一种基于受限玻尔兹曼机的自组织BP神经网络出水总磷预测方法与流程

本发明涉及水环境保护领域，具体而言，涉及到一种基于受限玻尔兹曼机的自组织bp神经网络污水处理过程出水总磷预测方法。

背景技术：

随着工业化的推进和人们生活水平的日益提高，排放的污水总磷含量却始终居高不下。在污水处理过程中，总磷是评价水质参数的重要指标，磷是生物生长所必需元素之一，水体中总磷含量过高会使得水中藻类过度繁殖，造成水体富营养化，降低污水出水水质，因此加强对总磷的检测有助于解决水体富营养化问题，对促进水环境保护和技术进步具有现实意义。

现阶段在污水处理厂，对于总磷的测量方法主要采用的是化学方法，如钼酸铵分光光度法、微波消解法、高碘酸钾分光光度法等，虽然这些方法测量精度较高，但操作繁琐复杂、费时费力，耗费大量的人力物力，而且不能满足tp测量的实时性需求。近些年来，随着基于数据驱动的人工智能技术的不断发展，tp软测量技术得到了成功的应用,人工神经网络凭借能够以任意精度逼近任意非线性系统的能力，在污水处理过程关键变量软测量和智能控制中有着广泛的应用，bp神经网络是目前最流行并且发展较成熟的一种神经网络模型该网络的主要特点是信号前向传递，误差反向传递。bp神经网络同时具有非线性映射能力强、并行分布处理、自学习和自适应能力强等优点。因此广泛应用于复杂非线性系统建模，由于出水总磷预测属于复杂非线性系统建模，所以非常适合运用bp神经网络来解决相关问题，然而在建模过程中，其所存在的结构冗余，收敛速度慢，预测精度不高的问题同样不可忽略，因此解决这些问题对于污水处理过程出水总磷的预测具有十分积极的意义。

技术实现要素：

本发明的主要目的在于克服现有总磷的测量方法存在的不足，提供了一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法，以期能够解决现有总磷预测方法的不便以及bp网络结构在预测时所存在的结构冗余，收敛速度慢，预测精度不佳的问题，从而在实现污水处理过程出水总磷精准预测的基础上，达到结构更加精简紧凑的目的。

为达到上述目的，本发明所采用的技术方案为：

本发明一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法的特点是按如下步骤进行:

步骤1：该方法首先在分析污水处理过程可测变量以及难测变量的基础上，将出水氨氮、溶解氧浓度、化学需氧量、出水悬浮物浓度、总氮和氧化还原电位这6个关键可测变量作为预测模型的输入参数。

步骤2：从北京市某小型污水处理厂获取水质样本数据，通过一系列传感器收集水质关键变量的状态数据，形成水质数据集，对数据集中的数据进行包括降噪、奇异点清除预处理，总共得到400组数据，然后进行数据归一化，归一化到0-1之间，防止在运算过程中出现“大数吃小数”导致有效数据丢失，最后将预处理后的数据，随机选取350组作为训练数据，剩下50组作为测试数据，进行污水处理过程出水总磷的预测。

步骤3：在对输入的污水水质样本数据进行训练的过程中，自组织bp神经网络通过动态的改变隐含层神经元个数来实现结构的自动调整，这等同于改变隐含层神经元之间的连接权重。结构调整的依据依赖于隐含层神经元的敏感度值以及互信息值，它们的计算公式分别如式(1)和式(2)所示：

式中：为在第k个模型输出中由第j个输入变量所产生的的贡献值；wjkyj是第k个模型的第j个输入变量，j＝1,2,...,n1,k＝1,2,...n2；表示由第j个隐含层神经元在第k个模型输出值中所产生的部分；var(y^k)为第k个网络输出变量的方差。

式中:i(x；y)代表神经元变量x与y之间的互信息，kx和ky分别代表把变量x和y的取值范围等分为宽度为δx和δy片段的个数，n为样本总数，和分别为样本落入第ki,kj个片段中的个数，为落入单元(ki,kj)中的样本的数量。

kx及ky的表达式分别如式(3)(4)所示：

其中ε为一个定值可以根据样本总数直接计算得出，round代表最接近实变量的整数。

如果某个隐含层神经元满足式(6)时，则说明网络存在着冗余的神经元，则可以将其删除。

si<ith2(6)

其中：si代表神经元的敏感度，ith2为敏感度修剪神经元所满足的值，本文取值为0.04。

为了使隐含层神经元之间相关性较小，也就是使每个隐含层神经元具有互不相同的功能，如果任意两个隐含层神经元a和b的互信息满足式(7)时，则说明这两个隐含层相关性比较大，可以将它们合并为一个新的神经元，以减少结构的冗余。

i(a,b)>ith(7)

其中：

ith＝λil(8)

其中ith为互信息合并隐含神经元的所满足的值，本文取值为3.15，λ为恒值,本文取值为3，il为所有隐含层神经元之间互信息的平均值，n1为隐含层神经元的个数。

当某个隐含层神经元敏感度值满足式(10)时，为保持网络输出的稳定，该神经元被分裂为两个新的神经元。

si>ith1(10)

其中：ith1为敏感度分裂神经元所满足的值，本文取值为0.15。

通过反复进行上述步骤的操作，自组织bp神经网络能够反复地和可选择的进行合并、增长以及修剪操作，实现网络结构的自动调整。

步骤4网络结构调整好后，采用受限玻尔兹曼机对自组织bp神经神经网络的初始权值和阈值进行训练，将权值和阈值训练好后，重新赋值给改进后的bp神经网络，并对污水处理过程出水总磷进行预测，从而实现神经网络收敛速度的提高和污水处理过程出水总磷的精准预测。

