专利名称：一种动态模块化神经网络的氨氮在线软测量方法
技术领域：
本发明属于检测技术及仪表研究技术领域，涉及一种在线多模型软测量 方法，特别涉及一种动态模块化神经网络的氨氮在线软测量方法。
背景技术：
国务院在《中华人民共和国国民经济和社会发展第十二个五年规划纲要》中提出了城市污水处理率达到85%的总体目标，并对污水处理行业提出了提高污水处理率、污水排放标准等要求。这些要求在“质”和“量”的方面对污水处理行业提出了更高的要求。但目前我国污水处理厂的实际运行状况并不乐观。据环保部门统计，运行负荷不足、出水水质超标或运行异常的污水处理厂约占50%。因此国家中长期科技发展规划中明确提出要抑制异常工况发生，确保污水处理质量达标；研究并推广高效、低能耗的污水处理新技术。因此，本发明的研究成果具有广阔的应用背景。污水处理过程是一个典型的非线性时变系统，其关键的生化反应阶段涉及复杂微生物反应过程。由于测量技术的局限，污水处理过程中的一些重要参数是无法或很难进行在线测量(如氨氮NH3-N、化学需氧量C0D、生化需氧量BOD等)。这些参数对于出水指标的控制、过程的优化及故障的诊断起着重要的作用，是污水处理中必须监测的变量。其中污水出水水质参数NH3-N的测定采用蒸馏-中和测定法，其分析测定周期(经常是数个小时)所产生的明显的延迟，将导致该测量信号不能作为闭环控制系统的反馈信号加入到整个控制过程中，这对污水处理的出水水质和污水处理系统的安全运行都产生严重的影响。近年来，为实现对污水处理的测量和控制，国内外专家提出了多种非线性软测量方法，其中以神经网络(单模型)作为软测量工具的方法研究最为活跃。然而，污水处理过程是一个运行工况范围广的复杂工业过程，经常在负荷大范围扰动的条件下运行，不同区域的样本，其扰动幅度和对象特性均不相同，采用单模型的软测量方法会导致学习时间过长、过程匹配不佳、精度和外推能力差等缺陷。其次，单模型也存在健忘问题，即单模型没有知识积累特性，使其难以跟踪污水水质的变化过程，自适应能力差，鲁棒性不强。再次，污水处理系统在运行过程中受季节天气、暴雨、工业废水的突然涌入等因素的影响常会产生缓慢的变化或突然的扰动，即会产生数据漂移现象，造成软测量模型的预测误差不断增大。另夕卜，污水处理过程中，软测量样本集呈单个增量式增加，这就要求软测量方法最好是在线、增量式学习。
发明内容
针对现有方法存在的不足，本发明提出一种动态模块化神经网络的氨氮在线软测量方法，以达到克服单模型建模学习时间长、过程匹配不佳、外推能力差、没有知识积累等缺陷的目的。本发明的技术方案是这样实现的一种动态模块化神经网络的氨氮在线软测量方法，包括以下步骤
步骤I :设计用于NH3-N在线软测量的动态模块化神经网络拓扑结构；网络分为5层输入层、RBF层、任务分配层、子网络层、集成输出层。输入为曝气池进水水质指标，输出为出水水质NH3-N浓度；输入层包括η个输入节点，η为输入样本的维数，k时刻的输入样本表示为x (k)=[X1GO ,…，xn(k)]T。RBF层包括I个RBF神经元，每个神经元的激活函数为φχΑ)) =，在
动态模块化神经网络中，激活函数Oi(XGO)被定义为硬限幅函数若满足公式IIxGO-CiII ( Si，则 φ“χ(ιο) = I (I)
若满足公式IIxGO-CiII > Si，则 CDi(XQO) = O式中，Ci为第i个RBF神经元的数据中心，δ j为第i个RBF神经元的扩展宽度；公式(I)表示在输入样本空间中以Ci为球心，以δ i为半径作一个超球面，当输入点在该超球面内时输出为I，在超球面以外时输出为O。任务分配层该层的任务是根据RBF层中RBF神经元的输出和k时刻输入样本x(k)在输入样本空间中的位置，由模糊策略决定给k时刻输入样本x(k)分配不同的子网络进行学习。子网络层该层由子神经网络组成，其个数与RBF层中RBF神经元个数相同，且为一一对应的关系。该层的主要任务是学习由任务分配层分配来的输入样本。集成输出层该层的主要任务是对k时刻各子神经网络的学习结果进行集成输出，集成输出的结果Y (χ (k))，公式如下
权利要求
