CN113156074B - 一种基于模糊迁徙的出水总氮预测方法 - Google Patents

一种基于模糊迁徙的出水总氮预测方法 Download PDF

Info

Publication number
CN113156074B
CN113156074B CN202110196095.9A CN202110196095A CN113156074B CN 113156074 B CN113156074 B CN 113156074B CN 202110196095 A CN202110196095 A CN 202110196095A CN 113156074 B CN113156074 B CN 113156074B
Authority
CN
China
Prior art keywords
neural network
fuzzy neural
knowledge
layer
output
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.)
Active
Application number
CN202110196095.9A
Other languages
English (en)
Other versions
CN113156074A (zh
Inventor
韩红桂
刘洪旭
伍小龙
侯莹
乔俊飞
顾剑
何政
魏磊
刘垚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202110196095.9A priority Critical patent/CN113156074B/zh
Publication of CN113156074A publication Critical patent/CN113156074A/zh
Priority to US17/676,692 priority patent/US20220267169A1/en
Application granted granted Critical
Publication of CN113156074B publication Critical patent/CN113156074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • 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
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/001—Upstream control, i.e. monitoring for predictive control
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/006—Processes using a programmable logic controller [PLC] comprising a software program or a logic diagram
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/005—Processes using a programmable logic controller [PLC]
    • C02F2209/008—Processes using a programmable logic controller [PLC] comprising telecommunication features, e.g. modems or antennas
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/10—Solids, e.g. total solids [TS], total suspended solids [TSS] or volatile solids [VS]
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/14—NH3-N
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/15—N03-N
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/16—Total nitrogen (tkN-N)
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Neurology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于模糊迁徙的出水总氮检测方法，属于污水处理领域，针对污水处理过程数据量不足的情况下，难以获得精确检测模型的问题。本发明采用主成分分析算法提取特征变量并建立基于模糊神经网络的检测模型，通过参考模型获取知识，并设计粒子滤波算法对知识进行校正，利用污水处理过程的知识和数据完成检测模型的参数调整，实现出水总氮的精准检测，解决了传统模糊神经网络在数据不足的情况下泛化能力较差的问题，具有较好的学习效率和预测精度。

