一种测量溶解氧浓度的方法及装置制造方法
【专利摘要】本发明公开了一种测量溶解氧浓度的方法，所述方法通过对污水生化反应过程的机理进行分析，确定初步的辅助变量；采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；判断所述误差是否满足预先设置的条件；当所述误差满足预先设置的条件时，则采集现场数据，代入所建神经网络模型，预测溶解氧浓度需求量，实现溶解氧浓度的软测量。
【专利说明】一种测量溶解氧浓度的方法及装置
【技术领域】
[0001]本发明涉及计算领域，尤其涉及一种测量溶解氧浓度的方法及装置。
【背景技术】
[0002]目前污水生化处理过程中的溶解氧浓度测量方法通常有两种:一种是采用硬件传感器，这种方法的仪器造价高、寿命短、稳定性差，且不能进行预测，对于污水生化处理过程中的溶解氧浓度控制不具有指导意义；另一种是软测量方法，现有的软测量方法主要有基于工艺机理分析的和基于神经网络的。基于工艺机理分析的软测量方法需要对工艺过程机理深刻认识，否则不能准确预测出不易测量的参数值；基于神经网络的软测量方法适用于非线性和不确定性系统。但传统神经网络软测量方法的神经网络结构在训练前已确定，神经网络训练过程中网络结构不再发生变化，具有预测精度较低，时间较长的缺点，而目前新提出的结构自组织神经网络，能够根据研究对象在线改变神经网络结构，有效地提高了神经网络的性能，但它们普遍存在增长判断条件选取比较困难、修剪判断依据仍停留在隐含层神经元输出对整个神经网络输出的影响或隐含层与神经网络输出的连接权值等问题。
【发明内容】
[0003]本发明实施例提供了一种测量溶解氧浓度的方法，旨在解决污水生化处理过程中溶解氧浓度难以实时测量的问题。
[0004]为了解决上述技术问题，本发明实施例提供的一种测量溶解氧浓度的方法，所述方法包括:
[0005]对污水生化反应过程的机理进行分析，确定初步的辅助变量；
[0006]采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量；
[0007]根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差；
[0008]判断所述误差是否满足预先设置的条件；
[0009]当所述误差满足预先设置的条件，则采集现场数据，利用所述神经网络模型对溶解氧浓度进行测量。
[0010]所述根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差，包括:
[0011]建立一个神经网络模型，所述神经网络模型包括输入层、隐含层、输出层，所述输入层为辅助变量，所述输出层为污水生化反应过程中的溶解氧浓度，所述隐含层为免疫算法抗体；
[0012]利用随机函数对神经网络的连接权值进行初始化；
[0013]对所述神经网络模型进行Y步训练，并计算训练后的所述神经网络模型的误差，所述误差为[0014]
【权利要求】
1.一种测量溶解氧浓度的方法，其特征在于，所述方法包括: 对污水生化反应过程的机理进行分析，确定初步的辅助变量； 采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量； 根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差； 判断所述误差是否满足预先设置的条件； 当所述误差满足预先设置的条件时，则采集现场数据，利用所述神经网络模型对溶解氧浓度进行测量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述辅助变量建立神经网络模型，对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差，包括: 建立一个神经网络模型，所述神经网络模型包括输入层、隐含层、输出层，所述输入层为辅助变量，所述输出层为污水生化反应过程中的溶解氧浓度，所述隐含层为免疫算法抗体； 利用随机函数对神经网络的连接权值进行初始化； 对所述神经网络模型进行Y步训练，并计算训练后的所述神经网络模型的误差，所述误差为
3.根据权利要求2所述的方法，其特征在于，所述判断所述误差是否满足预先设置的条件，包括: 判断Etr是否满足预先设置的目标值。
4.根据权利要求2或3所述的方法，其特征在于，所述方法还包括: 当判断E t r≤E t-1 r时，则计算适应度和选择概率； 根据所述适应度和所述选择概率对抗体种群中的每个抗体进行克隆、变异、抑制； 对所述抗体种群中的每个抗体进行克隆、变异、抑制后，继续执行步骤对所述神经网络的Y步训练。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括: 当判断E t r>E t-1 r，则执行步骤根据所述辅助变量建立神经网络模型。
6.一种测量溶解氧浓度的装置，其特征在于，所述装置包括: 第一确定单元，用于对污水生化反应过程的机理进行分析，确定初步的辅助变量；第二确定单元，用于采集样本数据，对样本数据中所述的初步辅助变量进行分析，确定辅助变量； 建立单元，用于根据所述辅助变量建立神经网络模型； 计算单元，用于对所述神经网络模型进行训练，并计算训练后的神经网络模型的误差; 判断单元，用于判断所述误差是否满足预先设置的条件； 测量单元，用于当所述误差满足预先设置的条件时，则采集现场数据，利用所述神经网络模型对溶解氧浓度进行测量。
7.根据权利要求6所述的装置，其特征在于，所述建立单元，具体用于: 建立一个神经网络模型，所述神经网络模型包括输入层、隐含层、输出层，所述输入层为辅助变量，所述输出层为污水生化反应过程中的溶解氧浓度，所述隐含层为免疫算法抗体； 利用随机函数对神经网络的连接权值进行初始化。 所述计算单元，具体用于: 对所述神经网络模型进行 Y步训练，并计算训练后的所述神经网络模型的误差，所述误差为
8.根据权利要求7所述的装置，其特征在于，所述判断单元，具体用于: 判断g是否满足预先设置的目标值。
9.根据权利要求7或8所述的装置，其特征在于，所述装置还包括: 第一计算子单元，用于当判断K < Ii!:1时，则计算适应度和选择概率； 处理单元，用于根据所述适应度和所述选择概率对抗体种群中的每个抗体进行克隆、变异、抑制； 计算单元，用于对所述抗体种群中的每个抗体进行克隆、变异、抑制后，继续执行步骤对所述神经网络的Y步训练，并计算训练后的神经网络模型的误差。
10.根据权利要求9任意一项所述的装置，其特征在于，所述装置还包括: 建立单元，用于当判断则执行步骤根据所述辅助变量建立神经网络模型。
【文档编号】G06N3/08GK103454390SQ201310102216
【公开日】2013年12月18日 申请日期:2013年3月27日 优先权日:2013年3月27日
【发明者】高月芳, 谭旭, 张平安, 王辉静, 刘云霞 申请人:深圳信息职业技术学院