CN110837886A - 一种基于elm-sl0神经网络的出水nh4-n软测量方法 - Google Patents
一种基于elm-sl0神经网络的出水nh4-n软测量方法 Download PDFInfo
- Publication number
- CN110837886A CN110837886A CN201911030774.8A CN201911030774A CN110837886A CN 110837886 A CN110837886 A CN 110837886A CN 201911030774 A CN201911030774 A CN 201911030774A CN 110837886 A CN110837886 A CN 110837886A
- Authority
- CN
- China
- Prior art keywords
- network
- output
- weight
- input
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000000691 measurement method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 12
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 241000135164 Timea Species 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 10
- 238000013138 pruning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000010865 sewage Substances 0.000 description 14
- 239000007787 solid Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000033116 oxidation-reduction process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 244000141353 Prunus domestica Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于ELM‑SL0神经网络的出水NH4‑N软测量方法,属于水处理和智能信息控制领域。本方法主要操作流程如下:首先将L0正则化惩罚项添加到传统误差函数使不重要权值逼近于0,然后利用批量梯度下降算法对改进的误差函数进行更新以实现网络的训练和修剪。以上步骤构成的基于神经网络的出水NH4‑N软测量方法,属于本发明的保护范围。本发明将正则化技术与批量梯度算法相结合来优化ELM网络结构,进而减少网络计算复杂度,提高预测准确率,增加其泛化性能。
Description
技术领域
本发明针对污水处理过程中氨氮浓度难以测量的问题,将批量梯度下降算法与L0正则化结合应用于神经网络,对污水处理过程中氨氮浓度进行预测。神经网络是智能信息处理技术的主要分支之一,基于神经网络的污水氨氮浓度预测技术不但属于水处理领域,还属于智能信息领域。
背景技术
随着当今社会城市化和工业化的快速发展,我国水环境已受到严重破坏。污水排放不仅严重影响居民的日常生活,而且破坏了大自然的生态平衡。为了降低污水的排放量,实现水的循环利用,全国各地纷纷建立了污水处理厂。在污水处理过程中,NH4-N浓度是衡量污水处理工艺(WWTP)性能的一个重要参数,然而由于污水处理过程是一个具有高度非线性、大滞后、大时变、多变量耦合等特点的复杂***,而且维护成本较高,因此对其进行预测仍然是一个悬而未决的问题。因此,如何低成本、高效率地对出水NH4-N的浓度进行预测对于出水水质的达标考核以及污水处理厂的稳定运行是非常有必要的。
软测量方法利用易测变量,通过构建模型对难测变量进行实时预测,为污水处理过程中关键水质参数的测量提供了一种高效快速的解决方案。神经网络因其良好的学习能力、信息处理能力和自适应特性,能对非线性***进行高精度逼近。本发明设计了一种基于ELM-SL0神经网络的出水NH4-N软测量方法,实现出水NH4-N浓度的在线预测。
发明内容
一种基于ELM-SL0神经网络的出水NH4-N软测量方法,主要操作流程如下:首先将L0正则化惩罚项添加到传统误差函数使不重要权值逼近于0,然后利用批量梯度下降算法对改进的误差函数进行更新以实现网络的训练和修剪。本方法利用神经网络的学习能力,根据训练误差对输出权值进行优化,消除不重要输出权值,然后对污水处理过程中的氨氮浓度进行预测,使其误差最小化,提高了网络结构稀疏性。其特征在于,包括以下步骤:
步骤1:初始化网络结构及参数
步骤1.1:初始化网络结构
将温度、溶氧量、总悬浮物含量、pH值以及出水氧化还原电位作为输入变量,氨氮浓度作为输出变量,确定回声状态网络结构为5-N-1,其中N表示储备池节点个数。典型回声状态网络的储备池节点个数N取值为50≤N≤1000,为了更好观察所提算法的修剪效果,N的取值不宜太小。该网络中N取500,即该网络含有5个输入节点,500个储备池节点,1个输出节点。
步骤1.2:初始化网络参数
将sigmoid函数作为网络激活函数G(·),确定初始迭代次数i=0,最大迭代次数imax≥5000,训练样本uk表示第k组输入样本,tk表示第k组实际输出值,表示输入样本维度为n,L为样本总数;随机初始化网络输入权值W和阈值向量b在(0,1)之间,设置初始输出权值W=0。
步骤2:采用网格搜索法确定学习率η及正则化参数λ