Description

一种基于模糊迁徙的出水总氮预测方法
技术领域
本发明基于污水处理过程运行特性，利用基于模糊迁徙的模糊神经网络设计了一种出水总氮智能预测方法，实现了污水处理过程出水总氮的实时测量；污水处理厂出水总氮浓度是指经过污水处理厂的工艺设施处理后出水的所有含氮污染物的总和，是衡量水质好坏的重要指标，也是水体富营养化的最重要的标志。基于模糊迁徙的出水总氮预测方法能够充分利用总氮历史预测知识弥补当前预测数据不足的缺陷，获得更加精准的预测效果，属于水处理领域。
背景技术
随着我国城镇化进程的加快，我国对淡水资源的需求量不断增加，导致污水产生量越来越大，因此污水治理成为我国近年来的重要工作之一。从20世纪80 年代我国污水处理厂开始大规模建设，到现在我国污水处理能力得到了极大提高。据统计2019年我国城市污水处理厂的污水处理能力超过2.1亿立方米/日，对防治水体污染、环境保护起到积极作用。因此，对污水处理过程的研究成果具有广阔的应用前景。
随着污水处理技术提高，污水中有机物污染得到遏制，但氮、磷等营养物超标排放使水体污染仍然十分严重。其中，氮含量的增加是造成水体质量恶化和富营养化的主要因素之一，污水处理中出水总氮的含量是衡量污水处理厂出水水质的基础指标。当前，污水处理厂主要通过化学实验手段预测总氮浓度。该方法虽然能保证较精确的预测精度，但对操作环境要求高，预测时间长，无法满足实时性预测的要求。近年来，在线仪表预测可以实现出水水样的自动预测，但仪器购买和仪器维护成本较高。因此，如何利用信息化技术实现低成本和高精度预测是研究的关键。由于人工神经网络的非线性逼近能力和学习能力，可以对污水处理过程的非线性***进行有效建模，为污水出水水质预测提供了一种新的方法。但人工神经网络预测方法需要大量的数据来保证总氮预测的精度，数据缺失和数据不足会使预测模型失效。因此，研究新的测量方法解决过程参数的高精度测量问题，已成为污水控制工程领域研究的重要课题，并且具有重要的现实意义。
本发明设计了一种基于模糊迁徙的出水总氮预测方法，主要通过建立基于模糊神经网络的智能预测模型，利用迁徙学习算法完成模糊神经网络预测模型的参数调整，该算法可以利用总氮历史预测知识弥补当前预测数据不足的缺陷，获得更加精准的预测效果。
发明内容
本发明获得了一种基于模糊迁徙的出水总氮预测方法，该方法采用主成分分析算法提取特征变量并通过建立基于模糊神经网络的水总氮预测模型，通过参考模型获取参数知识，并设计粒子滤波算法对参数知识进行校正，利用污水处理过程的参数知识和数据完成定价模型的参数调整，实现出水总氮的精准预测，解决了传统模糊神经网络在数据不足的情况下泛化能力较差的问题，具有较好的学习效率和预测精度。
1一种基于模糊迁徙的出水总氮预测方法，其特征在于，建立基于模糊神经网络的智能预测模型，利用迁徙学习算法调整模糊神经网络预测模型的参数，解决了实际总氮预测过程中数据缺失和数据不足的问题，实现出水总氮浓度的实时预测，包括以下步骤：
(1)确定总氮预测模型的输入与输出变量
污水处理厂出水总氮浓度是污水处理厂出水水质中含氮污染物的总和，是衡量水质好坏的重要指标，也是水体富营养化的最重要的标志；以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与出水总氮相关的过程变量作为预测模型的输入：氨氮，硝态氮，出水悬浮物浓度，生化需氧量，出水总磷；预测模型的输出为出水总氮值；
(2)建立基于模糊神经网络的智能预测模型
模糊神经网络智能预测模型的拓扑结构共四层：输入层、隐含层、规则层和输出层；确定其5-10-10-1的初始连接方式，即输入特征变量的个数为5，隐含层神经元数为10，规则层神经元数为10，输入层与隐含层之间的连接权值都赋值为1，隐含层与输出层之间的连接权值随机赋值，赋值区间为[-1,1]；设定模糊神经网络智能预测模型的训练数据样本为Q个，用于获取迁徙知识的参考模糊神经网络模型的训练数据样本为N个，则智能预测模型中各层的数学描述如下：
输入层：该层的输入为特征变量，每个输入层神经元的输出为：
xp(t)＝op(t), (1)
其中，xp(t)为第t时刻输入层第p个神经元的输出，t＝1,…,Q，p＝1,,...,5；op(t)为第t时刻输入层第p个神经元的输入，o1(t)表示t时刻氨氮浓度，o2(t)表示t 时刻硝态氮浓度，o3(t)表示t时刻出水悬浮物浓度浓度，o4(t)表示t时刻生化需氧量浓度，o5(t)表示t时刻出水总磷浓度；
隐含层:该层的输入为输入层的输出，该层输出表示为：
Figure BDA0002946612400000031
其中
Figure BDA0002946612400000032
为t时刻隐含层第k个神经元的输出值，k＝1,…,10；cpk(t)为t时刻第 k个隐含层神经元的第p个隶属度函数的中心，在区间(0,1]中随机取值，σpk(t) 为t时刻第k个隐含层神经元的第p个隶属度函数的宽度，在区间(0,1]中随机取值；
规则层：该层的输入为隐含层的输出，每个规则层神经元的输出为：
Figure BDA0002946612400000033
其中，vk(t)为t时刻规则层第k个神经元的输出值；
