[0041] ⑥学习步数S增加1，如果步数s<S，则转向步骤②进行继续训练，如果s=S转向 步骤⑧；
[0042]⑧根据公式樹计算出水氨氮浓度软测量模型的性能，如果E(t) >Ed(t)，则转向 步骤②进行继续训练，如果E(t)<Ed(t)，则停止模型参数调整；
[0043] (4)出水氨氮浓度预测；
[0044] 将测试样本数据作为训练后的模糊神经网络的输入，模糊神经网络的输出即为出 水氨氮浓度的预测值。
[0045] 本发明的创造性主要体现在：
[0046] (1)本发明针对当前城市污水处理厂测量出水氨氮浓度的过程繁琐，仪器设备使 用造价高，测量结果可靠性和精确性低等问题，本发明提出了一种污水处理过程出水氨氮 浓度软测量方法，根据实际污水处理厂工作报表提取了与出水氨氮浓度相关的6个相关变 量：进水总磯TP、厌氧末端氧化还原电位0RP、好氧前段溶解氧DO、好氧末端总固体息浮物 TSS、出水阳W及温度，实现了出水氨氮浓度的预测，解决了出水氨氮浓度难W实时测量的 问题。
[0047](2)本发明根据当前污水处理过程出水氨氮浓度与辅助变量间的关系难W用精确 数学方法描述等问题，采用了基于快速二次型算法的模糊神经网络建立了出水氨氮浓度的 软测量模型，实现了对出水氨氮浓度的实时测量，具有测量精度高，对环境差异具有很好的 适应能力等特点；
[0048] 特别要注意；本发明采用与出水氨氮浓度相关的6个辅助变量，基于模糊神经网 络设计其软测量模型，只要采用了本发明的相关变量和方法进行出水氨氮浓度预测都应该 属于本发明的范围。
【附图说明】
[0049] 图1是本发明的出水氨氮浓度软测量方法结构图；
[0050] 图2是本发明的出水氨氮浓度软测量方法训练结果图；
[0051] 图3是本发明的出水氨氮浓度软测量方法训练误差图；
[0052] 图4是本发明的出水氨氮浓度软测量方法预测结果图；
[0053] 图5是本发明的出水氨氮浓度软测量方法预测误差图；
【具体实施方式】
[0054] 本发明获得了一种基于模糊神经网络的出水氨氮浓度软测量方法，通过设计出水 氨氮浓度的软测量方法，根据污水处理过程的实时采集的数据实现出水氨氮浓度软测量方 法的在线校正，实现了出水氨氮浓度的实时测量，解决了污水处理过程出水氨氮浓度难W 实时测量的问题，提高了城市污水处理厂水质实时监控的水平，保障城市污水处理过程正 常运行；
[0055] 实验数据来自某污水处理厂2014年全年水质分析日报表；分别取进水总磯TP、厌 氧末端氧化还原电位0RP、好氧前段溶解氧DO、好氧末端总固体息浮物TSS、出水抑、温度 和出水氨氮浓度的实际检测数据为实验样本数据，剔除异常实验样本后剩余140组可用数 据，将全部的140组数据样本分为两部分；其中90组数据作为训练样本，其余50组数据作 为测试样本；
[0056] 本发明采用了如下的技术方案及实现步骤：
[0057] 1. 一种基于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：
[0058] (1)确定软测量模型的辅助变量：采集城市污水处理厂实际水质参数数据，选取 与出水氨氮浓度相关性强的水质变量：进水总磯TP、厌氧末端氧化还原电位0RP、好氧前段 溶解氧DO、好氧末端总固体息浮物TSS、出水阳W及温度作为出水氨氮浓度预测的辅助变 量；
[0059] (2)设计用于出水氨氮浓度的模糊神经网络拓扑结构，模糊神经网络分为四层： 输入层、RBF层、归一化层、输出层；确定拓扑结构为6-10-10-1的连接方式，其中输入层神 经元个数为6,RBF层神经元个数为10个，归一化层神经元个数为10个，输出层神经元个数 为1个；输入层与RBF层W及RBF与归一化层之间的权值都赋值为1，归一化层与输出层之 间的权值进行随机赋值，赋值区间为[-1,1];共有90个训练样本，第t时刻模糊神经网络 输入为X(t)二[X:|(t.)，X2(t)，X3(t.)，X4(t)，Xs(t.)，Xe(t)]，模糊神经网络的期望输出表示为 YdCt)，实际输出表示为y(t);出水氨氮浓度软测量模型计算方式依次为：