(1)首先,将正则化参数置0,即λ=0,然后以0.0005步长将学习率的搜索范围设定为[0.0005,0.01],运行程序,选取训练误差最小的最优学习率η。
(2)在最优学习率η情况下,以0.0025步长将正则化参数的搜索范围设定为[0.0025,0.05],保证不影响训练误差情况下选取稀疏效果最佳的最优正则化参数λ。
步骤3:计算输入第k组样本的网络输出yk及预测误差dk
对于给定的激活函数G(·)、输入样本uk、输入权值W以及阈值向量b,得到隐含层输出为:
其中,gj,1<j<N表示储备池第j个神经元的激活函数,Wj·uk,1<j<N表示储备池第j个神经元与输入层之间的输入权值向量Wj与输入向量uk的内积,bj,1<j<N表示储备池中第j个神经元的阈值。
输入第k组样本,网络输出yk由如下公式得到:
yk=W·G(Wuk+b) (2)
网络期望输出tk与实际输出yk之间的训练误差dk定义为:
dk=tk-yk (3)
步骤4:计算输出权值梯度,更新输出权值
定义标准均方误差函数为:
在误差函数上添加L0正则化项,改进的误差函数为:
其中,Wj(1<j<N)是第j个输出权值。
然而,L0范数是非凸函数,因此公式(5)是一个NP-hard极小化组合问题。为了解决这个问题,我们采用一个连续可微的函数f(·)对L0范数进行逼近,关于W的函数f(γ,Wj)被定义如下:
其中,γ为正数,其控制f(γ,Wj)逼近的程度,γ较大时,函数f(γ,Wj)对权值向量的修剪程度较低,γ接近0时,函数f(γ,Wj)能够更好修剪权值向量W的非零元素,本专利中γ取0.05。由此可得,f(γ,Wj)的一阶导数为:
因此公式(5)更新为:
引入批量梯度下降算法,在初始权值W=W0的情况下,E(W)的梯度公式为:
由此得到,输出权值的更新公式为:
其中,Wi+1为第i+1次迭代的输出权值,Wi为第i次迭代的输出权值。输出权值每更新一次,i累加1,即i=i+1。
步骤5:判断训练是否结束
若满足i≥imax,则执行步骤6,否则返回步骤3。
步骤6:测试网络
利用以上步骤得到的输出权值W,输入测试样本,对网络进行测试。
本发明的创造性主要体现在:
(1)针对污水处理过程中氨氮浓度难以测量的问题,本发明根据极限学习机非线性映射能力强的特点,设计了一种基于ELM-SL0神经网络的出水NH4-N软测量方法,该方法具有预测精度高、稳定性强、维护成本低等优点。
(2)本发明结合了L0正则化方法和批量梯度下降法,对神经网络进行训练,有效的修剪了网络中贡献度较低的神经元,减少了网络的计算时间,提高了网络结构的稀疏性。
附图说明
图1.本发明的神经网络拓扑结构图;
图2.本发明的出水NH4-N浓度预测方法训练均方根误差(RMSE)变化图;
图3.训练过程中绝对值小于0.005的输出权重个数m变化图;
图4.本发明的出水NH4-N浓度预测结果图;
图5.本发明的出水NH4-N浓度预测误差图。
具体实施方式
一种基于ELM-SL0神经网络的出水NH4-N软测量方法,主要操作流程如下:首先将L0正则化惩罚项添加到传统误差函数使不重要权值逼近于0,然后利用批量梯度下降算法对改进的误差函数进行更新以实现网络的训练和修剪。本方法利用神经网络的学习能力,根据训练误差对输出权值进行优化,消除不重要输出权值,然后对污水处理过程中的氨氮浓度进行预测,使其误差最小化,提高了网络结构稀疏性。其特征在于,包括以下步骤:
步骤1:初始化网络结构及参数
步骤1.1:初始化网络结构
将温度、溶氧量、总悬浮物含量、pH值以及出水氧化还原电位作为输入变量,氨氮浓度作为输出变量,确定回声状态网络结构为5-N-1,其中N表示储备池神经元个数。该网络中N取500,即该网络含有5个输入节点,500个储备池节点,1个输出节点。
步骤1.2:初始化网络参数
将sigmoid函数作为网络激活函数G(·),初始迭代次数i=0,最大迭代次数imax≥5000,训练样本uk表示第k组输入样本,tk表示第k组实际输出值,表示输入样本维度为n,L为样本总数;随机初始化网络输入权值W和阈值向量b在(0,1)之间,设置初始输出权值W=0。
步骤2:采用网格搜索法确定学习率η及正则化参数λ
(1)首先,将正则化参数置0,即λ=0,然后以0.0005的步长将学习率的搜索范围设定为[0.0005,0.01],运行程序,选取训练误差最小的最优学习率η=0.01。
(2)在最优学习率η=0.01的情况下,以0.0025的步长将正则化参数的搜索范围设定为[0.0025,0.05],保证不影响训练误差情况下选取稀疏效果最佳的最优正则化参数λ=0.05。
步骤3:计算输入第k组样本的网络输出yk及预测误差dk
对于给定的激活函数G(·)、输入样本uk、输入权值W以及阈值向量b,得到隐含层输出为:
其中,gj,1<j<N表示储备池第j个神经元的激活函数,Wj·uk,1<j<N表示储备池第j个神经元与输入层之间的输入权值向量Wj与输入向量uk的内积,bj,1<j<N表示储备池中第j个神经元的阈值。
输入第k组样本,网络输出yk由如下公式得到:
yk=W·G(Wuk+b) (2)
网络期望输出tk与实际输出yk之间的训练误差dk定义为:
dk=tk-yk (3)
步骤4:计算输出权值梯度,更新输出权值
定义标准均方误差函数为:
在误差函数上添加L0正则化项,改进的误差函数为:
其中,Wj(1<j<N)是第j个输出权值。
然而,L0范数是非凸函数,因此公式(5)是一个NP-hard极小化组合问题。为了解决这个问题,我们采用一个连续可微的函数f(·)对L0范数进行逼近,关于W的函数f(γ,Wj)被定义如下:
由此得到,f(γ,Wj)的一阶导数为:
因此公式(5)更新为:
引入批量梯度下降算法,在初始权值W=W0的情况下,E(W)的梯度公式为:
由此得到,输出权值的更新公式为:
