元的输出为：
[0083]其中，Cj(t) = [cij(t)，C2j(t)，···，C6j(t)]表示RBF层第j个神经元t时刻的中心值， 叫（1:)表示1^7层第」个神经元1:时刻中心值的第1个元素，〇」（1：)表示1^?层第」个神经元1:时 亥IJ的中心宽度，灼(/)表示RBF层第j个神经元t时刻的输出；
[0084]③归一化层:归一化层由P个神经元组成，每个神经元的输出为：
[0086]其中，vi(t)表示归一化层第1个神经元t时刻的输出，
为RBF层神经元输出 值之和，奶(0表示RBF层第1个神经元t时刻的输出，cu(t)表示RBF层第1个神经元t时刻中 心值的第i个元素，σι⑴表示RBF层第1个神经元t时刻中心宽度；
[0087]④输出层:输出层输出为：
[0089]其中，w(t) = [wi(t)，W2(t)，···，wp(t)]表示归一化层与输出层间t时刻的连接权值 向量，W1 ( t )表示t时刻归一化层第1个神经元与输出层神经元之间的连接权值，V (t) = [ VI (t)，v2(t)，…，vP(t)]T表示归一化层t时刻的输出向量，T表示转置，y(t)为输出层神经元的 输出；
[0090]定义自组织模糊神经网络的误差为：
[0092] E(t)表示t时刻自组织模糊神经网络的误差平方和；
[0093] (3)训练自组织模糊神经网络，具体为：
[0094] ①给定自组织模糊神经网络的初始RBF层与归一化层神经元个数为P，初始P值为 5,自组织模糊神经网络的输入为x(l)，x(2)，…，x(t)，···，x(90)，对应的期望输出为y d(l)， yd(2)，…，yd(t)，~，yd(90)，期望误差值设为Ed = 0.001，初始中心值cj(l)中每个变量的赋 值区间为[-2，2]，初始中心宽度σj (1)中每个变量的赋值区间为[0，1 ]，j = 1，2，…，P;初始 权值w( 1)中每个变量的赋值区间为[-1，1 ];
[0095] ②设置学习步数s = l;
[0096] ③t = s，根据公式（1)、（2)、（3)、（4)计算自组织模糊神经网络的输出7(〇，运用快 速二次型学习算法计算中心值Cj ( t)，中心宽度Oj (t)以及权值w( t )的增量；
[0097] Δ 0(t) = (W(t)+A(t)XI)-1X Q(t)； (26)
[0098] 其中，Θ (t) = [ci(t)，C2(t)，···，cp(t) ,σΚ?)，02(t)，…，0p(t)，w(t)]为自组织模 糊神经网络t时刻的参数向量，I为单位向量，并且：
[0099] Ω (t) = jT(t)e(t)； (27)
[0100] W(t) = jT(t)j(t)； (28)
[0101] e(t)=y(t)-yd(t)； (29)
[0102] Ω (t)是t时刻自组织模糊神经网络梯度向量，ψ (t)为t时刻自组织模糊神经网络 Hessian矩阵，jT(t)为j(t)的转置，e(t)为t时刻自组织模糊神经网络的输出y(t)与期望输 出yd(t)之间的误差，Jacobian向量j(t)和学习率λ(?)为
[0104] A(t)=yA(t-l),t> 2； (31)
[0105] μΕ (〇,〇· 1)表示影响因子，λ(1) = 〇· 1;
[0106] ④调整自组织模糊神经网络的参数；
[0107] 0(t+l) = 0(t)+A 0(t) = 0(t) + (W(t)+A(t)XI)-1X Q(t)； (32)
[0108] 其中，Θ (t)为自组织模糊神经网络调整前的参数向量，Θ (t+1)为自组织模糊神 经网络调整后的参数向量；
[0109] ⑤t>3时，计算归一化层神经元的相对重要指标：
