骤：
[0005](1)建立HMN，设计过程如下：
[0006]①
模块1由RBF神经网络建立，根据不同的任务处理不同的输入信号。模块1的输入表示为
[0007]u＝[u1,u2,...,u
n
]T
ꢀꢀꢀ
(1)
[0008]其中之后，基于RBF神经网络建立的模块1的输出表示为：
[0009][0010]其中c
j
和σ
j
为模块1中RBF神经网络第j个隐层节点的中心和宽度，w
j
表示相应的输出权重，J1为RBF神经网络的隐含层节点个数；
[0011]②
同样，模块2也由RBF神经网络建立。与以往模块化神经网络构造不同的是，模块2的输入除了包括来自外界环境的输入信号之外，还包括模块1的输出。因此，输入层表示为：
[0012][0013]其中，因此模块2的输出表示为
[0014][0015]其中，c
j
和σ
j
为模块2中RBF神经网络第j个隐层节点的中心和宽度，w
j
表示相应的输出权重，J2为RBF神经网络的隐含层节点个数；
[0016]HMN根据信号传播的方向构建。首先根据训练样本训练模块1，然后，将模块1中出水NH4
‑
N的预测值添加到模块2的输入中以完成子网络设计，在此期间，子网络的收敛和泛化性对于HMN尤为重要；
[0017](2)基于生长和合并机制的RBF自组织结构设计方法
[0018]为了保证子网络和HMN的紧凑性和泛化性，提出了一种基于生长和合并机制的RBF自组织结构设计方法。以第一个RBF子网络为例，最初，RBF隐藏层中没有节点，为了消除网络输出和期望输出之间的误差，采用误差修正算法连续添加RBF隐含层节点，因此，在每次迭代中，每个RBF节点位于最高误差峰或最低误差低谷处；
[0019][0020][0021]其中z
p
和分别为第p个样本的期望输出和网络的实际输出，j
max
表示第j次迭代时绝对误差最大的训练样本，P表示模块1中训练样本的大小；
[0022]然后，根据第j
max
个训练样本初始化第j个RBF节点对应的中心向量和连接权值：
[0023][0024][0025]隐含层节点的宽度根据新添加的节点和其他现有RBF节点之间的最小欧氏距离计算
[0026]σ
j
＝min{dist(c
j
,c
i≠j
)}
ꢀꢀꢀ
(9)
[0027]每次网络结构发生变化时，采用二阶算法调整所有参数，由于RBF神经网络激活函数的特殊性，其节点进行局部学习，由相应的中心和宽度决定。因此，在参数调整过程中如果将两个RBF隐含层节点调到最近距离，这两个节点可能对某些输入信息提供大致相同的响应。因此，提出了一种合并策略以降低结构的冗余性；
[0028]例如，如果第k个节点和第l个节点满足条件(10)，那么这两个节点将合并成新的节点：
[0029]dist(c
k
,c
l
)<min{σ
k
,σ
l
},k≠l.
ꢀꢀꢀ
(10)
[0030][0031]σ
k,l
＝max{σ
k
,σ
l
}
ꢀꢀꢀ
(12)
[0032]w
k,l
＝w
k
+w
l
ꢀꢀꢀ
(13)
[0033]其中c
k,l
，σ
k,l
和w
k,l
分别为新添加节点的中心，宽度和权值；
[0034]在子网络的构建过程中，隐含层节点的生长和合并不断重复，直到达到所需的训练精度，从而建立结构紧凑的HNM；
[0035](3)采用二阶算法对参数进行调整
[0036]为了加快收敛速度并提高HMN的训练精度，使用二阶学习算法来调整子网络的参数，包括隐含层节点的中心、宽度和连接权重。参数的更新规则由下式给出
[0037]θ
t+1
＝θ
t
‑
(Q
t
+μ
t
I)
‑1g
t
ꢀꢀꢀ
(14)
[0038]其中θ
t+1
和θ
t
表示t+1时刻所有的参数，Q
t
表示t时刻海森矩阵，μ
t
为t时刻学习率，I为单位矩阵，g
t
为t时刻梯度向量；
[0039]为了降低计算复杂度，将类海森矩阵Q表示为p个类海森子矩阵q的和，将梯度向量g转化为p个梯度子向量η的和：
[0040][0041][0042]其中q
p
为类海森子矩阵，η
p
为梯度子向量，q
p
和η
p
均由雅可比向量j
p
获得：
[0043][0044][0045][0046]其中H为需要被调整的参数的个数，包括隐含层节点的中心、宽度和连接权值。以模块1中包含有j个隐含层节点的RBF子网络为例，H＝(n+2)*j，其中j表示隐含层中神经元的个数，n表示输入节点个数，此外，雅可比行向量的元素可以表示为...