其中,Wi+1为第i+1次迭代的输出权值,Wi为第i次迭代的输出权值。输出权值每更新一次,i累加1,即i=i+1。
步骤5:判断训练是否结束
若满足i≥imax,则执行步骤6,否则返回步骤3。
步骤6:测试网络
利用以上步骤得到的输出权值W,输入测试样本,对网络进行测试。
数据样本
表1-12是本发明实验数据。表1-5为训练输入样本:进水温度、好氧末段溶解氧、好氧末端总固体悬浮物、出水酸碱度pH、出水氧化还原电位,表6为训练样本出水氨氮的浓度,表7-11为测试输入样本:进水温度、好氧末段溶解氧、好氧末端总固体悬浮物、出水酸碱度pH、出水氧化还原电位,表12为测试样本出水氨氮的浓度。
训练样本:
表1.辅助变量进水温度(℃)
表2.辅助变量溶解氧(mg/L)
0.0851 | 0.2667 | 0.0428 | 0.0336 | 0.0313 | 0.3165 | 0.0441 | 5.5228 | 0.2654 | 0.0451 |
0.0328 | 0.0399 | 0.0355 | 0.0341 | 0.0655 | 0.0314 | 5.7940 | 0.0317 | 5.7143 | 0.3624 |
0.0474 | 0.0441 | 1.2213 | 0.0743 | 0.0545 | 0.4207 | 5.1883 | 0.4694 | 0.0453 | 0.1624 |
0.0612 | 0.0345 | 6.1271 | 0.0965 | 0.0363 | 0.0312 | 0.0518 | 0.0319 | 0.0664 | 0.0309 |
0.5400 | 0.2701 | 1.1610 | 0.6857 | 0.0768 | 0.0329 | 0.0313 | 0.0467 | 0.3987 | 0.0339 |
0.0715 | 0.0338 | 0.9670 | 3.6627 | 0.0311 | 0.4564 | 0.3942 | 0.4684 | 0.5487 | 0.2066 |
0.0410 | 2.5088 | 0.2566 | 0.0464 | 6.1833 | 0.2890 | 0.5426 | 0.3782 | 0.0302 | 0.0309 |
0.0555 | 0.0373 | 0.2557 | 0.4711 | 0.0615 | 0.0312 | 0.0390 | 0.0416 | 0.0591 | 0.0451 |
0.0345 | 0.0540 | 0.4478 | 0.0637 | 6.1654 | 0.0308 | 0.4508 | 0.5192 | 0.1481 | 0.0396 |
0.0318 | 0.0489 | 2.9631 | 0.0357 | 0.0530 | 0.2282 | 0.5539 | 0.0384 | 0.2232 | 0.4448 |
0.0691 | 0.1172 | 0.0683 | 3.0178 | 0.5287 | 0.2558 | 0.0561 | 0.0309 | 0.0936 | 0.0311 |
0.0356 | 0.0412 | 0.0510 | 0.0448 | 0.0318 | 0.0387 | 5.5628 | 0.0350 | 0.0907 | 0.0363 |
5.3787 | 0.0472 | 0.0364 | 0.1396 | 0.8063 | 0.0686 | 0.0340 | 0.4833 | 0.2687 | 0.2740 |
0.2546 | 0.4329 | 0.0300 | 0.0312 | 0.0411 | 0.4291 | 0.0382 | 0.5351 | 0.0532 | 0.0302 |
0.3301 | 0.0909 | 0.0297 | 0.0346 | 0.0592 | 0.0461 | 0.0492 | 0.2079 | 0.0706 | 0.0334 |
0.0375 | 1.6391 | 0.0683 | 0.0406 | 0.0398 | 0.0562 | 0.4340 | 0.0291 | 0.0337 | 0.4621 |
0.2489 | 0.3703 | 0.3096 | 0.2646 | 0.0706 | 6.0993 | 0.4649 | 0.2659 | 0.0327 | 0.1247 |
1.2662 | 0.0308 | 2.1216 | 0.5378 | 5.3780 | 0.0338 | 0.0397 | 0.0411 | 0.0336 | 0.0870 |
0.0427 | 0.0956 | 0.0505 | 0.4026 | 0.0350 | 0.0286 | 0.0488 | 0.0559 | 0.0318 | 0.3640 |
0.0352 | 0.0455 | 0.0412 | 0.4273 | 0.0640 | 0.0792 | 0.0308 | 1.0497 | 0.0483 | 0.0309 |
0.0582 | 0.0971 | 0.0571 | 0.0478 | 0.0582 | 0.0494 | 0.0317 | 0.3930 | 0.0378 | 0.0410 |
0.0361 | 0.0529 | 0.0565 | 0.0447 | 0.7617 | 0.0963 | 0.0353 | 0.3812 | 0.1343 | 0.0535 |
0.0441 | 0.0692 | 0.0668 | 5.7520 | 0.0403 | 0.0442 | 0.0408 | 0.0799 | 0.3272 | 0.0307 |
0.2365 | 0.0464 | 5.4811 | 0.0769 | 0.4512 | 0.5309 | 0.0657 | 2.7794 | 0.0784 | 0.0617 |