1.一种动态模块化神经网络的氨氮在线软测量方法，其特征在于包括以下步骤步骤I :设计用于NH3-N在线软测量的动态模块化神经网络拓扑结构；网络分为5层输入层、RBF层、任务分配层、子网络层、集成输出层；输入为曝气池进水水质指标，输出为出水水质NH3-N浓度； 输入层包括η个输入节点，η为输入样本的维数，k时刻的输入样本表不为x(k)=[X1GO,…，xn(k)]T; RBF层包括I个RBF神经元，每个神经元的激活函数为％= e(HkyCifls^，在动态模块化神经网络中，激活函数Oi(XGO)被定义为硬限幅函数 若满足公式 IIxGO-CiII ( Si，则 ΦΑΟΟ) = I (I) 若满足公式 IIxGO-CiII > Si，则 CDi(XGO) =0 式中，Ci为第i个RBF神经元的数据中心，Si为第i个RBF神经元的扩展宽度；公式(I)表示在输入样本空间中以Ci为球心，以δ i为半径作一个超球面，当输入点在该超球面内时输出为I，在超球面以外时输出为O ; 任务分配层该层的任务是根据RBF层中RBF神经元的输出和k时刻输入样本x(k)在输入样本空间中的位置，由模糊策略决定给k时刻输入样本x(k)分配不同的子网络进行学习； 子网络层该层由子神经网络组成，其个数与RBF层中RBF神经元个数相同，且为一一对应的关系；该层的主要任务是学习由任务分配层分配来的输入样本； 集成输出层该层的主要任务是对k时刻各子神经网络的学习结果进行集成输出，集成输出的结果Y (x (k))，公式如下 Y (Ak)) = Σ (xW)(2) i=l 式中，P为被x(k)激活的子神经网络的个数；a i为各子神经网络的集成权值，且有Σ^Α=1;5^为子网络层中第i个子神经网络对k时刻的输入样本x(k)的输出，且有yik(x (k)) = Vif (wix(k)+bli)+b2i 式中，Wi为第i个子神经网络输入层到隐含层的权连接矩阵；Vi为第i个子神经网络隐含层到输出层的权连接矩阵；f ( ·)为子神经网络隐含层神经元的激活函数；bli为第i个子神经网络隐含层神经元的偏移向量；b2i为第i个子神经网络输出层神经元的偏移向量；步骤2 :输入变量的确定及归一化处理； 确定输入变量为污水出水水质氨氮预测模型输入样本包括入水氨氮、入水化学需氧量、入水悬浮物、入水PH值、反应池溶解氧浓度、反应池混合液可挥发性悬浮固体浓度,输出样本为出水氨氮预测值； 由于上述自变量之间差异较大且量纲不同，采用在线递归中心化压缩方法进行归一化处理 设k时刻的输入样本和输出样本对为Z(k) = [X1 (k), x2 (k), ···, x6 (k), x7 (k)] (3) 式中，X1GO，x2(k)，...，x6(k)表示输入样本在k时刻的值，作为k时刻神经网络的输入；x7(k)表示k时刻氨氮浓度的目标值，作为k时刻神经网络的期望输出值；则在线递归中心化压缩，公式为
2.根据权利要求I所述的动态模块化神经网络的氨氮在线软测量方法，其特征在于步骤3所述的在线更新RBF层神经元的个数及各RBF神经元的数据中心，方法为 RBF层RBF神经元的个数及数据中心由在线聚类算法实现在k时刻，假设在RBF层已存在I个RBF神经元，其数据中心为Ci，且有i = 1，…，1，则需计算当前输入样本x(k)的密度值Pk(x(k))与原RBF神经元数据中心Ci的密度值Pk(Ci)，并进行比较；k时刻输入样本X (k)的密度值Pk(x(k))递推公式如下
3.根据权利要求I所述的动态模块化神经网络的氨氮在线软测量方法，其特征在于步骤3所述的根据RBF层RBF神经元的输出，由模糊策略确定并激活不同的子神经网络学习当前输入样本X (k)，方法为 设C= {c1； C2, , cj为被当前输入样本x(k)所激活的RBF层RBF神经元的数据中心，令
4.根据权利要求I所述的动态模块化神经网络的氨氮在线软测量方法，其特征在于步骤3所述的对各子神经网络的输出进行动态集成输出，方法为 对k时刻的输入样本X (k)，设被选中的子神经网络所对应的RBF层RBF神经元的数据中心为c = Ic1, C2,..., cp}, P为被选择的子神经网络个数，则动态模块化神经网络的总输出为
全文摘要
一种动态模块化神经网络的氨氮在线软测量方法，属于检测技术及仪表研究技术领域。本发明针对当前污水处理过程中出水水质关键参数氨氮NH3-N测量周期长，不能在线检测的问题，采用了多模型的软测量方法实现了辅助变量与NH3-N之间的映射，对NH3-N进行在线软测量。与一般的在线学习方法相比较具有更高的预测精度，是一种使用范围广，可靠性高，鲁棒性强的软测量方法；本发明克服了单模型建模学习时间长、过程匹配不佳、外推能力差、没有知识积累等缺陷。
文档编号G06N3/08GK102662040SQ20121011920
公开日2012年9月12日 申请日期2012年4月20日 优先权日2012年4月20日
发明者张昭昭, 徐光宪, 郭伟 申请人:辽宁工程技术大学