>(22)
[0086] A(t)二 11A(t-1) ; (23)
[0087] 影响因子y= 0. 02,A(1) = 0. 1 ;
[0088] ④调整出水氨氮浓度软测量模型的参数；
[0089] 0 a+1)二0 (t')+A 0 (t)二0 (t')+(W (t)+A (t)XI)-iXQ (t); (24)
[0090] 其中，0 (t)为出水氨氮浓度软测量模型调整前的参数向量，0 (t+D为出水氨氮 浓度软测量模型调整后的参数向量；
[0091] ⑥学习步数S增加1，如果步数s<90,则转向步骤⑨进行继续训练，如果S= 90转 向步骤⑧；
[0092] ⑧根据公式（17)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；
[0093] 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;
[0094] (4)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；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。
[0095] 表1-16是本发明实验数据，表1-7为训练样本；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、温度和实测出水氨氮浓 度，表8为训练过程中模糊神经网络的输出，表9-15为测试样本：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、温度和实测出水 氨氮浓度，表16为本发明出水氨氮浓度预测值。
[009引训练数据：
[0097] 表 1.进水总磯TP(mg'/L)
[0098]
[0107]表 6?温度rc) 阳10引
【主权项】
1. 一种基于模糊神经网络的氨氮浓度软测量方法，其特征在于，包括以下步骤： (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：进水总磷TP、厌氧末端氧化还原电位ORP、好氧前段溶解 氧DO、好氧末端总固体悬浮物TSS、出水pH以及温度作为出水氨氮浓度预测的辅助变量； (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-P-P-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P个,归一化层神经元个数为P个,P为大于2的正整数，输出层 神经元个数为1个；输入层与RBF层以及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];设第t时刻模糊神经网络输入为 X(t) = [X1 (t),x2 (t) ,x3 (t),x4 (t),x5 (t),x6 (t)],模糊神经网络的期望输出表示为yd (t), 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： ① 输入层：该层由6个神经元组成,每个神经元的输出为： Ui (t) =Xi(t)，i= 1，2,…，6 ; (1) 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； ②RBF层：RBF层由P个神经元组成，每个神经元的输出为：其中，Cj(t)= [Clj(t)，c2j⑴，…，c6j⑴]表示RBF层第j个神经元t时刻的中心值，Cij⑴表示RBF层第j个神经元t时刻中心值的第i个元素，〇」⑴=[〇y(t)，〇 ⑴，… ，〇6j⑴]表示RBF层第j个神经元t时刻的中心宽度，〇ij⑴表示RBF层第j个神经元t 时刻中心宽度的第i个元素,灼⑴表示RBF层第j个神经元t时刻的输出； 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：之和，奶(?）表示RBF层第1个神经元t时刻的输出，Cil⑴表示RBF层第1个神经元t时 刻中心值的第i个元素，〇Jt)表示RBF层第1个神经元t时刻中心宽度的第i个元素； ④ 输出层：输出层输出为：其中，w(t) = [W1U),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，W1U.)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，V⑴= [V1(t)，V2⑴，…，Vp(t) ] ^表界归一化层t时刻的输出向量，T表不转置，y⑴为输出层神 经元的输出； 定义模糊神经网络的均方根误差函数为：S表示模糊神经网络输入的训练样本数； (3)出水氨氮浓度软测量模型校正，具体为： 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,出水氨氮浓度软测 量模型输入为x(l),x(2),…，x(t),…,x(S),对应的期望输出为y(l)，y(2),…,y(t),…， y(S),期望误差值设为Ed,Ed小于0.Ol,初始中心值c」（1)中每个变量的赋值区间为[-2, 2], 初始中心宽度〇j(t)中每个变量的赋值区间为[0, 1],j= 1，2,…，P;初始权值W(I)中 每个变量的赋值区间为[-1，1]; ② 设置学习步数s= 1 ; ③t=s,根据公式（1)、（2)、（3)、（4)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心值4(〇,中心宽度〇Jt)以及权值w(t)的增量； A 0 (t) = (W (t) +入（t) XI) 1X Q (t) ; (6) 其中，?(t.) = [cjthcjt),…，CP(t)，ojt)，〇2(t)，…，〇;)(1：)，￥(1：)]为模糊神 经网络t时刻的参数向量,并且： Q(t) =jT(t)e(t) ； (7) W(t) = jT(t) j(t)； (8) e(t.) =y(t)-yd(t) ； (9) Q(t)是t时刻模糊神经网络梯度向量，W(t)为t时刻模糊神经网络Hessian矩阵，jT(t)为j(t)的转置，e(t)为t时亥Ij软测量模型预测输出y(t)与期望输出yd(t)之间的误 差，Jacobian向量j⑴和学习率A⑴为入⑴=U入（t-1) ; (11) U E (0,〇? 1)表示影响因子，A (1) =〇? 1 ; ④ 调整出水氨氮浓度软测量模型的参数； 0 (t+1) = ? (t) + A ? (t) = ? (t) + (w⑴+入（t) XI) 1X Q⑴； (12) 其中，? (t)为出水氨氮浓度软测量模型调整前的参数向量，? (t+1)为出水氨氮浓度 软测量模型调整后的参数向量； ⑤ 学习步数s增加1，如果步数s〈S，则转向步骤③进行继续训练，如果s=S转向步骤 ⑥； ⑥ 根据公式（5)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)CEd (t),则停止模型参数调整； (4)出水氨氮浓度预测； 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。
【专利摘要】一种基于模糊神经网络的氨氮浓度软测量方法既属于控制领域，又属于水处理领域。针对当前污水处理过程出水氨氮浓度难以实时测量、迫切需要研究出水氨氮浓度的实时检测方法来提升城市污水处理厂自动化水平的问题，本发明基于城市污水处理生化反应特性，采用一种基于快速二次型学习算法的模糊神经网络建立了氨氮浓度的软测量模型，解决了出水氨氮浓度难以实时测量的问题；结果表明该软测量模型能够快速、准确地预测污水处理出水氨氮的浓度，有利于提升污水处理过程出水氨氮浓度质量监控水平，确保城市污水处理厂高效稳定的运行。
【IPC分类】G06N3/02, G06F19/00
【公开号】CN104965971
【申请号】CN201510267158
【发明人】韩红桂, 葛鹭明, 乔俊飞
【申请人】北京工业大学
【公开日】2015年10月7日
【申请日】2015年5月24日