0.3554 | 0.0422 | 0.0582 | 0.2470 | 0.4073 | 5.9548 | 0.0379 | 0.0796 | 0.2997 | 0.5858 |
0.0316 | 2.6852 | 0.4316 | 0.4455 | 0.0421 | 0.0548 | 0.0356 | 5.8531 | 2.0604 | 0.1009 |
0.0310 | 0.4379 | 0.0370 | 0.0432 | 0.5815 | 0.0480 | 0.0787 | 0.0567 | 0.2380 | 0.0486 |
0.0339 | 0.0415 | 0.4889 | 2.5040 | 0.0673 | 0.3274 | 0.5043 | 0.1995 | 0.0365 | 0.0297 |
0.0711 | 0.2404 | 0.0946 | 1.5057 | 0.5498 | 0.0696 | 0.0522 | 0.2974 | 0.0361 | 0.1865 |
0.0309 | 0.0831 | 0.0346 | 0.0683 | 5.9711 | 3.4109 | 0.0823 | 0.0561 | 0.1978 | 1.6931 |
表3.辅助变量总固体悬浮物(mg/L)
表4.辅助变量pH值
表5.辅助变量氧化还原电位
表6.实测出水NH4-N浓度(mg/L)
测试样本:
表7.辅助变量进水温度(℃)
26.6664 | 25.5925 | 26.0751 | 26.8655 | 24.9307 | 24.9436 | 25.2516 | 25.8255 | 24.9177 | 25.4691 |
25.6463 | 23.6239 | 26.7961 | 23.3835 | 25.5664 | 25.6231 | 23.6806 | 24.1833 | 25.5388 | 25.7410 |
25.9991 | 25.5576 | 24.9465 | 24.9725 | 24.7418 | 27.2087 | 25.8663 | 26.7136 | 24.9061 | 25.6696 |
24.6813 | 23.2770 | 23.8631 | 24.9667 | 26.8065 | 24.4801 | 24.8874 | 25.4850 | 22.9625 | 25.2472 |
25.9962 | 27.1094 | 25.6289 | 25.4081 | 24.2291 | 25.4720 | 27.2028 | 25.3994 | 25.5649 | 24.6698 |
24.9018 | 24.5476 | 25.3617 | 23.7378 | 24.3022 | 24.9840 | 22.8098 | 25.0100 | 25.2979 | 25.0303 |
27.0784 | 24.2721 | 24.4198 | 24.9826 | 25.6667 | 23.0559 | 23.7307 | 25.4778 | 25.3893 | 25.5126 |
25.6725 | 25.4067 | 25.0534 | 23.1565 | 25.0881 | 24.9119 | 24.9667 | 24.9480 | 24.8686 | 26.9098 |
25.9305 | 23.2841 | 25.3486 | 25.2993 | 24.5188 | 25.4371 | 24.9480 | 27.2933 | 25.9845 | 25.4618 |
25.2212 | 27.0562 | 23.1027 | 24.8614 | 25.0852 | 24.5591 | 25.4153 | 25.6260 | 26.9349 | 25.3501 |
25.3486 | 24.3796 | 25.2936 | 23.6253 | 24.5404 | 24.2047 | 26.7917 | 24.6051 | 25.6158 | 24.6368 |
22.9115 | 24.9047 | 25.2559 | 26.5046 | 27.1331 | 25.9641 | 24.9999 | 26.0429 | 23.6295 | 24.6698 |
24.7908 | 24.7490 | 26.0283 | 23.0630 | 25.4952 | 25.1589 | 23.2032 | 23.5598 | 25.6522 | 23.3310 |
25.5402 | 23.1551 | 23.8745 | 24.6152 | 26.7858 | 25.1633 | 25.9436 | 23.6295 | 25.1532 | 25.8255 |
24.8052 | 25.2950 | 25.1778 | 23.9902 | 27.3334 | 27.1880 | 23.4745 | 26.9556 | 25.3399 | 23.4048 |
25.9539 | 26.8153 | 25.6740 | 25.4458 | 26.0400 | 25.1315 | 24.8225 | 24.9494 | 23.4318 | 25.5053 |
26.6723 | 26.8212 | 23.0956 | 25.4981 | 25.2299 | 23.5769 | 23.6096 | 23.1381 | 23.7006 | 25.5068 |
23.5114 | 25.6405 | 25.1488 | 23.8717 | 26.9763 | 27.2147 | 26.9526 | 25.1040 | 23.6422 | 25.1285 |