输出层：该层的输入为规则层的输出，输出层神经元的输出为：
Figure BDA0002946612400000034
其中，y(t)为t时刻模糊神经网络智能预测模型的输出，wk(t)为t时刻第k个规则层神经元与输出神经元之间的权值；
(3)利用迁徙学习算法调整模糊神经网络智能预测模型的参数
①利用历史数据构建用于获取迁徙知识的参考模糊神经网络模型，其网络的结构与智能预测模型相同，参考模糊神经网络模型的输出为：
Figure BDA0002946612400000035
其中，yZ(n)为n时刻参考模糊神经网络模型的输出，n＝1,…,N，
Figure BDA0002946612400000036
为n时刻参考模糊神经网络模型第k个规则层神经元与输出神经元之间的权值，在区间[-1, 1]中随机取值；/>
Figure BDA0002946612400000037
为n时刻参考模糊神经网络模型第k个隐含层神经元的第p 个隶属度函数的中心，在区间(0,1]中随机取值；/>
Figure BDA0002946612400000038
为n时刻参考模糊神经网络模型第k个隐含层神经元的第p个隶属度函数的宽度，在区间(0,1]中随机取值；
②利用梯度下降算法训练参考模糊神经网络模型；参考模糊神经网络模型的中心
Figure BDA0002946612400000041
宽度/>
Figure BDA0002946612400000042
和权值/>
Figure BDA0002946612400000043
的更新规则如下：
Figure BDA0002946612400000044
Figure BDA0002946612400000045
Figure BDA0002946612400000046
Figure BDA0002946612400000047
其中，E(n)为n时刻参考模糊神经网络模型的目标函数，yZd(n)为n时刻参考模糊神经网络模型的期望输出值，λ为梯度下降算法的学习率，在区间[0.01,0.1]中随机取值；
③利用公式(6)计算E(n+1)，若n＝N或E(n+1)<0.01时停止计算，选取n时刻的中心
Figure BDA0002946612400000048
宽度/>
Figure BDA0002946612400000049
和权值/>
Figure BDA00029466124000000410
作为参考模糊神经网络的参数，完成训练；否则n＝n+1返回步骤②；
④从参考模糊神经网络模型中提取参数知识；参数知识表示为
Figure BDA00029466124000000411
其中，
Figure BDA00029466124000000412
为n时刻从参考模糊神经网络模型提取的第k个参数知识，/>
Figure BDA00029466124000000413
Figure BDA00029466124000000414
为n时刻从参考模糊神经网络模型提取的参数知识；
⑤利用粒子滤波算法调整参数知识，粒子滤波算法包含三个步骤：知识采样，知识评估，知识融合；知识采样过程为
Kl(t)＝KZ(n)+δl(t), (11)
其中，Kl(t)为t时刻的第l个采样参数，l＝1,…,L，L为采样参数的个数，L＝30。δl(t)为随机采样向量，采样向量的每个值在区间[0,1]中随机取值；
知识评价包括知识多样性和知识匹配度两个指标，两个指标表示为
Figure BDA00029466124000000415
Figure BDA00029466124000000416
其中，Ml(t)为t时刻第l个采样参数对智能预测模型训练数据样本的预测误差，y(Kl(t),o(t))为t时刻以第l个采样参数作为参数的模糊神经网络输出值，yd(t)为t 时刻模糊神经网络智能预测模型的期望输出值，o(t)＝[o1(t),…,o5(t)]为t时刻模糊神经网络智能预测模型的输入，Dl(t)为t时刻第l个采样参数与参数知识的归一化余弦距离，cos(Kl(t),KZ(t))为第l个采样参数和参数知识之间的余弦值；基于以上两个指标，知识评价结果为
Figure BDA0002946612400000051
其中，ωl(t)为t时刻第l个采样知识的重要性权值；
知识融合过程可以表示为
Figure BDA0002946612400000052
其中，
Figure BDA0002946612400000053
为t时刻得到的重构知识，第k个重构知识表示为
Figure BDA0002946612400000054
⑥利用重构知识和数据调整模糊神经网络智能预测模型的参数；智能预测模型的目标函数为
Figure BDA0002946612400000055
其中，EKD(t)为t时刻智能预测模型的目标函数，e(t)＝y(t)-yd(t)为t时刻模糊神经网络智能预测模型的输出误差，α(t)和β(t)为平衡参数，α(t)在区间(0.5,1]之间取值，β(t)在区间(0,0.1]之间取值；cpk(t)，σpk(t)，wk(t)，α(t)和β(t)的更新规则如下：
Figure BDA0002946612400000056
