基于自組織級聯(lián)神經(jīng)網(wǎng)絡(luò)的污水處理出水總磷預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明基于自組織級聯(lián)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)城市污水處理過程出水總磷預(yù)測方法，實(shí)現(xiàn) 了出水總磷的在線預(yù)測。出水總磷實(shí)時預(yù)測是實(shí)現(xiàn)污水處理優(yōu)化控制的重要環(huán)節(jié)，是污水 處理過程正常運(yùn)行的重要基礎(chǔ)，是控制環(huán)境水污染的重要環(huán)節(jié)，既屬于控制科學(xué)與工程領(lǐng) 域，又屬于環(huán)境科學(xué)與工程領(lǐng)域。
【背景技術(shù)】
[0002] 國家《十二五規(guī)劃綱要》指出，要加快建設(shè)全國城鎮(zhèn)污水處理及再生利用設(shè)施、促 進(jìn)主要污染物減排、改善水環(huán)境質(zhì)量，到2015年，實(shí)現(xiàn)城市污水處理率達(dá)到85 %的總體目 標(biāo)。國家水污染防治法中提出提高水的重復(fù)利用率，鼓勵科學(xué)技術(shù)研究和先進(jìn)適用技術(shù)的 推廣應(yīng)用。隨著我國污水處理設(shè)施的大量建成，設(shè)施運(yùn)營狀態(tài)受到越來越高的重視。國民經(jīng) 濟(jì)的增長和公眾環(huán)保意識的增強(qiáng)，使污水處理自動化技術(shù)迎來了前所未有的發(fā)展機(jī)遇。因 此，本發(fā)明的研究成果具有廣闊的應(yīng)用前景。
[0003] 在城市污水處理工藝當(dāng)中，總磷含量是一項(xiàng)非常重要的監(jiān)測指標(biāo)，也是水質(zhì)評定 的重要指標(biāo)。磷是僅次于氮的微生物生長的重要元素，促進(jìn)藻類等浮游生物的繁殖，破壞水 體耗氧和富氧平衡；使水質(zhì)迅速惡化，危害水產(chǎn)資源，因此實(shí)時檢測城市污水處理過程出水 總磷的含量對城市污水處理過程的優(yōu)化運(yùn)行和保護(hù)環(huán)境至關(guān)重要。
[0004] 傳統(tǒng)污水處理過程總磷測量方法一般包括兩個步驟：首先用氧化劑將水中各種形 態(tài)的磷消解轉(zhuǎn)化成正磷酸鹽；然后通過測定正磷酸鹽而得到總磷含量。整個過程歷時長，操 作復(fù)雜，干擾較大，精確度不高，難以滿足城市污水處理過程精細(xì)控制的需要。而且有些消 解過程存在安全隱患，在實(shí)際污水處理過程中的應(yīng)用受到限制。同時，由于復(fù)雜的生化反應(yīng) 與環(huán)境的不確定性，污水處理過程呈現(xiàn)高度非線性、強(qiáng)耦合性等特點(diǎn)，很難建立精確的機(jī)理 模型。基于數(shù)據(jù)驅(qū)動的智能預(yù)測方法利用易測變量測算難測變量，能夠?qū)崿F(xiàn)一定精度范圍 內(nèi)的非線性系統(tǒng)建模。智能預(yù)測技術(shù)的發(fā)展，為城市污水處理過程出水總磷的測量提供了 理論基礎(chǔ)和技術(shù)支持。近年來，人工神經(jīng)網(wǎng)絡(luò)作為一種智能的數(shù)據(jù)驅(qū)動方法在關(guān)鍵變量預(yù) 測中得到廣泛應(yīng)用，通過設(shè)計(jì)合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值訓(xùn)練算法，優(yōu)化神經(jīng)網(wǎng)絡(luò)性能，可 以提高測量的精度，實(shí)現(xiàn)城市污水處理過程出水總磷的快速高精度預(yù)測，為城市污水處理 過程出水總磷實(shí)時在線預(yù)測提供一種可行方法。