【技术保护点】

【技术特征摘要】
1.一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法，其特征在于，包括如下步骤：步骤1：建立级联模块化神经网络；模块1：模块1由RBF神经网络建立，根据不同的任务处理不同的输入信号，模块1的输入表示为u＝[u1,u2,...,u
n
]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中x1,x2,...,x
N
表示影响出水含氮量的全部辅助变量，这些变量包括：进水PH(PH_in)，出水PH(PH_ef)，进水固体悬浮物浓度(SS_in)，出水固体悬浮物浓度(SS_ef)，进水生化需氧量(BOD_in)，出水生化需氧量(BOD_ef)，进水化学需氧量(COD_in)，出水化学需氧量(COD_ef)，生物池污泥沉降比(SV)，生物池混合液悬浮固体(MLSS)，生化池溶解氧(DO)，进水油类(Oil_in)，出水油类(Oil_ef)，进水氨氮(NH4
‑
N_in)，出水氨氮(NH4
‑
N_ef)，进水色度(Colour_in)，出水色度(Colour_ef)，进水总氮(TN_in)，出水总氮(TN_ef)，进水总磷(TP_in)，出水总磷(TP_ef)，进水水温(T_in)，出水水温(T_ef)，N表示辅助变量的总个数，u1,u2,...,u
n
表示影响出水氨氮的辅助变量，包括：进水水温(T_in)、出水水温(T_ef)、进水总磷(TP_in)、生物池混合液悬浮固体(MLSS)、进水总氮(TN_in)和进水NH4
‑
N(NH4
‑
N_in)，n表示模块1中输入变量个数；之后，基于RBF神经网络建立的模块1的输出表示为：其中u表示输入向量，φ(
·
)表示径向基核函数，exp(
·
)表示以e为底的指数函数，c
j
和σ
j
为模块1中RBF神经网络第j个隐层节点的中心和宽度，w
j
表示相应的输出权重，J1为RBF神经网络的隐含层节点个数；模块2：同样，模块2也由RBF神经网络建立，与以往模块化神经网络构造不同的是，模块2的输入除了包括来自外界环境的输入信号之外，还包括模块1的输出，因此，输入层表示为：其中，表示影响出水总氮的辅助变量，包括：进水水温(T_in)、出水水温(T_ef)、出水NH4
‑
N(NH4
‑
N_ef)、进水总氮(TN_in)、进水总磷(TP_in)和生物池混合液悬浮固体(MLSS)，m表示模块2中输入变量个数；因此模块2的输出表示为其中，exp(
·
)表示以e为底的指数函数，r表示输入向量，c
j
和σ
j
为模块2中RBF神经网络第j个隐层节点的中心和宽度，w
j
表示相应的输出权重，J2为RBF神经网络的隐含层节点个数；级联模块化神经网络根据信号传播的方向构建，首先根据训练样本训练模块1，然后，将模块1的输出添加到模块2的输入中以完成子网络设计；
步骤2：基于生长和合并机制的RBF自组织结构设计方法；为了保证子网络和级联模块化神经网络的紧凑性和泛化性，提出了一种基于生长和合并机制的RBF自组织结构设计方法，最初，RBF隐藏层中没有节点，为了消除网络输出和期望输出之间的误差，采用误差修正算法连续添加RBF隐含层节点，因此，在每次迭代中，每个RBF节点位于最高误差峰或最低误差低谷处；RBF节点位于最高误差峰或最低误差低谷处；其中z
p
和分别为第p个样本的期望输出和网络的实际输出，e
p
表示第p个样本期望输出和实际输出之间的误差；j
max
表示第j次迭代时绝对误差最大的训练样本，P表示模块1中训练样本的大小；然后，根据第j
max
个训练样本初始化第j个RBF节点对应的中心向量和连接权值：权值：其中和分别表示第j
max
个样本对应的输入向量和期望输出，c
j
和w
j
分别表示第j个RBF节点的中心向量和连接权值；隐含层节点的宽度根据新添加的节点和其他现有RBF节点之间的最小欧氏距离计算σ
j
＝min{dist(c
j
,c
i≠j
)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)每次网络结构发生变化时，采用二阶算法调整所有参数，由于RBF神经网络激活函数的特殊性，其节点进行局部学习，由相应的中心向量和半径决定，因此，在参数调整过程中如果将两个RBF隐含层节点调到最近距离，这两个节点可能对某些输入信息提供大致相同的响应，因此，开发了一种合并策略以降低冗余并提高网络的紧凑性；如果第k个节点和第l个节点满足条件(10)，那么这两个节点将合并成新的节点：dist(c
k
,c
l
)<min{σ
k
,σ
l
},k≠l.
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)σ
k,l
＝max{σ
k
,σ
l
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)w
k,l
＝w
k
+w
l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)其中dist(c
k
,c
l
)表示中心向量c
k
和c
...

【专利技术属性】
技术研发人员：蒙西，段滈杉，乔俊飞，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：