25.1300 | 23.8477 | 23.4190 | 23.0191 | 24.9595 | 24.1218 | 23.6338 | 25.2849 | 23.6295 | 26.7652 |
表8.辅助变量溶解氧(mg/L)
表9.辅助变量总固体悬浮物(mg/L)
2.8203 | 2.9460 | 2.8678 | 2.8202 | 2.5611 | 2.5829 | 2.8432 | 2.8892 | 2.5314 | 3.0358 |
2.9424 | 2.5450 | 2.7539 | 2.3089 | 2.9585 | 2.9651 | 2.6572 | 2.4949 | 2.9497 | 2.8061 |
2.8056 | 2.9405 | 3.1266 | 2.5765 | 3.0128 | 2.8251 | 2.7974 | 2.7827 | 3.0233 | 2.8753 |
2.8377 | 2.2740 | 2.4693 | 2.8942 | 2.8151 | 2.4982 | 3.2238 | 3.0289 | 2.2692 | 2.7131 |
2.7684 | 3.1727 | 2.9420 | 3.0138 | 2.4700 | 2.9379 | 2.8182 | 2.9699 | 2.9699 | 2.9696 |
2.5363 | 2.4573 | 2.9005 | 2.4428 | 2.4121 | 2.4505 | 2.3100 | 2.8173 | 2.8868 | 3.0912 |
2.8053 | 2.5025 | 3.1527 | 2.9324 | 2.9416 | 2.3157 | 2.3829 | 2.8973 | 3.0728 | 3.1456 |
2.8617 | 3.0857 | 3.0329 | 2.2105 | 2.8024 | 2.4376 | 2.6005 | 2.9275 | 2.4709 | 2.7997 |
2.8238 | 2.4789 | 2.9423 | 2.9435 | 3.1618 | 2.9997 | 2.8217 | 2.7176 | 2.7800 | 3.0250 |
2.7410 | 2.8029 | 2.2935 | 2.3933 | 2.4443 | 3.0369 | 3.0349 | 2.9285 | 2.7858 | 2.9329 |
3.0151 | 2.3839 | 2.7219 | 2.5113 | 3.0535 | 2.4245 | 2.7999 | 2.9979 | 2.9201 | 2.4916 |
2.3119 | 2.5664 | 2.7491 | 2.8509 | 2.8060 | 2.7973 | 2.9019 | 2.8119 | 2.5754 | 3.1621 |
2.4192 | 2.7953 | 2.8213 | 2.3439 | 2.9265 | 2.4068 | 2.2200 | 2.3514 | 2.8738 | 2.2805 |
2.8895 | 2.4196 | 2.5045 | 2.4345 | 2.7979 | 2.8979 | 2.8572 | 2.4255 | 2.6941 | 2.8306 |
2.8052 | 2.7744 | 2.7306 | 2.4820 | 2.8343 | 2.8523 | 2.3883 | 2.8536 | 2.9709 | 2.5321 |
2.8260 | 2.7556 | 2.8632 | 3.1004 | 2.8337 | 3.0059 | 2.4971 | 2.7832 | 2.3155 | 3.0640 |
2.8295 | 2.8165 | 2.4155 | 3.0494 | 2.9023 | 2.3655 | 2.4784 | 2.4161 | 2.4331 | 3.0726 |
2.4347 | 2.9480 | 2.7790 | 2.5286 | 2.7725 | 2.8985 | 2.7998 | 2.9557 | 2.5519 | 2.8087 |
2.4082 | 2.2835 | 2.4440 | 2.2668 | 2.5590 | 2.6305 | 2.3938 | 2.7067 | 2.4866 | 2.9067 |
表10.辅助变量pH值
表11.辅助变量氧化还原电位
-5.3838 | 38.3272 | -45.9542 | -122.6730 | -196.9560 | -196.1870 | -126.8390 | -40.0577 |
-194.4560 | 16.3435 | 35.3790 | -170.4860 | -87.8065 | -163.3710 | 33.1357 | 32.1744 |
-168.6270 | -190.8670 | 0.0641 | -66.2715 | -21.5991 | 29.9952 | 19.7404 | -194.4560 |
48.0052 | -17.4331 | -41.2755 | -97.8049 | 46.8515 | 36.0199 | -88.8961 | -165.2940 |
-163.0510 | 27.6238 | -5.7042 | -200.9940 | 18.2663 | 19.3559 | -199.9040 | -170.1650 |
-46.2106 | -115.4940 | 33.8408 | 7.9475 | -161.0000 | 34.9303 | -67.2329 | 45.9542 |
-3.0764 | 41.2114 | -196.8920 | -205.3520 | 36.6608 | -154.1420 | -158.5640 | -202.5960 |
