CN113221436A - 一种基于改进型rbf神经网络的污水悬浮物浓度软测量方法 - Google Patents
一种基于改进型rbf神经网络的污水悬浮物浓度软测量方法 Download PDFInfo
- Publication number
- CN113221436A CN113221436A CN202110300716.3A CN202110300716A CN113221436A CN 113221436 A CN113221436 A CN 113221436A CN 202110300716 A CN202110300716 A CN 202110300716A CN 113221436 A CN113221436 A CN 113221436A
- Authority
- CN
- China
- Prior art keywords
- vector
- sewage
- matrix
- neural network
- formula
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000000691 measurement method Methods 0.000 title claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 82
- 238000005259 measurement Methods 0.000 claims abstract description 39
- 210000002569 neuron Anatomy 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 239000000725 suspension Substances 0.000 claims description 6
- 238000005273 aeration Methods 0.000 claims description 5
- 238000004062 sedimentation Methods 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000010802 sludge Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 239000007787 solid Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Dispersion Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于改进型RBF神经网络的污水悬浮物浓度软测量方法,首先使用减聚类算法自动确定出隐层神经元的个数,然后再使用差分进化算法优化得到各个隐层神经元的中心点向量,从而基于这种改进RBF神经网络模型建立污水悬浮物浓度的软测量模型。本发明方法的优势在于:首先,本发明方法在建立污水悬浮物浓度软测量模型时,不随意人为确定RBF神经网络模型中隐层神经元的个数,而是通过减聚类算法确定隐层神经元个数。其次,本发明方法通过差分进化算法优化求解得到隐层神经元的中心点向量,能有效的降低软测量误差。
Description
技术领域
本发明涉及一种污水处理***排污口的污水悬浮物浓度软测量方法,特别涉及一种基 于改进型RBF神经网络的污水悬浮物浓度软测量方法。
背景技术
近年来,随着对环境问题尤其是水污染问题的愈发重视,对污水处理厂进行合适的操 控从而保证排污口的水质达标已经得到了越来越多的关注。污水处理厂对污水处理过程的调 控能直接影响到自然水环境以及公众的健康,因为不适宜的污水处理会将有害物质排放进大 自然中,从而会传播疾病影响大众生活与工作。
在污水处理过程的调控中,比较关键的一步是实时监测排污口的污水悬浮物浓度。污 水悬浮物浓度超标,会使水体变得浑浊不堪,影响水体的外观。更严重者,会妨碍表层水和 深层水的对流,造成河道或水渠的淤塞。现阶段对污水悬浮物浓度的快速测量仪器是依靠多 光束的RD测量技术,通过测量透射光率计算污水中悬浮物浓度。但这种方式的测量精度得 不到有效保障。另外一种测量方式是通过试纸采样,称量后烘干,从而得到悬浮物的质量, 进而可直接计算悬浮物的浓度。这种方式测量的精度较高,但是测量耗时相对较长。
目前阶段,由于国内大部分污水处理厂的自动化程度较低,对污水悬浮物浓度以及其 他变量的测量基本上是按照天开展的,即每天测量一组数据。前期积累的数据为开展污水悬 浮物浓度的软测量奠定了基础。现有技术中,由于径向基函数(Radial BasisFunction,缩写: RBF)神经网络结构简单与训练方便等特点,已经被用于实施软测量。然而,RBF神经网络 用于软测量污水悬浮物浓度时,其软测量精度还有待商榷。一方面,由于污水处理过程中影 响排污口污水悬浮物浓度的因素非常复杂;另一方面,RBF神经网络自身也会受到其隐层神 经元个数及其RBF中心点的影响。
发明内容
本发明所要解决的主要技术问题是:如何自动确定出RBF神经网络隐层神经元个数及 其相应的RBF中心点向量,并在此基础上建立污水悬浮物浓度的软测量模型。具体来讲,本 发明方法首先使用减聚类算法自动确定出隐层神经元的个数,然后再使用差分进化算法优化 得到各个隐层神经元的中心点向量,进而基于这种改进RBF神经网络模型建立污水悬浮物浓 度的软测量模型。