[0111]其中，RKt)是第1个归一化层神经元对输出层神经元的相对重要指标，归一化层 神经元的回归系数向量B(t) = [bi(t)，b2(t)，···，bp(t)]T，bi(t)是第1个归一化层神经元与 输出层神经元之间的回归系数，1 = 1，2，~，？;1^?层神经元的回归参数矩阵4(1:) = [31(1:)， a2(t)，…，ak(t)···，ap(t) ]，ak(t) = [aki(t)，ak2(t)，…，aki(t)，，…，akp(t) ]τ为第k个RBF层 神经元的回归参数向量，aki (t)是第k个RBF层神经元与第1个归一化层神经元之间的回归参 数，k=l,2，，"，P;
[0114] 其中，GU)=[)'(f), .>'(?-1)，J餐2)f为自组织模糊神经网络历史输出向量，
的信息传递向量，s(t)是?(0(?(/))τ的特征向量，§(?).是(_?(?))τ?(?)|的特征向量，1 = 1，2，…， Ρ；
[0115] ⑥t>3时，调整自组织模糊神经网络的结构，
[0116] 当E(t)大于E(t-l)时，增长1个归一化层神经元，同时，增加相应的RBF层神经元， 并更新RBF层与归一化层神经元数为P 1 = P+1，选择需要增长的归一化层神经元：
[0117] Rm(t) =max R(t) ； (36)
[0118] R(t) = [Ri(t)，R2(t)，…，Rp(t)]，Rm(t)表示归一化层第m个神经元的相对重要指 标，则新增加的RBF层与归一化层神经元初始权值为：
[0120] 〇P+i(t) =〇m(t) ； (38)
[0121] wp+i(t) =wm(t); (39)
[0122] 其中，cp+i(t)表示新增RBF层神经元的中心，〇P+1(t)表示新增RBF层神经元的中心 宽度，wp+i (t)为新增归一化层神经元与输出之间的连接权值，Cm( t)表示RBF层第m个神经元 的中心，om⑴表示RBF层第m个神经元的中心宽度，wm⑴为归一化层第m个神经元与输出之 间的连接权值；
[0123]当E(t)小于E(t-l)时，为了保证模糊神经网络结构简单，寻找相对重要指标最小 的归一化层神经元：
[0124] Rh(t) =min R(t) ； (40)
[0125] 如果此(〇〈1^，心6(〇,〇.〇1)表示相对重要指标阈值，则删除第11个归一化层神经 元和对应的第h个RBF层神经元，并更新RBF层与归一化层神经元数为P 2 = P-1;否则，不调整 自组织模糊神经网络的结构，P2 = P ;
[0126] ⑦学习步数s增加1，如果步数s〈90，则转向步骤③进行继续训练，如果s = 90转向 步骤⑧；
[0127] ⑧根据公式(5)计算自组织模糊神经网络的性能，如果E(t) 2 0.001，则转向步骤 ②进行继续训练，如果E( t)〈0.001，则停止调整；
[0128] 出水氨氮浓度软测量方法训练结果如图2所示，X轴:样本数，单位是个，Y轴：出水 氨氮浓度，单位是mg/L，实线为出水氨氮浓度实际输出值，虚线是出水氨氮浓度训练输出 值；出水氨氮浓度实际输出与训练输出的误差如图3，X轴:样本数，单位是个，Y轴：出水氨氮 浓度训练误差，单位是mg/L;
[0129] (4)出水氨氮浓度预测；
[0130] 将测试样本数据作为训练后的自组织模糊神经网络的输入，自组织模糊神经网络 的输出即为出水氨氮浓度的软测量值;预测结果如图4所示，X轴:样本数，单位是个，Y轴：出 水氨氮浓度，单位是mg/L，实线为出水氨氮浓度实际输出值，虚线是出水氨氮浓度预测输出 值；出水氨氮浓度实际输出与预测输出的误差如图5，X轴:样本数，单位是个，Y轴：出水氨氮 浓度预测误差，单位是mg/L;结果表明基于模糊神经网络的出水氨氮浓度软测量方法的有 效性。
[0131] 训练数据：
[0132] 表1.出水总磷TP的值(mg/L)
[°134] 表2.厌氧末端氧化还原电位0RP的值(mV)
【主权项】
1. 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法，其特征在于，包括W下 步骤： (1) 确定软测量模型的辅助变量:采集城市污水处理