[0005] 本發(fā)明獲得了一種基于自組織級聯(lián)神經(jīng)網(wǎng)絡(luò)的城市污水處理過程出水總磷預(yù)測 方法，實(shí)現(xiàn)城市污水處理過程出水總磷在線快速預(yù)測。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明獲得了一種城市污水處理過程出水總磷智能預(yù)測方法，基于自組織級聯(lián)神 經(jīng)網(wǎng)絡(luò)建立城市污水處理過程出水總磷的預(yù)測模型，實(shí)現(xiàn)在線預(yù)測出水總磷濃度。該方法 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)及網(wǎng)絡(luò)參數(shù)學(xué)習(xí)于一體，通過計(jì)算節(jié)點(diǎn)對網(wǎng)絡(luò)的貢獻(xiàn)，選取預(yù)測輔助變量及 網(wǎng)絡(luò)的節(jié)點(diǎn)；設(shè)計(jì)增量式學(xué)習(xí)方法訓(xùn)練網(wǎng)絡(luò)連接權(quán)值，提高網(wǎng)絡(luò)的學(xué)習(xí)速度；根據(jù)網(wǎng)絡(luò)的 訓(xùn)練誤差及檢驗(yàn)誤差，實(shí)時調(diào)整自組織級聯(lián)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，獲得與歷史數(shù)據(jù)相匹 配的網(wǎng)絡(luò)規(guī)模，有效防止過擬合現(xiàn)象的發(fā)生，提高神經(jīng)網(wǎng)絡(luò)自組織能力和預(yù)測精度。
[0007] 本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟：1.基于自組織級聯(lián)神經(jīng)網(wǎng)絡(luò)的污水 處理出水總磷預(yù)測方法，其特征在于步驟如下：
[0008] 1)數(shù)據(jù)預(yù)處理
[0009] 對數(shù)據(jù)依次進(jìn)行降噪、異常數(shù)據(jù)剔除、缺失數(shù)據(jù)填充、歸一化處理，剩余N組數(shù)據(jù) 樣本、K+1個變量。將全部的N組數(shù)據(jù)樣本分為三部分^組數(shù)據(jù)作為訓(xùn)練樣本，N 2組數(shù)據(jù) 作為檢驗(yàn)樣本，剩余隊(duì)組數(shù)據(jù)作為測試樣本。
[0010] 2)預(yù)測變量與輔助變量的確定
[0011] 初始化候選輔助變量集A = {XI，X2，一，Xj，一,XKi及預(yù)測變量出水總磷，它們 對應(yīng)的觀測向量分別為叭及d，其中j為候選輔助變量集中變量序號。初 始化輔助變量集B = {X0}，X0是閾值變量，其對應(yīng)的觀測向量楊…，Ii1為N1維列向量， T表示矩陣的轉(zhuǎn)置。
[0012] 2. 1)將候選輔助變量集A中變量Xj的觀測向量務(wù)與輔助變量集B中所有輔助變 量的觀測向量進(jìn)行施密特正交化，得到與'對應(yīng)的正交向量q_j;
[0013] 2. 2)計(jì)算候選輔助變量Xj對網(wǎng)絡(luò)的貢獻(xiàn)CRj
[0014]
CD
[0015] 將所有候選輔助變量的貢獻(xiàn)對應(yīng)如下：
[0016]
[0017] 其中第二行為與第一行相對應(yīng)的貢獻(xiàn)值，即CR,= a
[0018] 2. 3)選出貢獻(xiàn)最大的候選輔助變量：根據(jù)表中所列貢獻(xiàn)值，找到最大貢獻(xiàn)CR/斤 對應(yīng)的候選輔助變量Xj，并將Xj添加到輔助變量集B中，同時由候選輔助變量集A中將Xj 剔除。
[0019] 2.4)重復(fù)2. 1)至2. 3)，直至輔助變量集B中含有Z個變量，其中Z取值為4-10， 在實(shí)際應(yīng)用中由當(dāng)事人自主給定。
[0020] 根據(jù)輔助變量集B，除閾值變量XO外，選定Z-I個輔助變量對出水總磷進(jìn)行預(yù)測。