本发明方法解决上述问题所采用的技术方案为:一种基于改进型RBF神经网络的污水 悬浮物浓度软测量方法,包括以下所示步骤:
步骤(1):先确定软测量模型的输入变量,具体由污水进站,曝气池,和沉淀池这三个污水处理环节的测量变量组成;其中,污水进站的测量变量依次包括:入水流量,入水温度,入水色度,入水氯离子浓度,入水悬浮物浓度,入水PH值;曝气池中的测量变量依次包括:投料量,污水色度,污水悬浮物浓度,污水PH值,生化需氧量;沉淀池中的测量变量依 次包括:污水PH值和污泥量;再确定软测量模型的输出变量为污水出站口的污水悬浮物浓度。
步骤(2):连续采集n天的数据,将每天采集到的输入变量对应的数据存储为一个m×1 维的数据向量,则依次得到n个数据向量x1,x2,…,xn,并将n天的输出变量对应的数据存储 为一个n×1维的数据向量y0;其中,第i天的数据向量xi中的元素按照步骤(1)中输入变量 的先后顺序排列,i∈{1,2,…,n},m等于步骤(1)中输入变量的总数;
步骤(3):组建矩阵X=[x1,x2,…,xn]T后,将矩阵X中的各列向量依次记录为 y1,y2,…,ym,再按照如下所示公式对X中的各列向量以及y0实施归一化处理,得到归一化后 的输入矩阵和输出向量
其中,上标号T表示矩阵或向量的转置,J∈{0,1,2,…,m},yJ(min)和yJ(max)分别表示yJ中元素的最小值和最大值。
步骤(4):利用减聚类算法确定RBF神经网络的隐层神经元的个数H,具体的实施过程如步骤(4.1)至步骤(4.4)所示。
其中,γ2=1.5γ1。
步骤(4.4):将中的最大值及其对应的行向量分别记录为和后,判断 是否满足条件若否,则设置h=h+1后,再设置和后,返回步骤(4.3);若是,则设置隐层神经元的个数H=h;其中,η表示阈值,其建议的取值范围是 10-4≤η≤10-2。
步骤(5):利用差分进化算法优化得到H个中心点向量c1,c2,…,cH,具体的实施过程 如步骤(5.1)至步骤(5.8)所示。
步骤(5.1):初始化迭代次数g=1,确定差分进化算法的参数,具体包括:种群个数N,缩放因子zf,交叉概率cp,最大迭代次数G。
步骤(5.2):随机产生N个H×m维的种群矩阵U1,U2,…,UN,每个种群矩阵中的元素都按照均匀分布随机取值于区间[0,1]。
步骤(5.3):计算种群矩阵U1,U2,…,UN分别对应的目标函数值L1,L2,…,LN;其中,计算第k个种群矩阵Uk对应的目标函数值Lk的具体实施过程如步骤(5.3-1)至步骤(5.3-3)所示,k∈{1,2,…,N}。
其中,vi(h)表示vi∈RH×1中的第h个元素,δk是对应于第k个种群矩阵Uk的RBF参数,Uk(h)表示Uk中第h行的行向量,h∈{1,2,…,H},k∈{1,2,…,N},RH×1表示H×1维的 实数向量,R表示实数集。
步骤(5.3-1)中需要确定δk才可以计算隐层输出向量,本发明方法提供一种客观的 RBF参数确定方法:计算种群矩阵Uk中各行向量之间的距离后,将最大的距离记录为β,则 RBF参数δk=β2/H。
步骤(5.4):将L1,L2,…,LN中最小值对应的种群矩阵,RBF参数,和输出层权重向量分别记录为Ubest,δbest和θbest后,执行差分进化算法的种群更新操作,得到更新后的N个种群矩阵U1,U2,…,UN,具体的实施过程如步骤(5.4-1)至步骤(5.4-6)所示。
步骤(5.4-1):根据如下所示公式分别为种群矩阵U1,U2,…,UN产生一个对应的变异矩 阵M1,M2,…,MN:
Mk=Uk+zf×(Ubest-Uk)+zf×(Ua-Ub) ⑤
上式中,k∈{1,2,…,N},下标号a与b是从区间[1,N]中随机产生的2个互不相等的整 数。
步骤(5.4-2):按照如下所示公式对变异矩阵Mk进行修正:
上式中,Mk(h,d)表示变异矩阵Mk∈RH×m中的第h行第d列的元素,d∈{1,2,…,m},RH×m表示H×m维的实数矩阵。
步骤(5.4-3):根据如下所示公式产生N个尝试矩阵W1,W2,…,WN:
其中,Wk(h,d)与Uk(h,d)分别表示Wk∈RH×m与Uk∈RH×m中的第h行第d列的元素, r(h,d)表示0至1之间的随机数。
步骤(5.4-4):依据如下所示公式更新种群矩阵U1,U2,…,UN:
步骤(5.5):判断是否满足条件g>G;若否,则设置g=g+1后返回步骤(5.3);若是,则将Ubest中的各行向量依次记录为中心点向量c1,c2,…,cH。
步骤(6):搭建一个RBF神经网络模型,其中,输入层神经元的个数等于m,隐层神经元的个数等于H,输出层神经元的个数等于1,隐层神经元的中心点向量是c1,c2,…,cH,RBF参数为δbest,输出层神经元的权重向量为θbest。
步骤(7):根据步骤(1)中的m个输入变量,采集污水处理厂新一天的数据,并将 其存储为一个1×m维的数据向量z;其中,数据向量z中的元素需依次按照步骤(1)所述的 输入变量的先后顺序进行排列。
步骤(8):按照公式对z中的各个元素进行 归一化处理,得到归一化后的数据向量其中,z(d)与分别表示z与中的第d个 元素,d∈{1,2,…,m},yd(max)和yd(min)分别表示矩阵X中第d列向量yd中元素的最大值和最小值。
步骤(9.1):根据如下所示公式计算RBF神经网络的隐层输出向量u∈RH×1:
通过以上所述实施步骤,本发明方法的优势介绍如下。
