【技术实现步骤摘要】
本专利技术属于污水处理过程的智能检测，具体涉及一种基于双误差优化神经网络的出水cod浓度软测量方法、设备和介质。
技术介绍
1、为了减少生活污水和工业废水大量排放造成的水污染，促进水资源的循环利用，近年来建立了大量污水处理厂并投入使用。对关键水质参数出水cod浓度在线检测能够为优化控制和运行管理提供数据支持，从而保障污水处理厂的稳定运行，提高出水质量。出水cod浓度虽然可以通过先进的仪器仪表测量，或是离线采样分析得到，但是由于高昂的设备维护成本和有限的技术条件，检测结果通常存在误差和延迟，这严重阻碍了在过程控制、优化和监测中反馈信号的传递。
2、随着计算机存储能力与计算能力的增强，基于神经网络的软测量模型已经被广泛用于解决污水处理过程的变量检测问题。然而，由于污水处理工艺机理复杂、生化反应多、工况交变快，导致基于神经网络的软测量模型在使用过程中经常面临样本数据维度高、模型计算强度大、预测性能不稳定等问题。因此选择最优的过程变量作为辅助变量，建立高计算效率和预测性能的神经网络模型，实现出水cod浓度快速准确的在线检测，从而保障污水处理厂安全稳定的运行。
技术实现思路
1、本专利技术提供一种基于双误差优化神经网络的出水cod浓度软测量方法、设备和介质，能够更快速准确地实现出水cod浓度的在线检测，保障污水处理厂安全稳定的运行。
2、为实现上述技术目的，本专利技术采用如下技术方案：
3、一种基于双误差优化神经网络的出水cod浓度软测量方法，包括：>
4、步骤1，采集目标污水处理厂过程变量的样本数据；所述过程变量包括出水cod浓度以及其他多种过程变量；
5、步骤2，对采集的样本数据进行预处理；
6、步骤3，计算出水cod浓度与每种其他过程变量之间的pearson相关系数和核密度互信息值；
7、步骤4，依据帕累托定律将pearson相关系数和核密度互信息值加权求和，并依据加权求和值优选部分过程变量作为辅助变量；
8、步骤5，建立神经网络，以样本数据中的辅助变量为输入、出水cod浓度为输出，以点预测误差最小化和分布误差最小化为寻优目标，调节神经网络参数；将参数最终调节好的神经网络记为出水cod浓度软测量模型；
9、步骤6，当需要进行实际的出水cod浓度进行测量时，采集辅助变量中的过程变量，输入至所述出水cod浓度软测量模型，输出结果即为出水cod浓度。
10、进一步的，所述其他多种过程变量包括但不限于：水流量、ph值、氨氮浓度、溶解氧浓度、固体悬浮物总量、硝酸盐浓度、亚硝酸盐浓度、自养菌生物活性、异养菌生物活性。
11、进一步的，对样本数据预处理，包括删除重复数据、补充缺失数据和数据归一化处理。
12、进一步的，出水cod浓度与每种其他过程变量之间的pearson相关系数，计算式为：
13、
14、其中，ρ(·,·)表示pearson相关系数，cov(·,·)表示协方差，var(·)表示标准差，x表示某一过程变量的样本数据集合，y表示出水cod浓度的样本数据集合。
15、进一步的，出水cod浓度与每种其他过程变量之间的核密度互信息值，计算式为：
16、
17、其中，i(·,·)表示核密度互信息值，p(·,·)表示联合概率密度函数，p(·)表示边缘概率密度函数；x表示某一过程变量的样本数据集合，x为集合x中的某一样本；y表示出水cod浓度的样本数据集合，y为集合y中的某一样本。
18、进一步的，优选部分过程变量作为辅助变量的具体步骤如下：
19、步骤4.1，依据帕累托定律将pearson相关系数和核密度互信息值加权求和；
20、s(x,y)＝α×ρ(x,y)+β×i(x,y)
21、其中，s(·,·)表示加权和，α和β为加权系数；x表示某一过程变量的样本数据集合，y表示出水cod浓度的样本数据集合；ρ(x,y)表示x与y之间的pearson相关系数，i(x,y)表示x与y之间的核密度互信息值；
22、步骤4.2，给定变量选择的阈值λ，当s(·,·)大于阈值λ时，则该过程变量与出水cod浓度具有紧密关联，选择该过程变量作为优选的辅助变量，当s(·,·)小于阈值λ时，则该过程变量与出水cod浓度关联性不强，剔除该过程变量。
23、进一步的，建立的神经网络为包括一个单隐藏层的前馈神经网络，辅助变量从输入层经过隐藏层传输到输出层表示为：
24、
25、
26、其中，xi表示输入的辅助变量数据，hj和表示隐藏层和输出层的输出，f(·)和g(·)表示非线性激活函数，ω和表示权重矩阵，b和表示偏执向量，m和l表示输入层和隐藏层的神经元个数，m按辅助变量的个数设置。