[0021] 3)自組織級聯(lián)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)
[0022] 自組織級聯(lián)神經(jīng)網(wǎng)絡(luò)采用增長的級聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)，初始結(jié)構(gòu)為0-0-1，其閾值節(jié)點(diǎn)、 輸入節(jié)點(diǎn)、隱節(jié)點(diǎn)逐一添加到網(wǎng)絡(luò)之中，并與輸出節(jié)點(diǎn)連接。每個隱節(jié)點(diǎn)為一個隱含層，接 受先期添加所有節(jié)點(diǎn)的輸出。網(wǎng)絡(luò)的權(quán)值訓(xùn)練采用隨機(jī)學(xué)習(xí)算法，即在網(wǎng)絡(luò)學(xué)習(xí)及增長過 程中隱節(jié)點(diǎn)的輸入權(quán)值不進(jìn)行調(diào)整，只對網(wǎng)絡(luò)的輸出層權(quán)值進(jìn)行解析計(jì)算。網(wǎng)絡(luò)隱節(jié)點(diǎn)激 活函數(shù)選用sigmoid函數(shù)，輸出節(jié)點(diǎn)激活函數(shù)選用線性函數(shù)。
[0023] 初始化網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)L = 0,初始化包括閾值節(jié)點(diǎn)、輸入節(jié)點(diǎn)及隱節(jié)點(diǎn)，第L個節(jié)點(diǎn)添 加后網(wǎng)絡(luò)訓(xùn)練誤差SSE(L)，SSE(O) = dTd為網(wǎng)絡(luò)的初始訓(xùn)練誤差，網(wǎng)絡(luò)的節(jié)點(diǎn)集C為空集， 即 C = {} 〇
[0024] 3. 1)添加網(wǎng)絡(luò)閾值節(jié)點(diǎn)，即將輔助變量集B中的XO添加到網(wǎng)絡(luò)中；
[0025] 3. I. 1)更新網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)L - L+1 ;
[0026] 3. 1. 2)計(jì)算第1個節(jié)點(diǎn)添加后網(wǎng)絡(luò)訓(xùn)練誤差
[0027]
(2)
[0028] 3. 1. 3)初始化
'其中耳1與β i為后續(xù)運(yùn)算做準(zhǔn)備；
[0029] 3. 1. 4)計(jì)算第1個節(jié)點(diǎn)添加后網(wǎng)絡(luò)輸出權(quán)值
[0030]
(3)
[0031] 其中Θ i為第1個節(jié)點(diǎn)添加后網(wǎng)絡(luò)的輸出權(quán)值；
[0032] 3. 1. 5)計(jì)算并記錄第1個節(jié)點(diǎn)添加后網(wǎng)絡(luò)的檢驗(yàn)誤差VSSE(I);
[0033] 3. 1. 6)將XO由輔助變量集B中剔除，同時更新網(wǎng)絡(luò)的節(jié)點(diǎn)集C = {J1}，其中Jl 為添加到網(wǎng)絡(luò)中的第一個節(jié)點(diǎn)，其對應(yīng)的輸出向量為4 = ;
[0034] 3. 2)依次添加網(wǎng)絡(luò)輸入節(jié)點(diǎn)，即將輔助變量集B中的輔助變量依次添加到網(wǎng)絡(luò) 中。
[0035] 3.2. 1)將輔助變量集B中第一個輔助變量Xj添加到網(wǎng)絡(luò)中，更新網(wǎng)絡(luò)節(jié)點(diǎn)數(shù) L - L+1，更新節(jié)點(diǎn)集C = {J1，…，Ji，…，JU，其中Ji為添加到網(wǎng)絡(luò)中的第i個節(jié)點(diǎn)，i為 節(jié)點(diǎn)集C中的節(jié)點(diǎn)序號，幾為添加到網(wǎng)絡(luò)中的第L個節(jié)點(diǎn)，其對應(yīng)的輸出向量為先，將 Xj由輔助變量集B中剔除；