Figure BDA0002946612400000057
Figure BDA0002946612400000058
Figure BDA0002946612400000059
Figure BDA00029466124000000510
⑦利用公式(17)计算EKD(t+1)，若t＝Q或EKD(t+1)<0.01时停止计算，选取t 时刻的中心cpk(t)，宽度σpk(t)和权值wk(t)作为模糊神经网络的参数，完成训练；否则t＝t+1，返回步骤⑥；
(5)出水总氮浓度预测
利用训练好的模糊神经网络智能预测模型预测出水总氮；使用采集到的氨氮，硝态氮，出水悬浮物浓度，生化需氧量，出水总磷作为模型的输入变量，得到模型的出水总氮预测输出值。
本发明的创新性体现在
(1)针对在数据不足的情况下难以训练获得精准总氮预测模型的问题，提出了一种基于模糊迁徙的出水总氮预测方法，该方法建立基于模糊神经网络的预测模型，利用污水处理过程的知识和数据完成定价模型的参数调整，弥补当前预测数据不足的缺陷；
(2)针对历史知识与当前预测任务不完全相符合的问题，提出了基于粒子滤波算法的知识重构机制，该机制利用当前预测数据对历史知识进行校正，增加了知识的有效性。
(3)本发明设计了新的目标函数，该目标函数为知识驱动项和数据驱动项设置了平衡权重，避免了知识过拟合和数据过拟合问题，采用梯度下降算法对网络参数进行在线优化，提高预测模型精度。
附图说明
图1是本发明的总氮TN浓度预测结果图；
图2是本发明的总氮TN浓度预测误差图
具体实施方式
本发明获得了一种基于模糊迁徙的出水总氮预测方法，该方法采用主成分分析算法提取特征变量并通过建立基于模糊神经网络的水总氮预测模型，通过参考模型获取参数知识，并设计粒子滤波算法对参数知识进行校正，利用污水处理过程的参数知识和数据完成定价模型的参数调整，实现出水总氮的精准预测，解决了传统模糊神经网络在数据不足的情况下泛化能力较差的问题，具有较好的学习效率和预测精度。
1一种基于模糊迁徙的出水总氮预测方法，其特征在于，建立基于模糊神经网络的智能预测模型，利用迁徙学习算法调整模糊神经网络预测模型的参数，解决了实际总氮预测过程中数据缺失和数据不足的问题，实现出水总氮浓度的实时预测，包括以下步骤：
(1)确定总氮预测模型的输入与输出变量
污水处理厂出水总氮浓度是污水处理厂出水水质中含氮污染物的总和，是衡量水质好坏的重要指标，也是水体富营养化的最重要的标志；以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与出水总氮相关的过程变量作为预测模型的输入：氨氮，硝态氮，出水悬浮物浓度，生化需氧量，出水总磷；预测模型的输出为出水总氮值；
(2)建立基于模糊神经网络的智能预测模型
模糊神经网络智能预测模型的拓扑结构共四层：输入层、隐含层、规则层和输出层；确定其5-10-10-1的初始连接方式，即输入特征变量的个数为5，隐含层神经元数为10，规则层神经元数为10，输入层与隐含层之间的连接权值都赋值为1，隐含层与输出层之间的连接权值随机赋值，赋值区间为[-1,1]；设定模糊神经网络智能预测模型的训练数据样本为Q个，用于获取迁徙知识的参考模糊神经网络模型的训练数据样本为N个，则智能预测模型中各层的数学描述如下：
输入层：该层的输入为特征变量，每个输入层神经元的输出为：
xp(t)＝op(t), (1)
其中，xp(t)为第t时刻输入层第p个神经元的输出，t＝1,…,Q，p＝1,,...,5；op(t)为第t时刻输入层第p个神经元的输入，o1(t)表示t时刻氨氮浓度，o2(t)表示t 时刻硝态氮浓度，o3(t)表示t时刻出水悬浮物浓度浓度，o4(t)表示t时刻生化需氧量浓度，o5(t)表示t时刻出水总磷浓度；
隐含层:该层的输入为输入层的输出，该层输出表示为：
Figure BDA0002946612400000071
其中
Figure BDA0002946612400000072
为t时刻隐含层第k个神经元的输出值，k＝1,…,10；cpk(t)为t时刻第 k个隐含层神经元的第p个隶属度函数的中心，在区间(0,1]中随机取值，σpk(t) 为t时刻第k个隐含层神经元的第p个隶属度函数的宽度，在区间(0,1]中随机取值；
规则层：该层的输入为隐含层的输出，每个规则层神经元的输出为：
Figure BDA0002946612400000081
其中，vk(t)为t时刻规则层第k个神经元的输出值；
输出层：该层的输入为规则层的输出，输出层神经元的输出为：
Figure BDA0002946612400000082
其中，y(t)为t时刻模糊神经网络智能预测模型的输出，wk(t)为t时刻第k个规则层神经元与输出神经元之间的权值；
(3)利用迁徙学习算法调整模糊神经网络智能预测模型的参数
①利用历史数据构建用于获取迁徙知识的参考模糊神经网络模型，其网络的结构与智能预测模型相同，参考模糊神经网络模型的输出为：
Figure BDA0002946612400000083
其中，yZ(n)为n时刻参考模糊神经网络模型的输出，n＝1,…,N，
Figure BDA0002946612400000084
