专利名称：一种基于动态前馈神经网络的生化需氧量在线软测量方法
技术领域：
本发明属于污水水质参数软测量技术领域，具体涉及一种基于动态前馈神经网络的生化需氧量在线软测量方法。
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(生化需氧量B0D、如氨氮NH3-N、化学需氧量COD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。其中水质参数BOD是指在规定时间内分解单位有机物所需要的氧量，目前污水处理厂多通过使用稀释接种法、微生物传感器快速测定法测定不同类型水中生化需氧量B0D，其BOD分析测试定周期一般为5天，不能及时反映污水处理实际情况，不能实现对BOD实时测量，直接导致污水处理过程难以实现闭环控制。另外，污水中污染物的数量多、含量各异，对检测是一大挑战。研制新型硬件形式的过程测量仪表，虽然可以直接解决各种污水处理过程中变量及水质参数检测问题，但由于污水中有机物非常复杂，研制这些传感器将是一个耗时费力的工程。因此，研究新的测量方法解决过程参数的实时测量问题，已经成为污水控制工程领域研究的重要课题，并具有重要的现实意义。
发明内容
针对现有技术的不足，本发明提出一种基于动态前馈神经网络的生化需氧量在线软测量方法，以实现实时性好、稳定性好、精度高、神经网络的泛化能力强、避免研制传感器的复杂过程和降低运行成本的目的。一种基于动态前馈神经网络的生化需氧量在线软测量方法，包括以下步骤步骤I、设计用于污水曝气池生化需氧量软测量的动态前馈神经网络拓扑结构；其中，网络分为三层输入层、隐含层和输出层；所述的输入层为污水曝气池进水水质指标，所述的输出层为出水生化需氧量BOD ；步骤1-1、初始化神经网络结构确定神经网络结构为1-1-1的连接方式，即输入层神经元为I个，在网络开始训练的时刻，隐含层的神经元为I个，输出层神经元I个；步骤1-2、对神经网络的权值进行随机赋值；神经网络的输入表示为X= (Xl，X2,…,X1)1，其中(X11Xy…，Xi)TS (X11XhH^X1)的转置，神经网络的期望输出表示为yd ;k时亥1J的训练样本为 X (k) = (X1 (k), X2 (k), ···, xx(k))T ；假设k时刻动态动态前馈神经网络的隐含层中有m个隐节点，则用k时刻的训练样本训练神经网络时，动态前馈神经网络的输出描述为
权利要求
1.一种基于动态前馈神经网络的生化需氧量在线软测量方法，其特征在于包括以下步骤 步骤1、设计用于污水曝气池生化需氧量软测量的动态前馈神经网络拓扑结构；其中，网络分为三层输入层、隐含层和输出层；所述的输入层为污水曝气池进水水质指标，所述的输出层为出水生化需氧量BOD ； 步骤1-1、初始化神经网络结构确定神经网络结构为1-1-1的连接方式，即输入层神经元为I个，在网络开始训练的时刻，隐含层的神经元为I个，输出层神经元I个； 步骤1-2、对神经网络的权值进行随机赋值；神经网络的输入表示为X= (Xl，X2,…，X1)τ，其中(Xl，x2，…，X1)τ为(Xl，X2，…，X1)的转置，神经网络的期望输出表示为yd;k时刻的训练样本为 XGO = U1 (k), X2 (k), ···, X1 (k))τ ； 假设k时刻动态动态前馈神经网络的隐含层中有m个隐节点，则用k时刻的训练样本训练神经网络时，动态前馈神经网络的输出描述为
2.根据权利要求I所述的基于动态前馈神经网络的生化需氧量在线软测量方法，其特征在于步骤3所述的采用标准化后的数据训练神经网络，包括以下步骤 步骤3-1、采用标准化后的输入样本对网络进行训练，计算神经网络训练k时刻的输入数据时第j个隐节点的活跃度Af^ (k)
全文摘要
本发明一种基于动态前馈神经网络的生化需氧量在线软测量方法，通过设计用于污水曝气池生化需氧量软测量的动态前馈神经网络拓扑结构，确定动态前馈神经网络的输入样本，并对输入样本进行在线归一化处理；采用标准化后的数据训练神经网络，计算神经网络中与隐节点相连的所有权连接值在每次训练过程中的变化情况，判断该隐节点的活跃性，对活跃度较大的隐节点进行分裂；通过计算隐节点在训练过程中绝对输出的变化情况，判断该隐节点学习信息的能力，删除没有学习能力的隐节点；对神经网络参数进行调整；动态前馈神经网络训练过程结束后，确定曝气池出水生化需氧量BOD；本发明具有实时性好、稳定性好、精度高、神经网络的泛化能力强的优点。
文档编号G06N3/02GK102879541SQ20121027165
公开日2013年1月16日 申请日期2012年7月31日 优先权日2012年7月31日
发明者张昭昭, 郭伟, 张美金 申请人:辽宁工程技术大学