【技术实现步骤摘要】
本专利技术基于城市污水处理过程的运行特性，设计了一种基于自组织堆叠二型模糊神经网络的出水总氮智能检测模型，利用城市污水处理过程数据对检测模型的参数进行更新，通过评估二型模糊神经网络的性能指导检测模型的结构调整，形成一个层次化的网络结构，实现城市污水处理多工况下出水总氮的智能检测。这种基于自组织堆叠二型模糊神经网络的出水总氮智能检测方法可以实现出水总氮的实时检测，属于水处理领域。
技术介绍
1、随着中国经济的快速增长，我国城市居民的生活水平有了极大的提高，使得日常生活产生的生活污水不断增多，导致水污染问题日益严峻。水污染问题直接危害着国民的生活健康和生态平衡，已受到人们的广泛关注并成为迫切需要解决的问题。因此，污水处理成为解决水污染问题的重要举措。
2、总氮是水体污染的重要指标之一，其过量排放会导致水体富营养化，进而引发一系列环境问题，如藻类爆发、水质恶化等。因此，准确、快速地检测水体中的总氮含量对于环境保护和治理具有重要意义。现有总氮检测方法主要包括化学法、光谱法、色谱法等。这些方法虽然具有较高的准确性和可靠性，但也存在着一些明显的缺点。例如，化学法通常需要消耗大量的化学试剂，且操作复杂，对操作人员的技能要求较高；光谱法和色谱法则需要昂贵的仪器设备和专业的技术人员，且检测时间较长，难以满足实时监测的需求。在污水处理领域，神经网络等人工智能技术因其具有非线性映射能力、适应性强等特点，被广泛应用于水质监测和预测。因此，研究出水总氮智能检测方法，实现出水总氮实时检测具有重要意义。
3、本专利技术设计了一种基于自
技术实现思路
1、本专利技术获得了一种基于自组织堆叠二型模糊神经网络的出水总氮智能检测方法，该方法基于污水处理领域知识筛选与出水总氮相关的特征变量确定智能检测模型的输入变量，建立基于堆叠二型模糊神经网络的出水总氮智能检测模型，利用相似度和贡献度指标动态调整智能检测模型结构，形成层次化的模型结构，实现多工况下出水总氮的高精度检测。
2、本专利技术采用了如下的技术方案及实现步骤：
3、一种基于自组织堆叠二型模糊神经网络的出水总氮智能检测方法，其特征在于，选取出水总氮智能检测模型输入变量，建立基于堆叠二型模糊神经网络的出水总氮智能检测模型，动态校正模型参数和结构，检测污水处理多工况下出水总氮浓度，包括以下步骤：
4、(1)出水总氮智能检测模型输入变量选取
5、以城市污水处理过程为研究对象，选取化学需氧量、内回流流量、厌氧池氧化还原电位、缺氧池氧化还原电位、第一好氧池溶解氧和第二好氧池溶解氧作为出水总氮智能检测模型的输入变量；出水总氮作为出水总氮智能检测模型的输出变量；将输入变量和输出变量进行归一化处理操作：
6、
7、其中，b＝1,…,7；t＝1,…,n，n为样本总数，u1(t)为t时刻化学需氧量，单位是毫克/升，u1,min为化学需氧量全部样本的最小值，u1,max为化学需氧量全部样本的最大值，u2(t)为t时刻内回流流量，单位立方米/小时，u2,min为内回流流量全部样本的最小值，u2,max为内回流流量全部样本的最大值，u3(t)为t时刻厌氧池氧化还原电位，单位毫伏，u3,min为厌氧池氧化还原电位全部样本的最小值，u3,max为厌氧池氧化还原电位全部样本的最大值，u4(t)为t时刻缺氧池氧化还原电位，单位毫伏，u4,min为缺氧池氧化还原电位全部样本的最小值，u4,max为缺氧池氧化还原电位全部样本的最大值，u5(t)为t时刻第一好氧池溶解氧浓度，单位毫克/升，u5,min为第一好氧池溶解氧全部样本的最小值，u5,max为第一好氧池溶解氧全部样本的最大值，u6(t)为t时刻第二好氧池溶解氧浓度，单位毫克/升，u6,min为第二好氧池溶解氧全部样本的最小值，u6,max为第二好氧池溶解氧全部样本的最大值，u7(t)为t时刻出水总氮，单位毫克/升，u7,min为出水总氮全部样本的最小值，u7,max为出水总氮全部样本的最大值，u1(t)为t时刻归一化后的化学需氧量，u2(t)为t时刻归一化后的内回流流量，u3(t)为t时刻归一化后的厌氧池氧化还原电位，u4(t)为t时刻归一化后的缺氧池氧化还原电位，u5(t)为t时刻归一化后的第一好氧池溶解氧浓度，u6(t)为t时刻归一化后的第二好氧池溶解氧浓度；为t时刻归一化后的实际出水总氮；
8、(2)出水总氮智能检测模型建立
9、出水总氮智能检测模型由s个区间二型模糊神经网络堆叠组成，s为大于等于2的整数，其中第s个区间二型模糊神经网络包括以下五层，s＝1,2,…,s；
10、输入层：由6个神经元组成，输入变量us(t)＝[u1(t),u2(t),…,u6(t)]t，t为转置计算；
11、隶属函数层：由5个神经元组成，每个神经元输出为：
12、
13、其中，是t时刻第s个区间二型模糊神经网络第i个输入第j个神经元上界输出，是t时刻第s个区间二型模糊神经网络第i个输入第j个神经元下界输出，nsij(t)是t时刻第s个区间二型模糊神经网络第i个输入第j个神经元的上中心，msij(t)是t时刻第s个区间二型模糊神经网络第i个输入第j个神经元的下中心，σsij(t)是t时刻第s个区间二型模糊神经网络第i个输入第j个神经元的宽度，s＝1,2,…,s；i＝1,…,6；j＝1,…,5；
14、激活层：由5个神经元组成，每个神经元输出为：
15、
16、其中，φ1sj(t)是t时刻第s个区间二型模糊神经网络第j个神经元上界输出，φ2sj(t)是t时刻第s个区间二型模糊神经网络第j个神经元下界输出，j＝1,…,5；
17、后件层：由2个神经元组成，后件层输出表示为：
18、
19、其中，y1s(t)是t时刻第s个区间二型模糊神经网络上界输出，y2s(t)是t时刻第s个区间二型模糊神经网络下界输出，asij(t)是t时刻第i个输入第j个神经元的权重系数；
20、子输出层：由1个神经元组成，输出层输出表示为：
21、ys(t)＝(1-qs(t))y1s(t)+qs(t)y2s(t) (8)
22、其中，ys(t)为t时刻第s个区间二型模糊神经网络的预测子输出，qs(t)是t时刻第s个区间二型模糊神经网络比例系数；
23、t时刻出水总氮智能检测模型输出为：
24、
25、其中，y(t)为t时刻出水总氮智能检测模型的输出；
26、(3)出水总氮智能检测模型参数和结构调整
27、本文档来自技高网...
【技术保护点】
1.一种基于自组织堆叠二型模糊神经网络的出水总氮智能检测方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于自组织堆叠二型模糊神经网络的出水...
【专利技术属性】
技术研发人员：韩红桂，孙晨暄，伍小龙，杨宏燕，
申请(专利权)人：北京工业大学，
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。