相比现有技术，本发明构建了一种基于受限玻尔兹曼机的自组织bp神经网络出水总磷预测方法，该方法首先在分析污水处理过程可测变量以及难测变量的基础上，将出水氨氮、溶解氧浓度、化学需氧量、出水悬浮物浓度、总氮和氧化还原电位这6个关键可测变量作为预测模型的输入参数，并进行数据的预处理。然后将预处理过的输入样本数据送入到基于互信息和敏感度分析的自组织bp神经网络中，借助自组织bp神经网络，对输入样本数据进行训练，从而实现自组织网络结构的自动调整。最后采用受限玻尔兹曼机对结构调整后的自组织bp神经神经网络的初始权值和阈值进行训练，进而实现神经网络收敛速度的提高和污水处理过程出水总磷的精准预测。本发明设计合理，不仅解决了传统bp神经网络在总磷预测时结构冗余，容易过拟合的问题，而且进一步提高了网络的收敛速度和出水总磷的预测精度。

附图说明

图1为本发明基于受限玻尔兹曼机的自组织bp神经网络污水处理过程出水总磷预测方法的结构框图。

图2为出水总磷训练结果图

图3为出水总磷测试结果图

图4为受限玻尔兹曼机结构框图

图5为传统bp神经网络结构框图

具体实施方式

下面结合实施例及附图，对本发明作进一步详细的说明，但本发明的实施方式不限于此。

参照图1所示为一种基于受限玻尔兹曼机(rbm)的自组织bp神经网络污水处理过程出水总磷预测方法，所述方法包括以下步骤：

步骤1：该方法首先在分析污水处理过程可测变量以及难测变量的基础上，将出水氨氮、溶解氧浓度、化学需氧量、出水悬浮物浓度、总氮和氧化还原电位这6个关键可测变量作为预测模型的输入参数。

表1部分样本数据示例

步骤2：从北京市某小型污水处理厂获取水质样本数据，通过一系列传感器收集水质关键变量的状态数据，形成水质数据集，对数据集中的数据进行包括降噪、奇异点清除的预处理，总共得到400组数据，然后进行数据归一化，归一化到0-1之间，防止在运算过程中出现“大数吃小数”导致有效数据丢失，最后将预处理后的数据，随机选取350组作为训练数据，剩下50组作为测试数据，进行污水处理过程出水总磷的预测。

步骤3：在对输入样本数据训练过程中，自组织bp神经网络通过改变隐含神经元个数来实现自身结构的自动调整，这实际上相当于增加和修剪神经元之间的连接权重。自组织bp神经网络的初始权值随机在(0,1)区间取值，结构调整的依据依赖于隐含层神经元的敏感度值以及互信息值，它们的计算公式分别如式(1)和式(2)所示：

式中：为在第k个模型输出中由第j个输入变量所产生的的贡献值；wjkyj是第k个模型的第j个输入变量，j＝1,2,...,n1,k＝1,2,...n2；表示由第j个隐含层神经元在第k个模型输出值中所产生的部分；var(y^k)为第k个网络输出变量的方差。

式中:i(x；y)代表神经元变量x与y之间的互信息，kx和ky分别代表把变量x和y的取值范围等分为宽度为δx和δy片段的个数，n为样本总数，和分别为样本落入第ki,kj个片段中的个数，为落入单元(ki,kj)中的样本的数量。

kx及ky的表达式分别如式(3)(4)所示：

其中ε为一个定值可以根据样本总数直接计算得出，round代表最接近实变量的整数。

如果某个隐含层神经元满足式(6)时，则说明网络存在着冗余的神经元，则可以将其删除。

si<ith2(6)

其中：si代表神经元的敏感度，ith2为敏感度修剪神经元所满足的值，本文取值为0.04。

为了使隐含层神经元之间相关性较小，也就是使每个隐含层神经元具有互不相同的功能，如果任意两个隐含层神经元a和b的互信息满足式(7)时，则说明这两个隐含层相关性比较大，可以将它们合并为一个新的神经元，以减少结构的冗余。

i(a,b)>ith(7)

其中：

ith＝λil(8)

其中：ith为互信息合并隐含神经元的所满足的值，本文取值为3.15，λ为恒值,本文取值为3，il为所有隐含层神经元之间互信息的平均值，n1为隐含层神经元的个数。

当某个隐含层神经元敏感度值满足式(10)时，为保持网络输出的稳定，该神经元被分裂为两个新的神经元。

si>ith1(10)

其中：ith1为敏感度分裂神经元所满足的值，本文取值为0.15。

通过反复进行上述步骤的操作，自组织bp神经网络能够反复地和可选择的进行合并、增长以及修剪操作，实现网络结构的自动调整。

步骤4：网络结构调整好后，采用受限玻尔兹曼机对自组织bp神经网络的初始权值和阈值进行训练，将权值和阈值训练好后，重新赋值给自组织bp神经网络，并对污水处理过程出水总磷进行预测，从而实现神经网络收敛速度的提高和污水处理过程出水总磷的精准预测。预测效果如表2和图2，图3所示

表2不同算法预测效果对比

本发明设计合理，不但可以解决传统bp神经网络在污水处理过程中出水总磷，收敛速度慢，预测精度不高，结构冗余，容易过拟合的问题，而且实现了网络结构更加紧凑。

尽管上面对本发明说明性的具体方式，以便于本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化包含在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。