[0036] 3. 2. 2)將節(jié)點(diǎn)集C中JL節(jié)點(diǎn)輸出向量與C中前L-I個節(jié)點(diǎn)輸出向量進(jìn)行施密 特正交化
[0037]
:， (4)
[0038] 其中i為節(jié)點(diǎn)集C中節(jié)點(diǎn)的序號，I為節(jié)點(diǎn)集C中Ji節(jié)點(diǎn)輸出向量對應(yīng)的正交向 量，Ii為對應(yīng)的正交向量，TU= [δ 1Λ, δ 2Λ，···，δ m]為JL節(jié)點(diǎn)施密特正交化過程中 的中間計(jì)算結(jié)果；
[0039] 3. 2. 3)計(jì)算第L個節(jié)點(diǎn)添加后網(wǎng)絡(luò)訓(xùn)練誤差 LlN 丄A I ^ 4/丄丄 JM
[0040]
b ^
[0041] 其中SSE(L-I)為第L-I個節(jié)點(diǎn)添加后網(wǎng)絡(luò)訓(xùn)練誤差；
[0042] 3. 2. 4)更新第L個節(jié)點(diǎn)添加后的尾1與βρ為后續(xù)運(yùn)算做準(zhǔn)備；
[0043]
C §5
[0044] 其中焉!<:，i為第L-I個節(jié)點(diǎn)添加后的計(jì)算結(jié)果；
[0045] 3. 2. 5)計(jì)算第L個節(jié)點(diǎn)添加后網(wǎng)絡(luò)輸出權(quán)值
[0046]
C 7)
[0047] 3.2.6)計(jì)算并記錄第L個節(jié)點(diǎn)添加后網(wǎng)絡(luò)的檢驗(yàn)誤差VSSE (L);
[0048] 3. 2. 7)重復(fù)3. 2. 1)至3. 2. 6)直至輔助變量集B為空集；
[0049] 3. 3)選擇添加網(wǎng)絡(luò)隱節(jié)點(diǎn)
[0050] 3·3· 1)隨機(jī)生成S個候選節(jié)點(diǎn)，
為生成候 選節(jié)點(diǎn)的輸出向量，S取值為5-20,激活函數(shù)f為sigmoid函數(shù)，權(quán)值Wk服從[-1，1]上的 均勻分布；
[0051] 3.3.2)將生成的每一個候選點(diǎn)輸出向量uk(k= 1，2，···，S)與節(jié)點(diǎn)集C中所有L 個節(jié)點(diǎn)輸出向量進(jìn)行施密特正交化
[0052]
[0053] 其中q' ^uk對應(yīng)的正交向量，δ ' lk為施密特正交化過程中的中間計(jì)算結(jié)果；
[0054] 3. 3. 3)計(jì)算生成候選節(jié)點(diǎn)對網(wǎng)絡(luò)的貢獻(xiàn)Cf k, k = 1，2,…，S
[0055]
(9)
[0056] 3. 3. 4)選擇添加新的節(jié)點(diǎn)，并記錄其參數(shù)：依據(jù)貢獻(xiàn)對候選節(jié)點(diǎn)進(jìn)行排序，選擇 貢獻(xiàn)最大的候選節(jié)點(diǎn)添加到網(wǎng)絡(luò)中，更新網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)L -L+1，更新節(jié)點(diǎn)集0=〇1，~ ，Ji，…，幾}，JL為添加到網(wǎng)絡(luò)中的第L個節(jié)點(diǎn)，其對應(yīng)的輸出向量為也，1為系對應(yīng)的 正交向量，ru= [S 1Λ，δ2Λ，…，J為幾節(jié)點(diǎn)施密特正交化過程中的中間計(jì)算結(jié)果， CRJ% JL節(jié)點(diǎn)對網(wǎng)絡(luò)的貢獻(xiàn)；
[0057] 3. 3. 5)計(jì)算第L個節(jié)點(diǎn)添加后網(wǎng)絡(luò)學(xué)習(xí)誤差
[0058] TSSE(L) = TSSE(L-I)-CRl, (10)
[0059] 其中SSE(L-