27、进一步的，所述以点预测误差最小化和分布误差最小化为寻优目标，调节神经网络参数，具体过程为：
28、步骤5.1，确定神经网络在点预测误差最小化时的梯度最速下降方向参数；
29、
30、
31、
32、其中，e表示出水cod浓度的真实值和预测值之间的点预测误差，yi和分别表示出水cod浓度的真实值和预测值，n表示样本个数，表示在点预测误差最小化时的梯度最速下降方向参数；
33、步骤5.2，确定神经网络在分布误差最小化时的梯度最速下降方向参数；
34、
35、
36、
37、
38、其中，j表示出水cod浓度的真实值和预测值之间的分布预测误差，ttar和tout分别表示出水cod浓度真实值和预测值的核密度估计，φ(x)表示高斯核函数，h表示窗口宽度，表示在分布误差最小化时的梯度最速下降方向参数；
39、步骤5.3，利用点预测误差最小化和分布误差最小化时的梯度最速下降方向参数来更新网络参数，直到满足检测精度要求；
40、
41、
42、其中，η表示神经网络的学习步长。
43、一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项所述的出水cod浓度软测量方法。
44、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的出水cod浓度软测量方法。
45、有益效果
46、本专利技术的基于双误差优化神经网络的出水cod浓度软测量方法，首先计算过程变量与出水cod浓度之间的pearson相关系数和核密度互信息值，依据帕累托原则将两者融合，选择最优的过程变量作为辅助变量；然后建立一个单隐藏层的前馈神经网络，同时以点预测误差最小化和分布误差最小化作为寻优目标，调节网络参数，提高模型的训练效率和检测结果的精度；最后将测试数据输入到最终的神经网络中，输出结果本文档来自技高网...
【技术保护点】
1.一种基于双误差优化神经网络的出水COD浓度软测量方法，其特征在于，包括：
2.根据权利要求1所述的出水COD浓度软测量方法，其特征在于，所述其他多种过程变量包括但不限于：水流量、pH值、氨氮浓度、溶解氧浓度、固体悬浮物总量、硝酸盐浓度、亚硝酸盐浓度、自养菌生物活性、异养菌生物活性。
3.根据权利要求1所述的出水COD浓度软测量方法，其特征在于，对样本数据预处理，包括删除重复数据、补充缺失数据和数据归一化处理。
4.根据权利要求1所述的出水COD浓度软测量方法，其特征在于，出水COD浓度与每种其他过程变量之间的Pearson相关系数，计算式为：
5.根据权利要求1所述的出水COD浓度软测量方法，其特征在于，出水COD浓度与每种其他过程变量之间的核密度互信息值，计算式为：
6.根据权利要求1所述的出水COD浓度软测量方法，其特征在于，优选部分过程变量作为辅助变量的具体步骤如下：
7.根据权利要求1所述的出水COD浓度软测量方法，其特征在于，建立的神经网络为包括一个单隐藏层的前馈神经网络，辅助变量从输入层经过隐
8.根据权利要求7所述的出水COD浓度软测量方法，其特征在于，所述以点预测误差最小化和分布误差最小化为寻优目标，调节神经网络参数，具体过程为：
9.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～8中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～8中任一项所述的方法。
...【技术特征摘要】
1.一种基于双误差优化神经网络的出水cod浓度软测量方法，其特征在于，包括：
2.根据权利要求1所述的出水cod浓度软测量方法，其特征在于，所述其他多种过程变量包括但不限于：水流量、ph值、氨氮浓度、溶解氧浓度、固体悬浮物总量、硝酸盐浓度、亚硝酸盐浓度、自养菌生物活性、异养菌生物活性。
3.根据权利要求1所述的出水cod浓度软测量方法，其特征在于，对样本数据预处理，包括删除重复数据、补充缺失数据和数据归一化处理。
4.根据权利要求1所述的出水cod浓度软测量方法，其特征在于，出水cod浓度与每种其他过程变量之间的pearson相关系数，计算式为：
5.根据权利要求1所述的出水cod浓度软测量方法，其特征在于，出水cod浓度与每种其他过程变量之间的核密度互信息值，计算式为：
6.根据权...
【专利技术属性】
技术研发人员：阳春华，李东，李勇刚，周灿，朱红求，孙备，李文婷，贺婧秀，
申请(专利权)人：中南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。