-170.1650 | -146.5150 | 30.4439 | 21.3427 | -16.7281 | -161.0640 | 18.6509 | 30.7643 |
35.3149 | -194.8410 | -155.1680 | 29.9952 | 8.1397 | 17.8177 | -15.5103 | 19.4200 |
45.3133 | -169.7810 | -142.6700 | -205.0960 | -187.0860 | 26.4701 | -196.5710 | -5.7683 |
-45.6337 | -172.3440 | 15.8949 | 30.4439 | 19.5482 | 6.8579 | -27.8161 | -16.5358 |
-10.2548 | 4.8069 | -172.7930 | -117.9940 | -161.3850 | -205.9290 | -202.7240 | 30.3798 |
28.7775 | 34.0971 | -13.5876 | 21.0223 | 9.0370 | -190.8030 | -163.2430 | -170.6140 |
20.7018 | -161.3200 | -15.5103 | 36.0199 | 34.5458 | -201.8910 | -165.9990 | -197.0200 |
-155.4880 | -8.7807 | -112.1620 | -13.3312 | 33.3280 | -12.4980 | -171.9600 | 18.9713 |
-196.6990 | -63.9001 | -12.8185 | -158.5000 | 31.3412 | -202.3400 | -174.0750 | -157.7950 |
-61.3364 | -164.5250 | 37.6863 | -164.0120 | -163.4350 | -206.2490 | -76.3340 | -138.9520 |
-18.4586 | -152.8600 | -178.4330 | -38.0068 | -55.9526 | -160.8720 | -176.7030 | -162.3460 |
-16.7922 | -73.8344 | -162.6020 | -121.6470 | 46.0183 | -157.5390 | -39.7373 | -89.2806 |
39.5450 | 19.4200 | -6.0888 | 44.9287 | -196.6990 | -102.4200 | -163.0510 | 18.0740 |
-20.3814 | -99.7277 | -161.7690 | 17.5613 | -135.4270 | -159.9750 | -151.5140 | -173.4980 |
-177.4080 | 18.6509 | -161.9610 | 35.0585 | -108.6370 | -186.5730 | -5.2556 | -71.1425 |
-76.8467 | 37.4940 | -172.8570 | -150.6170 | -202.7880 | -145.4900 | -157.8590 | -201.2500 |
-194.5840 | -161.6410 | -160.5510 | -157.2830 | -174.7800 | -120.7500 |
表12.实测出水NH4-N浓度(mg/L)
Claims (1)
1.一种基于ELM-SL0神经网络的出水NH4-N软测量方法,其特征在于,包括以下步骤:
步骤1:初始化网络结构及参数
步骤1.1:初始化网络结构
将温度、溶氧量、总悬浮物含量、pH值以及出水氧化还原电位作为输入变量,氨氮浓度作为输出变量,确定回声状态网络结构为5-N-1,其中N表示储备池节点个数;典型回声状态网络的储备池节点个数N取值为50≤N≤1000;
步骤1.2:初始化网络参数
将sigmoid函数作为网络激活函数G(·),确定初始迭代次数i=0,最大迭代次数imax≥5000,训练样本uk表示第k组输入样本,tk表示第k组实际输出值,表示输入样本维度为n,L为样本总数;随机初始化网络输入权值W和阈值向量b在(0,1)之间,设置初始输出权值W=0;
步骤2:采用网格搜索法确定学习率η及正则化参数λ
(1)首先,将正则化参数置0,即λ=0,然后以0.0005步长将学习率的搜索范围设定为[0.0005,0.01],运行程序,选取训练误差最小的最优学习率η;
(2)在最优学习率η情况下,以0.0025步长将正则化参数的搜索范围设定为[0.0025,0.05],保证不影响训练误差情况下选取稀疏效果最佳的最优正则化参数λ;
步骤3:计算输入第k组样本的网络输出yk及预测误差dk
对于给定的激活函数G(·)、输入样本uk、输入权值W以及阈值向量b,得到隐含层输出为:
其中,gj,1<j<N表示储备池第j个神经元的激活函数,Wj·uk,1<j<N表示储备池第j个神经元与输入层之间的输入权值向量Wj与输入向量uk的内积,bj,1<j<N表示储备池中第j个神经元的阈值;
输入第k组样本,网络输出yk由如下公式得到:
yk=W·G(Wuk+b) (2)
网络期望输出tk与实际输出yk之间的训练误差dk定义为:
dk=tk-yk (3)
步骤4:计算输出权值梯度,更新输出权值
定义标准均方误差函数为:
在误差函数上添加L0正则化项,改进的误差函数为:
其中,Wj,1<j<N是第j个输出权值;