[0060] ①输入层：该层由6个神经元组成，每个神经元的输出为：
[0061] U； (t) =Xj(t),i= 1, 2, ???, 6 ； (13)
[0062] 其中，Ui(t)表示输入层第i个神经元t时刻的输出，Xi(t)为输入层第i个神经 元t时刻的输入；
[0063] ②RBF层；RBF层由10个神经元组成，每个神经元的输出为：
[0064]
[0065] 其中，Cj. (t)二[C。.（t)，C2j. (t)，…，Cgj(t)]表示邸F层第j个神经元t时刻 的中也值，Cu(t)表示畑F层第j个神经元t时刻中也值的第i个元素，0j.(t)= [0Ua)，0 2^t.)，…，0Wa)]表示RBF层第j个神经元t时刻的中也宽度，0U(t.)表示 RBF层第j个神经元t时刻中也宽度的第i个元素，巧(0表示RBF层第j个神经元t时刻 的输出；
[0066] ⑨归一化层；归一化层由10个神经元组成，每个神经元的输出为：
[0067]
[0068] 其中，via)表示归一化层第1个神经元t.时刻的输出，
对RBF层神经元输 出值之和，表示邸F层第1个神经元t时刻的输出，Cii(t.)表示RBF层第1个神经元 t时刻中也值的第i个元素，0u(t)表示服F层第1个神经元t时刻中也宽度的第i个元 素；
[0069] ④输出层；输出层输出为：
[0070]
阳071] 其中，w(t) = [Wi(t),W2(t),…，Wio(t)]表示归一化层与输出层间t时刻的连接 权值向量，Wi(t)表示归--化层第1个神经元与输出层神经元t时刻的连接权值，v(t)=[Vi(t)，V2a)，…，ViD(t)r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；
[0072] 定义模糊神经网络的均方根误差函数为：
[0073]
(17)
[0074] T表示模糊神经网络输入的训练样本数；
[0075] (3)出水氨氮浓度软测量模型校正，具体为：
[0076] ①给定出水氨氮浓度软测量模型RBF层与归一化层神经元个数P二10,出水氨氮 浓度软测量模型输入为乂（1)，义(2)，~，义(1:)，~，义订)，对应的期望输出为7(1)^(2)，-"， y(t.)，…，yCr)，期望误差值设为Ed，Ed小于0.01，初始中也值Cj.a)中每个变量的赋值区 间为[-2, 2]，例如；C2a)二[-0.32, -0.45, -1.96, -0.59, -1. 15,1.45,1.25,0.85,0.40， 0.21]，初始中也宽度〇j(t)中每个变量的赋值区间为[0，1]，例如：〇 2(1)二[0.32,0.45， 0. 96,0. 59,0. 15，(). 50，(). 50,0. 50,0. 50，(). 50]，j= 1，2,…，P;初始权值w(l)中每个变量 的赋值区间为[-1，1]，例如；w(l) = [-0. 82,-0. 65,-0. 46,-0. 19,-0. 05,0. 05,0.巧，0. 45， 0. 65,0. 85]；
[0077] ②设置学习步数S二1;
[0078] ⑨t=S，根据公式（13)、（14)、（15)、（16)计算出水氨氮浓度软测量模型输出 y(t.)，运用快速二次型学习算法调整计算中也值Cj.(t)，中也宽度Oj.(t)W及权值w(t)的 增量；
[0079] A 0 似二（W (t) + A (t) XI) lx Q (t) ; (1約
[0080] 其中，0似=[Ci(t)，C2(t)，…，Cp(t)，0i(t), 02(t)，…，0p(t)，w(t)]为模 糊神经网络t时刻的参数向量，并且：
[0081] Q(t) =jT(t)e(t) ； (19) 阳0轴 W(t)二jT(t) j(t) ; (20)
[0083] e(t) =y(t)-yd(t) ； (21)
[0084]Q(t.)是t时刻模糊神经网络梯度向量，wa)为t时刻模糊神经网络Hessian矩 阵，ji'(t)为j(t)的转置，e(t)为t时刻预测模型输出y(t)与期望输出YdCt)之间的误差， 化cobian向量j(t)和学习率入（t)为
[0085]