为n时刻参考模糊神经网络模型第k个规则层神经元与输出神经元之间的权值，在区间[-1, 1]中随机取值；/>
Figure BDA0002946612400000085
为n时刻参考模糊神经网络模型第k个隐含层神经元的第p 个隶属度函数的中心，在区间(0,1]中随机取值；/>
Figure BDA0002946612400000086
为n时刻参考模糊神经网络模型第k个隐含层神经元的第p个隶属度函数的宽度，在区间(0,1]中随机取值；
②利用梯度下降算法训练参考模糊神经网络模型；参考模糊神经网络模型的中心
Figure BDA0002946612400000087
宽度/>
Figure BDA0002946612400000088
和权值/>
Figure BDA0002946612400000089
的更新规则如下：
Figure BDA00029466124000000810
Figure BDA00029466124000000811
Figure BDA00029466124000000812
Figure BDA00029466124000000813
其中，E(n)为n时刻参考模糊神经网络模型的目标函数，yZd(n)为n时刻参考模糊神经网络模型的期望输出值，λ为梯度下降算法的学习率，在区间[0.01,0.1]中随机取值；
③利用公式(6)计算E(n+1)，若n＝N或E(n+1)<0.01时停止计算，选取n时刻的中心
Figure BDA0002946612400000091
宽度/>
Figure BDA0002946612400000092
和权值/>
Figure BDA0002946612400000093
作为参考模糊神经网络的参数，完成训练；否则n＝n+1返回步骤②；
④从参考模糊神经网络模型中提取参数知识；参数知识表示为
Figure BDA0002946612400000094
其中，
Figure BDA0002946612400000095
为n时刻从参考模糊神经网络模型提取的第k个参数知识，/>
Figure BDA0002946612400000096
Figure BDA0002946612400000097
为n时刻从参考模糊神经网络模型提取的参数知识；
⑤利用粒子滤波算法调整参数知识，粒子滤波算法包含三个步骤：知识采样，知识评估，知识融合；知识采样过程为
Kl(t)＝KZ(n)+δl(t), (11)
其中，Kl(t)为t时刻的第l个采样参数，l＝1,…,L，L为采样参数的个数，L＝30。δl(t)为随机采样向量，采样向量的每个值在区间[0,1]中随机取值；
知识评价包括知识多样性和知识匹配度两个指标，两个指标表示为
Figure BDA0002946612400000098
Figure BDA0002946612400000099
其中，Ml(t)为t时刻第l个采样参数对智能预测模型训练数据样本的预测误差， y(Kl(t),o(t))为t时刻以第l个采样参数作为参数的模糊神经网络输出值，yd(t)为t 时刻模糊神经网络智能预测模型的期望输出值，o(t)＝[o1(t),…,o5(t)]为t时刻模糊神经网络智能预测模型的输入，Dl(t)为t时刻第l个采样参数与参数知识的归一化余弦距离，cos(Kl(t),KZ(t))为第l个采样参数和参数知识之间的余弦值；基于以上两个指标，知识评价结果为
Figure BDA00029466124000000910
其中，ωl(t)为t时刻第l个采样知识的重要性权值；
知识融合过程可以表示为
Figure BDA00029466124000000911
其中，
Figure BDA00029466124000000912
为t时刻得到的重构知识，第k个重构知识表示为
Figure BDA0002946612400000101
⑥利用重构知识和数据调整模糊神经网络智能预测模型的参数；智能预测模型的目标函数为
Figure BDA0002946612400000102
其中，EKD(t)为t时刻智能预测模型的目标函数，e(t)＝y(t)-yd(t)为t时刻模糊神经网络智能预测模型的输出误差，α(t)和β(t)为平衡参数，α(t)在区间(0.5,1]之间取值，β(t)在区间(0,0.1]之间取值；cpk(t)，σpk(t)，wk(t)，α(t)和β(t)的更新规则如下：
Figure BDA0002946612400000103
Figure BDA0002946612400000104
Figure BDA0002946612400000105
Figure BDA0002946612400000106
Figure BDA0002946612400000107
⑦利用公式(17)计算EKD(t+1)，若t＝Q或EKD(t+1)<0.01时停止计算，选取t 时刻的中心cpk(t)，宽度σpk(t)和权值wk(t)作为模糊神经网络的参数，完成训练；否则t＝t+1，返回步骤⑥；
(5)出水总氮浓度预测
利用训练好的模糊神经网络智能预测模型预测出水总氮；使用采集到的氨氮，硝态氮，出水悬浮物浓度，生化需氧量，出水总磷作为模型的输入变量，得到模型的出水总氮预测输出值。