首先,本发明方法在建立污水悬浮物浓度软件测量模型时,不随意人为确定RBF神经 网络模型中隐层神经元的个数,而是通过减聚类算法确定隐层神经元个数。其次,本发明方 法通过差分进化算法优化求解得到隐层神经元的中心点向量,能最大程度的保证软测量误差。 此外,本发明方法确定的输入变量是通过多次实验验证后确定的,利用RBF神经网路实施软 件测量时,这些输入变量都能提供相应的作用。
附图说明
图1为本发明方法的实施流程示意图。
图2为污水处理厂的流程示意图。
图3为排污口磷含量测量精度的展示图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,本发明公开了一种基于改进型RBF神经网络的污水悬浮物浓度软测量方 法,下面结合一个具体应用实例来说明本发明方法的具体实施方式。
本实施案例中的污水处理厂的流程如图2所示。在本实施案例中,共连续采集了212天 的测量数据;其中,将前112天的数据向量用于模型训练,后100天的数据向量分别当成新一 天采样的数据向量,用于验证污水悬浮物浓度的软测量结果。首先,实施如下所示步骤(1) 至步骤(6),从而建立基于RBF神经网络的软测量模型。
步骤(1):确定污水悬浮物浓度软测量模型的输入变量,具体由三个污水处理环节的 测量变量组成。
步骤(2):连续采集n天的数据,将每天采集到的输入变量对应的数据存储为一个m×1 维的数据向量,则依次得到n个数据向量x1,x2,…,xn,并将n天的输出变量对应的数据存储 为一个n×1维的数据向量y0。
步骤(4):利用减聚类算法确定RBF神经网络的隐层神经元的个数H,具体的实施过程如前述步骤(4.1)至步骤(4.4)所示。
步骤(5):利用差分进化算法优化得到隐层神经元的H个中心点向量c1,c2,…,cH以及 RBF参数δbest,具体的实施过程如步骤(5.1)至步骤(5.8)所示。
步骤(6):搭建一个RBF神经网络模型,其中,输入层神经元的个数等于m,隐层神经元的个数等于H,输出层神经元的个数等于1,隐层神经元的中心点向量是c1,c2,…,cH,RBF参数为δbest,输出层神经元的权重向量为θbest。
完成上述步骤(1)至步骤(6)后,即可实施如下所示步骤(7)至步骤(10)的污 水悬浮物浓度的软测量。
步骤(7):根据步骤(1)中的m个输入变量,采集污水处理厂新一天的数据,并将 其存储为一个1×m维的数据向量z;其中,数据向量z中的元素需依次为:污水进站的入水 流量Qin,入水温度Tin,入水色度Cin,入水氯离子浓度Clin,入水悬浮物固体浓度Din,入水 PH值Pin;曝气池中的投料量Qa,污水色度Ca,污水悬浮物固体浓度Da,污水PH值Pa,生 化需氧量Oa;沉淀池中的污水PH值Ps和污泥量Vs。
通过对比步骤(10)中的污水悬浮物浓度的软测量值与实际通过化学手段测量得到的 悬浮物浓度进行拟合程度分析,相应的结果展示于图3中。从图3中可以看出,本发明方法 具备较强的拟合精度,基本上接近于实测的污水悬浮物浓度。
Claims (3)
1.一种基于改进型RBF神经网络的污水悬浮物浓度软测量方法,其特征在于,包括如下所示步骤:
步骤(1):先确定软测量模型的输入变量,具体由污水进站,曝气池,和沉淀池这三个污水处理环节的测量变量组成;其中,污水进站的测量变量依次包括:入水流量,入水温度,入水色度,入水氯离子浓度,入水悬浮物浓度,入水PH值;曝气池中的测量变量依次包括:投料量,污水色度,污水悬浮物浓度,污水PH值,生化需氧量;沉淀池中的测量变量依次包括:污水PH值和污泥量;再确定软测量模型的输出变量为污水出站口的污水悬浮物浓度;
步骤(2):连续采集n天的数据,将每天采集到的输入变量对应的数据存储为一个m×1维的数据向量,则依次得到n个数据向量x1,x2,…,xn,并将n天的输出变量对应的数据存储为一个n×1维的数据向量y0;其中,第i天的数据向量xi中的元素按照步骤(1)中输入变量的先后顺序排列,i∈{1,2,…,n},m等于步骤(1)中输入变量的总个数;
其中,上标号T表示矩阵或向量的转置,下标号J∈{0,1,2,…,m},yJ(min)和yJ(max)分别表示yJ中元素的最小值和最大值;
步骤(4):利用减聚类算法确定RBF神经网络的隐层神经元的个数H,具体的实施过程如步骤(4.1)至步骤(4.4)所示;
其中,γ2=1.5γ1;
步骤(5):利用差分进化算法优化得到隐层神经元的H个中心点向量c1,c2,…,cH以及RBF参数δbest,具体的实施过程如步骤(5.1)至步骤(5.8)所示;
步骤(5.1):初始化迭代次数g=1,确定差分进化算法的参数,具体包括:种群个数N,缩放因子zf,交叉概率cp,最大迭代次数G;
步骤(5.2):随机产生N个H×m维的种群矩阵U1,U2,…,UN,每个种群矩阵中的元素都按照均匀分布随机取值于区间[0,1];
步骤(5.3):计算种群矩阵U1,U2,…,UN分别对应的目标函数值L1,L2,…,LN;其中,计算第k个种群矩阵Uk对应的目标函数值Lk的具体实施过程如步骤(5.3-1)至步骤(5.3-3)所示;
其中,vi(h)表示vi∈RH×1中的第h个元素,δk是对应于第k个种群矩阵Uk的RBF参数,Uk(h)表示Uk中第h行的行向量,h∈{1,2,…,H},k∈{1,2,…,N},RH×1表示H×1维的实数向量,R表示实数集;