然而,L0范数是非凸函数,因此公式(5)是一个NP-hard极小化组合问题;采用一个连续可微的函数f(·)对L0范数进行逼近,关于W的函数f(γ,Wj)被定义如下:
其中,γ为正数,γ取0.05;由此得到,f(γ,Wj)的一阶导数为:
因此公式(5)更新为:
引入批量梯度下降算法,在初始权值W=W0的情况下,E(W)的梯度公式为:
由此得到,输出权值的更新公式为:
其中,Wi+1为第i+1次迭代的输出权值,Wi为第i次迭代的输出权值;输出权值每更新一次,i累加1,即i=i+1;
步骤5:判断训练是否结束
若满足i≥imax,则执行步骤6,否则返回步骤3;
步骤6:测试网络
利用以上步骤得到的输出权值W,输入测试样本,对网络进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030774.8A CN110837886A (zh) | 2019-10-28 | 2019-10-28 | 一种基于elm-sl0神经网络的出水nh4-n软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911030774.8A CN110837886A (zh) | 2019-10-28 | 2019-10-28 | 一种基于elm-sl0神经网络的出水nh4-n软测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110837886A true CN110837886A (zh) | 2020-02-25 |
Family
ID=69575622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911030774.8A Pending CN110837886A (zh) | 2019-10-28 | 2019-10-28 | 一种基于elm-sl0神经网络的出水nh4-n软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110837886A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151121A (zh) * | 2023-02-21 | 2023-05-23 | 北京工业大学 | 一种基于神经网络的出水nh4-n软测量方法 |
CN116451763A (zh) * | 2023-03-17 | 2023-07-18 | 北京工业大学 | 一种基于eddesn的出水nh4-n预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR8200467U (pt) * | 2002-03-18 | 2003-12-09 | Volnei Jaco Knorst | Pia em mármore sintético com cuba em material diferenciado |
CN104616030A (zh) * | 2015-01-21 | 2015-05-13 | 北京工业大学 | 一种基于极限学习机算法的识别方法 |
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
CN106503730A (zh) * | 2016-09-30 | 2017-03-15 | 暨南大学 | 一种基于级联字典与稀疏正则化的桥梁移动荷载识别方法 |
CN106803237A (zh) * | 2016-12-14 | 2017-06-06 | 银江股份有限公司 | 一种基于极限学***均图像去噪方法 |
US20180093092A1 (en) * | 2016-04-22 | 2018-04-05 | Newton Howard | Biological co-processor (bcp) |
CN108469507A (zh) * | 2018-03-13 | 2018-08-31 | 北京工业大学 | 一种基于自组织rbf神经网络的出水bod软测量方法 |
CN109242194A (zh) * | 2018-09-25 | 2019-01-18 | 东北大学 | 一种基于混合模型的浓密机底流浓度预测方法 |
JP2019040414A (ja) * | 2017-08-25 | 2019-03-14 | 日本電信電話株式会社 | 学習装置及び学習方法 |
-
2019
- 2019-10-28 CN CN201911030774.8A patent/CN110837886A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR8200467U (pt) * | 2002-03-18 | 2003-12-09 | Volnei Jaco Knorst | Pia em mármore sintético com cuba em material diferenciado |
CN104616030A (zh) * | 2015-01-21 | 2015-05-13 | 北京工业大学 | 一种基于极限学习机算法的识别方法 |
CN104965971A (zh) * | 2015-05-24 | 2015-10-07 | 北京工业大学 | 一种基于模糊神经网络的氨氮浓度软测量方法 |
US20180093092A1 (en) * | 2016-04-22 | 2018-04-05 | Newton Howard | Biological co-processor (bcp) |
CN106503730A (zh) * | 2016-09-30 | 2017-03-15 | 暨南大学 | 一种基于级联字典与稀疏正则化的桥梁移动荷载识别方法 |