Claims (1)

1.一种基于模糊迁徙的出水总氮预测方法，其特征在于，建立基于模糊神经网络的智能预测模型，利用迁徙学习算法调整模糊神经网络预测模型的参数，解决了实际总氮预测过程中数据缺失和数据不足的问题，实现出水总氮浓度的实时预测，包括以下步骤：
(1)确定总氮预测模型的输入与输出变量
污水处理厂出水总氮浓度是污水处理厂出水水质中含氮污染物的总和，是衡量水质好坏的重要指标，也是水体富营养化的最重要的标志；以活性污泥法污水处理过程为研究对象，对污水处理过程变量进行特征分析，选取与出水总氮相关的过程变量作为预测模型的输入：氨氮，硝态氮，出水悬浮物浓度，生化需氧量，出水总磷；预测模型的输出为出水总氮值；
(2)建立基于模糊神经网络的智能预测模型
模糊神经网络智能预测模型的拓扑结构共四层：输入层、隐含层、规则层和输出层；确定模糊神经网络智能预测模型5-10-10-1的初始连接方式，即输入特征变量的个数为5，隐含层神经元数为10，规则层神经元数为10，输入层与隐含层之间的连接权值都赋值为1，隐含层与输出层之间的连接权值随机赋值，赋值区间为[-1,1]；设定模糊神经网络智能预测模型的训练数据样本为Q个，用于获取迁徙知识的参考模糊神经网络模型的训练数据样本为N个，则智能预测模型中各层的数学描述如下：
输入层：该层的输入为特征变量，每个输入层神经元的输出为：
xp(t)＝op(t), (1)
其中，xp(t)为第t时刻输入层第p个神经元的输出，t＝1,…,Q，p＝1,...,5；op(t)为第t时刻输入层第p个神经元的输入，o1(t)表示t时刻氨氮浓度，o2(t)表示t时刻硝态氮浓度，o3(t)表示t时刻出水悬浮物浓度浓度，o4(t)表示t时刻生化需氧量浓度，o5(t)表示t时刻出水总磷浓度；
隐含层:该层的输入为输入层的输出，该层输出表示为：
Figure QLYQS_1
其中
Figure QLYQS_2
为t时刻隐含层第k个神经元的输出值，k＝1,…,10；cpk(t)为t时刻第k个隐含层神经元的第p个隶属度函数的中心，在区间(0,1]中随机取值，σpk(t)为t时刻第k个隐含层神经元的第p个隶属度函数的宽度，在区间(0,1]中随机取值；
规则层：该层的输入为隐含层的输出，每个规则层神经元的输出为：
Figure QLYQS_3
其中，vk(t)为t时刻规则层第k个神经元的输出值；
输出层：该层的输入为规则层的输出，输出层神经元的输出为：
Figure QLYQS_4
其中，y(t)为t时刻模糊神经网络智能预测模型的输出，wk(t)为t时刻第k个规则层神经元与输出神经元之间的权值；
(3)利用迁徙学习算法调整模糊神经网络智能预测模型的参数
①利用历史数据构建用于获取迁徙知识的参考模糊神经网络模型，其网络的结构与智能预测模型相同，参考模糊神经网络模型的输出为：
Figure QLYQS_5
其中，yZ(n)为n时刻参考模糊神经网络模型的输出，n＝1,…,N，
Figure QLYQS_6
为n时刻参考模糊神经网络模型第k个规则层神经元与输出神经元之间的权值，在区间[-1,1]中随机取值；
Figure QLYQS_7
为n时刻参考模糊神经网络模型第k个隐含层神经元的第p个隶属度函数的中心，在区间(0,1]中随机取值；/>
Figure QLYQS_8
为n时刻参考模糊神经网络模型第k个隐含层神经元的第p个隶属度函数的宽度，在区间(0,1]中随机取值；
②利用梯度下降算法训练参考模糊神经网络模型；参考模糊神经网络模型的中心
Figure QLYQS_9
宽度/>
Figure QLYQS_10
和权值/>
Figure QLYQS_11
的更新规则如下：
Figure QLYQS_12
Figure QLYQS_13
Figure QLYQS_14
Figure QLYQS_15
其中，E(n)为n时刻参考模糊神经网络模型的目标函数，yZd(n)为n时刻参考模糊神经网络模型的期望输出值，λ为梯度下降算法的学习率，在区间[0.01,0.1]中随机取值；
③利用公式(6)计算E(n+1)，若n＝N或E(n+1)<0.01时停止计算，选取n时刻的中心
Figure QLYQS_16
宽度/>
Figure QLYQS_17
和权值/>
Figure QLYQS_18
作为参考模糊神经网络的参数，完成训练；否则n＝n+1返回步骤②；
④从参考模糊神经网络模型中提取参数知识；参数知识表示为
Figure QLYQS_19
其中，
Figure QLYQS_20
为n时刻从参考模糊神经网络模型提取的第k个参数知识，/>
Figure QLYQS_21
Figure QLYQS_22
为n时刻从参考模糊神经网络模型提取的参数知识；
⑤利用粒子滤波算法调整参数知识，粒子滤波算法包含三个步骤：知识采样，知识评估，知识融合；知识采样过程为
Kl(t)＝KZ(n)+δl(t), (11)
其中，Kl(t)为t时刻的第l个采样参数，l＝1,…,L，L为采样参数的个数，L＝30；δl(t)为随机采样向量，采样向量的每个值在区间[0,1]中随机取值；
知识评价包括知识多样性和知识匹配度两个指标，两个指标表示为
Figure QLYQS_23
Figure QLYQS_24
其中，Ml(t)为t时刻第l个采样参数对智能预测模型训练数据样本的预测误差，y(Kl(t),o(t))为t时刻以第l个采样参数作为参数的模糊神经网络输出值，yd(t)为t时刻模糊神经网络智能预测模型的期望输出值，o(t)＝[o1(t),…,o5(t)]为t时刻模糊神经网络智能预测模型的输入，Dl(t)为t时刻第l个采样参数与参数知识的归一化余弦距离，cos(Kl(t),KZ(t))为第l个采样参数和参数知识之间的余弦值；基于以上两个指标，知识评价结果为
Figure QLYQS_25
其中，ωl(t)为t时刻第l个采样知识的重要性权值；
知识融合过程可以表示为
Figure QLYQS_26
其中，
Figure QLYQS_27
为t时刻得到的重构知识，第k个重构知识表示为
Figure QLYQS_28
⑥利用重构知识和数据调整模糊神经网络智能预测模型的参数；智能预测模型的目标函数为
Figure QLYQS_29
其中，EKD(t)为t时刻智能预测模型的目标函数，e(t)＝y(t)-yd(t)为t时刻模糊神经网络智能预测模型的输出误差，α(t)和β(t)为平衡参数，α(t)在区间(0.5,1]之间取值，β(t)在区间(0,0.1]之间取值；cpk(t)，σpk(t)，wk(t)，α(t)和β(t)的更新规则如下：
Figure QLYQS_30
Figure QLYQS_31
Figure QLYQS_32
Figure QLYQS_33
Figure QLYQS_34
⑦利用公式(17)计算EKD(t+1)，若t＝Q或EKD(t+1)<0.01时停止计算，选取t时刻的中心cpk(t)，宽度σpk(t)和权值wk(t)作为模糊神经网络的参数，完成训练；否则t＝t+1，返回步骤⑥；
(5)出水总氮浓度预测
利用训练好的模糊神经网络智能预测模型预测出水总氮；使用采集到的氨氮，硝态氮，出水悬浮物浓度，生化需氧量，出水总磷作为模型的输入变量，得到模型的出水总氮预测输出值。
CN202110196095.9A 2021-02-22 2021-02-22 一种基于模糊迁徙的出水总氮预测方法 Active CN113156074B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110196095.9A CN113156074B (zh) 2021-02-22 2021-02-22 一种基于模糊迁徙的出水总氮预测方法
US17/676,692 US20220267169A1 (en) 2021-02-22 2022-02-21 Intelligent Detection System of Effluent Total Nitrogen based on Fuzzy Transfer Learning Algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110196095.9A CN113156074B (zh) 2021-02-22 2021-02-22 一种基于模糊迁徙的出水总氮预测方法

Publications (2)

Publication Number Publication Date
CN113156074A CN113156074A (zh) 2021-07-23
CN113156074B true CN113156074B (zh) 2023-06-23

Family

ID=76883434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110196095.9A Active CN113156074B (zh) 2021-02-22 2021-02-22 一种基于模糊迁徙的出水总氮预测方法

Country Status (2)

Country Link
US (1) US20220267169A1 (zh)
CN (1) CN113156074B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814130B (zh) * 2022-03-04 2024-04-26 北京工业大学 一种基于非奇异梯度下降算法的区间二型模糊神经网络的出水总氮智能检测方法
CN114912543A (zh) * 2022-06-06 2022-08-16 北京工业大学 一种基于自编码神经网络的城市污水处理过程缺失数据在线补偿方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122134A (zh) * 2011-02-14 2011-07-13 华南理工大学 基于模糊神经网络的溶解氧控制的废水处理方法及***
CN108898215B (zh) * 2018-07-18 2022-06-14 北京工业大学 一种基于二型模糊神经网络的污泥膨胀智能辨识方法
CN110197704B (zh) * 2019-04-18 2021-06-04 北京工业大学 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
CN111125907B (zh) * 2019-12-23 2023-09-01 河南理工大学 一种基于混合智能模型的污水处理氨氮软测量方法
CN111354423B (zh) * 2020-02-29 2024-03-08 北京工业大学 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
CN111612175A (zh) * 2020-05-11 2020-09-01 北京工业大学 一种基于模糊迁移学习的废旧手机智能定价方法
CN112183719B (zh) * 2020-09-15 2024-02-02 北京工业大学 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法

Also Published As

Publication number Publication date
US20220267169A1 (en) 2022-08-25
CN113156074A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN102854296B (zh) 一种基于集成神经网络的污水处理软测量方法
CN105510546B (zh) 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法
US10570024B2 (en) Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network
CN112183719B (zh) 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法
CN107358021B (zh) 一种基于优化bp神经网络的do预测模型建立方法
CN104360035B (zh) 一种基于自组织粒子群-径向基神经网络的污水总磷tp软测量方法
CN113156074B (zh) 一种基于模糊迁徙的出水总氮预测方法
CN107402586A (zh) 基于深度神经网络的溶解氧浓度控制方法及***
CN111354423A (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
CN105574326A (zh) 一种基于自组织模糊神经网络的出水氨氮浓度软测量方法
CN107247888B (zh) 基于储备池网络的污水处理出水总磷tp软测量方法
CN112989704B (zh) 一种基于de算法的irfm-cmnn出水bod浓度预测方法
CN109473182A (zh) 一种基于深度信念网络的mbr膜透水率智能检测方法
CN113077039A (zh) 基于任务驱动rbf神经网络的出水总氮tn软测量方法
CN111125907B (zh) 一种基于混合智能模型的污水处理氨氮软测量方法
CN108536106A (zh) 一种基于卡尔曼滤波-极限学习机的曝气***溶解氧在线调控方法
CN112417765A (zh) 一种基于改进师生网络模型的污水处理过程故障检测方法
CN115713448A (zh) 基于汇水单元的流域水污染常规因子快速溯源方法
CN115206444A (zh) 基于fcm-anfis模型的最佳投药量预测方法
CN114119277A (zh) 一种基于人工智能神经网络的絮凝投药决策的分析方法
CN106769748B (zh) 膜生物反应器-mbr出水透水率的智能检测***
CN109359741A (zh) 一种废水处理进水水质时序变化智能预测方法
CN117371616A (zh) 优化广义回归神经网络的土体冻胀率预测方法
CN114861543A (zh) 一种数据驱动的石化污水可生化性智能评价方法
CN117350149A (zh) 一种基于分层滤波知识的出水总磷检测方法

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
GR01 Patent grant
GR01 Patent grant