步骤(5.4):将L1,L2,…,LN中最小值对应的种群矩阵,RBF参数,和输出层权重向量分别记录为Ubest,δbest和θbest后,执行差分进化算法的种群更新操作,得到更新后的N个种群矩阵U1,U2,…,UN;
步骤(5.5):判断是否满足条件g>G;若否,则设置g=g+1后返回步骤(5.3);若是,则保留RBF参数δbest和输出层权重向量θbest,并将Ubest中的各个行向量依次记录为中心点向量c1,c2,…,cH;
步骤(6):搭建一个RBF神经网络模型,其中,输入层神经元的个数等于m,隐层神经元的个数等于H,输出层神经元的个数等于1,隐层神经元的中心点向量是c1,c2,…,cH,RBF参数为δbest,输出层神经元的权重向量为θbest;
步骤(7):根据步骤(1)中的m个输入变量,采集污水处理厂新一天的数据,并将其存储为一个1×m维的数据向量z;其中,数据向量z中的元素需依次按照步骤(1)所述的输入变量的先后顺序进行排列;
步骤(8):按照公式对z中的各个元素进行归一化处理,得到归一化后的数据向量其中,z(d)与分别表示z与中的第d个元素,d∈{1,2,…,m},yd(max)和yd(min)分别表示yd中元素的最大值和最小值;
步骤(9.1):根据如下所示公式计算RBF神经网络的隐层输出向量u∈RH×1:
2.根据权利要求1所述的一种基于改进型RBF神经网络的污水悬浮物浓度软测量方法,其特征在于,所述步骤(5.4)中差分进化算法的种群更新操作的具体实施过程如下所示:
步骤(5.4-1):根据如下所示公式分别为种群矩阵U1,U2,…,UN产生一个对应的变异矩阵M1,M2,…,MN:
Mk=Uk+zf×(Ubest-Uk)+zf×(Ua-Ub) ⑥
上式中,k∈{1,2,…,N},下标号a与b是从区间[1,N]中随机产生的2个互不相等的整数;
步骤(5.4-2):按照如下所示公式对变异矩阵Mk中各元素进行修正:
上式中,Mk(h,d)表示变异矩阵Mk∈RH×m中的第h行第d列的元素,d∈{1,2,…,m},RH×m表示H×m维的实数矩阵;
步骤(5.4-3):根据如下所示公式产生N个尝试矩阵W1,W2,…,WN:
其中,Wk(h,d)与Uk(h,d)分别表示Wk∈RH×m与Uk∈RH×m中的第h行第d列的元素,r(h,d)表示0至1之间的随机数;
步骤(5.4-4):依据如下所示公式更新种群矩阵U1,U2,…,UN:
3.根据权利要求1所述的一种基于改进型RBF神经网络的污水悬浮物浓度软测量方法,其特征在于,所述步骤(5.3-1)中确定RBF参数δk的具体实施过程如下所示:
首先,计算种群矩阵Uk中各个行向量之间的距离后,将最大的距离记录为β;
其次,根据公式δk=β2/H计算RBF参数δk。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300716.3A CN113221436A (zh) | 2021-03-13 | 2021-03-13 | 一种基于改进型rbf神经网络的污水悬浮物浓度软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300716.3A CN113221436A (zh) | 2021-03-13 | 2021-03-13 | 一种基于改进型rbf神经网络的污水悬浮物浓度软测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221436A true CN113221436A (zh) | 2021-08-06 |
Family
ID=77083784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300716.3A Pending CN113221436A (zh) | 2021-03-13 | 2021-03-13 | 一种基于改进型rbf神经网络的污水悬浮物浓度软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221436A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113946608A (zh) * | 2021-09-22 | 2022-01-18 | 宁波大学科学技术学院 | 一种基于在线rbf神经网络的风力发电机组运行状态监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003081527A1 (en) * | 2002-03-26 | 2003-10-02 | Council Of Scientific And Industrial Research | Improved performance of artificial neural network models in the presence of instrumental noise and measurement errors |
CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
CN101315557A (zh) * | 2008-06-25 | 2008-12-03 | 浙江大学 | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 |
CN111914476A (zh) * | 2020-06-23 | 2020-11-10 | 宁波大学 | 一种脱丁烷塔底部产品丁烷含量的在线软测量方法 |
-
2021
- 2021-03-13 CN CN202110300716.3A patent/CN113221436A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003081527A1 (en) * | 2002-03-26 | 2003-10-02 | Council Of Scientific And Industrial Research | Improved performance of artificial neural network models in the presence of instrumental noise and measurement errors |
CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
CN101315557A (zh) * | 2008-06-25 | 2008-12-03 | 浙江大学 | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 |
CN111914476A (zh) * | 2020-06-23 | 2020-11-10 | 宁波大学 | 一种脱丁烷塔底部产品丁烷含量的在线软测量方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113946608A (zh) * | 2021-09-22 | 2022-01-18 | 宁波大学科学技术学院 | 一种基于在线rbf神经网络的风力发电机组运行状态监测方法 |
CN113946608B (zh) * | 2021-09-22 | 2024-05-31 | 宁波大学科学技术学院 | 一种基于在线rbf神经网络的风力发电机组运行状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
AU2021101438A4 (en) | Adaptive control method and system for aeration process | |
CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
CN108469507B (zh) | 一种基于自组织rbf神经网络的出水bod软测量方法 | |
CN109828089B (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
CN107728477A (zh) | 一种工厂化水产养殖水质溶解氧预测控制方法及*** | |
CN114275912B (zh) | 一种基于自适应神经网络模型的曝气***溶解氧控制方法 | |
CN109657790B (zh) | 一种基于pso的递归rbf神经网络出水bod预测方法 | |
CN109473182B (zh) | 一种基于深度信念网络的mbr膜透水率智能检测方法 | |
CN108536106B (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 | |
CN112989704B (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
CN115793471A (zh) | 一种基于污水处理监测的可调式控制方法及*** | |
CN110837929A (zh) | 基于自适应遗传算法的最小二乘支持向量机用电预测方法 | |
CN114417740B (zh) | 一种深海养殖态势感知方法 | |
CN113189881A (zh) | 一种污水处理多目标优化控制方法及*** | |
CN109978024B (zh) | 一种基于互联模块化神经网络的出水bod预测方法 | |
CN113221436A (zh) | 一种基于改进型rbf神经网络的污水悬浮物浓度软测量方法 | |
CN110705752A (zh) | 基于anfis与机理模型的污水bod实时预测方法 | |
CN110412878B (zh) | Pid-rbf稳态估计与lssvm软测量污水bod控制方法 | |
Grieu et al. | KSOM and MLP neural networks for on-line estimating the efficiency of an activated sludge process | |
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 | |
CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
CN112794550A (zh) | 基于人工智能解决污水处理厂出水cod超标的方法及*** | |
CN113222324B (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 | |
CN110837886A (zh) | 一种基于elm-sl0神经网络的出水nh4-n软测量方法 |
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 |