CN106803237A (zh) * | 2016-12-14 | 2017-06-06 | 银江股份有限公司 | 一种基于极限学***均图像去噪方法 |
JP2019040414A (ja) * | 2017-08-25 | 2019-03-14 | 日本電信電話株式会社 | 学習装置及び学習方法 |
CN108469507A (zh) * | 2018-03-13 | 2018-08-31 | 北京工业大学 | 一种基于自组织rbf神经网络的出水bod软测量方法 |
CN109242194A (zh) * | 2018-09-25 | 2019-01-18 | 东北大学 | 一种基于混合模型的浓密机底流浓度预测方法 |
Non-Patent Citations (2)
Title |
---|
YU YL ET AL: "A Homotopy Iterative Hard Thresholding Algorithm With Extreme Learning Machine for scene Recognition" * |
慈能达: "车载毫米波雷达通信一体化***中的压缩感知DOA估计" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151121A (zh) * | 2023-02-21 | 2023-05-23 | 北京工业大学 | 一种基于神经网络的出水nh4-n软测量方法 |
CN116151121B (zh) * | 2023-02-21 | 2024-03-26 | 北京工业大学 | 一种基于神经网络的出水nh4-n软测量方法 |
CN116451763A (zh) * | 2023-03-17 | 2023-07-18 | 北京工业大学 | 一种基于eddesn的出水nh4-n预测方法 |
CN116451763B (zh) * | 2023-03-17 | 2024-04-12 | 北京工业大学 | 一种基于eddesn的出水nh4-n预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108469507B (zh) | 一种基于自组织rbf神经网络的出水bod软测量方法 | |
CN111354423B (zh) | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 | |
CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
CN109828089B (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
CN109657790B (zh) | 一种基于pso的递归rbf神经网络出水bod预测方法 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN109344971B (zh) | 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法 | |
CN112949894B (zh) | 一种基于简化型长短期记忆神经网络的出水bod预测方法 | |
CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
CN104680015A (zh) | 一种基于快速相关向量机的污水处理在线软测量方法 | |
CN111242380A (zh) | 一种基于人工智能算法的湖(库)富营养化预测方法 | |
CN110837886A (zh) | 一种基于elm-sl0神经网络的出水nh4-n软测量方法 | |
CN112989704A (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
CN115660165A (zh) | 一种基于双层pso的模块化神经网络出水氨氮浓度多步预测方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN110991616B (zh) | 一种基于删减型前馈小世界神经网络出水bod预测方法 | |
Pisa et al. | Transfer learning approach for the design of basic control loops in wastewater treatment plants | |
CN114330815A (zh) | 一种基于改进goa优化lstm的超短期风电功率预测方法与*** | |
CN113111576A (zh) | 一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法 | |
CN116306803A (zh) | 一种基于wsfa-afe的ilstm神经网络的出水bod浓度预测方法 | |
CN116432832A (zh) | 基于XGBoost-LSTM预测模型的水质预测方法 | |
CN115905821A (zh) | 基于多阶段动态模糊宽度学习的城市污水处理过程状态监测方法 | |
CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
CN112924646B (zh) | 一种基于自适应剪枝前馈小世界神经网络的出水bod软测量方法 | |
CN116151121B (zh) | 一种基于神经网络的出水nh4-n软测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |