專(zhuān)利名稱(chēng)：Cod軟測(cè)量的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及污水處理過(guò)程中出水水質(zhì)指標(biāo)的軟測(cè)量方法，尤其是利用快速EFAST方法簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)COD進(jìn)行軟測(cè)量的方法。

背景技術(shù)：
污水處理，實(shí)質(zhì)上就是采用必要的處理方法與處理流程，將污水中的污染物分離出去或?qū)⑵滢D(zhuǎn)化為無(wú)害的物質(zhì)，從而使污水得到凈化?，F(xiàn)代污水處理方法按其作用機(jī)制，可分為物理處理法，化學(xué)處理法，物理化學(xué)處理法和生物化學(xué)處理法四大類(lèi)。其中生物化學(xué)處理法是一類(lèi)最常用的污水處理方法，其主要功能是利用微生物的代謝作用，使污水中呈溶解和膠體狀態(tài)的有機(jī)污染物轉(zhuǎn)化為穩(wěn)定的無(wú)害物質(zhì)。它的優(yōu)點(diǎn)是有機(jī)物去除率高，運(yùn)行成本低，在城市污水和可生物降解的工業(yè)廢水處理中尚沒(méi)有可與之相媲美的方法。其中的活性污泥法是近年來(lái)引起國(guó)內(nèi)外廣泛重視，研究和應(yīng)用日趨增多的好氧生化處理工藝之一。但是，一方面，由于污水生物處理過(guò)程的生產(chǎn)條件惡劣，隨機(jī)干擾嚴(yán)重，具有多輸入、多輸出、不確定性、強(qiáng)非線性、大時(shí)變等特點(diǎn)，使該過(guò)程極其復(fù)雜，難以用數(shù)學(xué)模型來(lái)描述；另一方面，一個(gè)好的針對(duì)非線性系統(tǒng)的智能化模型將有助于描述活性污泥系統(tǒng)的反應(yīng)過(guò)程，有助于模擬活性污泥系統(tǒng)的動(dòng)態(tài)變化和對(duì)各項(xiàng)水質(zhì)指標(biāo)的影響以指導(dǎo)實(shí)際的生產(chǎn)運(yùn)行，從根本上提高污水處理的高效穩(wěn)定性和經(jīng)濟(jì)合理性。因此，建立更可靠完善實(shí)用的活性污泥污水處理系統(tǒng)模型，已成為污水控制工程領(lǐng)域研究的重要課題，并且具有重要的現(xiàn)實(shí)意義。
在污水處理系統(tǒng)中，有一些水質(zhì)指標(biāo)難以在線測(cè)量，這是由于污水生物處理過(guò)程的非線性、時(shí)變性及復(fù)雜性造成的。而這些水質(zhì)指標(biāo)往往對(duì)污水處理的達(dá)標(biāo)排放或污水處理系統(tǒng)運(yùn)行中的在線監(jiān)控很重要，如BOD5、COD、SVI。
研制新型硬件形式的過(guò)程測(cè)量?jī)x表，雖然可以直接地解決各種污水處理過(guò)程變量及水質(zhì)參數(shù)的檢測(cè)問(wèn)題，但由于污水中有機(jī)物非常復(fù)雜，研發(fā)這些傳感器將是一個(gè)耗資大、歷時(shí)長(zhǎng)的工程。


發(fā)明內(nèi)容
本發(fā)明的目的是針對(duì)COD在線測(cè)量困難的問(wèn)題，根據(jù)污水處理過(guò)程非線性的特點(diǎn)，提出一種運(yùn)用快速EFAST方法修剪冗余神經(jīng)元，簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并對(duì)COD進(jìn)行軟測(cè)量的方法。根據(jù)軟測(cè)量結(jié)果，及時(shí)調(diào)整無(wú)數(shù)處理曝氣池生化反應(yīng)的物料搭配，以便對(duì)COD進(jìn)行更好的清除，避免了研發(fā)傳感器的復(fù)雜工程。也可以將本方法進(jìn)行擴(kuò)展，對(duì)其它水質(zhì)指標(biāo)進(jìn)行研究，以指導(dǎo)實(shí)際的生產(chǎn)運(yùn)行。
本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟 1.一種COD軟測(cè)量的方法，其特征在于，包括以下步驟 (1).建立COD軟測(cè)量的三層前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；輸入為污水調(diào)節(jié)池進(jìn)水水質(zhì)指標(biāo)，輸出為化學(xué)需氧量COD； 初始化神經(jīng)網(wǎng)絡(luò)確定l_p_1的連接方式，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行隨機(jī)賦值； 即一個(gè)輸入層有l(wèi)個(gè)神經(jīng)元，隱含層有p個(gè)神經(jīng)元的單輸出三層前向神經(jīng)網(wǎng)絡(luò)，x1，x2，...，xl表示神經(jīng)網(wǎng)絡(luò)的輸入，yd表示神經(jīng)網(wǎng)絡(luò)的期望輸出；共有k個(gè)訓(xùn)練樣本，(訓(xùn)練樣本的個(gè)數(shù)k的大小設(shè)定是神經(jīng)網(wǎng)絡(luò)領(lǐng)域公知的)設(shè)第t個(gè)訓(xùn)練樣本為x1(t)，x2(t)，...，xl(t)，yd(t)，則用第t個(gè)訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，隱含層第j個(gè)神經(jīng)元的輸出表示為 其中，xi為神經(jīng)網(wǎng)絡(luò)的輸入，wi，jI為輸入層權(quán)值，Zj為隱含層第j個(gè)神經(jīng)元的輸出，ψ為sigmoid函數(shù)，其形式為 隱含層神經(jīng)元輸出和神經(jīng)網(wǎng)絡(luò)輸出的關(guān)系為 其中，wjO為輸出層權(quán)值，y為神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出； 定義誤差函數(shù)為 訓(xùn)練神經(jīng)網(wǎng)絡(luò)的目的是使得式(4)定義的誤差函數(shù)達(dá)到最??； (2).對(duì)樣本數(shù)據(jù)進(jìn)行校正； 設(shè)k個(gè)數(shù)據(jù)樣本x(1)，x(2)，...，x(k)，均值為x，每一個(gè)樣本的偏差為v(t)＝x(t)-x，按照Bessel公式計(jì)算出標(biāo)準(zhǔn)偏差 若某一個(gè)樣本x(t)的偏差滿足 |v(t)|≥3σt＝1，2，...，k(6) 則認(rèn)為樣本x(t)是異常數(shù)據(jù)，應(yīng)予以剔除，得到校正后的數(shù)據(jù)； (3).用校正后的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并在訓(xùn)練過(guò)程中利用快速EFAST對(duì)神經(jīng)網(wǎng)絡(luò)的冗余隱神經(jīng)元進(jìn)行修剪，以簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，增加神經(jīng)網(wǎng)絡(luò)的泛化能力和預(yù)測(cè)速度； 具體為將p個(gè)隱神經(jīng)元的輸出Z1，Z2，...，Zp作為快速EFAST算法的p個(gè)輸入?yún)?shù)，將神經(jīng)網(wǎng)絡(luò)的輸出作為快速EFAST算法的輸出，通過(guò)計(jì)算輸入?yún)?shù)Z1，Z2，...，Zp對(duì)于輸出Y的靈敏度，修剪靈敏度小的神經(jīng)元； 記下訓(xùn)練過(guò)程中每個(gè)隱含層神經(jīng)元的輸出值，找出最大值和最小值； 第j(j＝1，2，..，p)個(gè)隱神經(jīng)元輸出在訓(xùn)練m步中的最大值是bj，最小值是aj，則假定Zj以指定頻率wj在[aj，bj]內(nèi)振蕩，即 結(jié)合式(3)神經(jīng)網(wǎng)絡(luò)的輸出y表示為 (5).計(jì)算各個(gè)神經(jīng)元的靈敏度 如果要計(jì)算第h個(gè)隱神經(jīng)元的靈敏度，則該神經(jīng)元對(duì)應(yīng)的傅立葉系數(shù)為 其中，wh＝8p； 除第h個(gè)神經(jīng)元外的其余神經(jīng)元傅立葉系數(shù)Aj和Bj表示為 其中，j＝1，2，...，h-1，h+1，...，p，且wj＝j(luò)； 由前向神經(jīng)網(wǎng)絡(luò)的各隱含層神經(jīng)元的輸出Z1，Z2，...，Zp之間沒(méi)有相互作用，傅立葉振幅值主要集中在基頻上，采用下式計(jì)算第h個(gè)隱神經(jīng)元的總靈敏度； 其中，分母是包括A2h+B2h在內(nèi)的所有隱神經(jīng)元傅立葉系數(shù)之和；STh包括Zh獨(dú)立于其它輸入?yún)?shù)對(duì)輸出的作用和Zh與其它輸入?yún)?shù)的協(xié)同作用，稱(chēng)為總靈敏度； 則p個(gè)隱神經(jīng)元的總靈敏度之和為 第h個(gè)輸入?yún)?shù)的靈敏度為 Sh＝STh/Sum_S(15) 對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行修剪，即刪除Sh小于5％的隱含層神經(jīng)元； (6).繼續(xù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后每隔一定步數(shù)重復(fù)步驟(2)-(5)，直到新神經(jīng)網(wǎng)絡(luò)中所有隱含層神經(jīng)元的靈敏度均大于5％停止修剪； (7).訓(xùn)練神經(jīng)網(wǎng)絡(luò)直到誤差E小于規(guī)定誤差Ed；該誤差一般小于0.01； (8).對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)將預(yù)測(cè)樣本數(shù)據(jù)作為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)的輸出即為出水COD的預(yù)測(cè)結(jié)果。
本發(fā)明的創(chuàng)造性主要體現(xiàn)在 (1)本發(fā)明針對(duì)化學(xué)需氧量COD難以在線測(cè)量的問(wèn)題，根據(jù)神經(jīng)網(wǎng)絡(luò)可以逼近非線性函數(shù)的特點(diǎn)，采用了神經(jīng)網(wǎng)絡(luò)對(duì)COD進(jìn)行軟測(cè)量，省去了研制傳感器的復(fù)雜過(guò)程，因而更具有方便性。
(2)本發(fā)明采用快速EFAST方法對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行修剪，解決了神經(jīng)網(wǎng)絡(luò)初始結(jié)構(gòu)難以確定的問(wèn)題，避免了神經(jīng)網(wǎng)絡(luò)由于過(guò)于復(fù)雜而導(dǎo)致泛化能力差，擬合精度低。
特別要注意本發(fā)明只是為了描述方便起見(jiàn)，所以采用的是對(duì)COD進(jìn)行軟測(cè)量，同樣也可適用于BOD5、SVI等，只要采用了本發(fā)明的原理進(jìn)行測(cè)量都應(yīng)該屬于本發(fā)明的范圍。



圖1.COD軟測(cè)量神經(jīng)網(wǎng)絡(luò)建模。
圖2.神經(jīng)網(wǎng)絡(luò)快速EFAST算法修剪后預(yù)測(cè)COD值和實(shí)際值擬合曲線圖。

具體實(shí)施例方式 實(shí)驗(yàn)數(shù)據(jù)來(lái)自某污水處理廠水質(zhì)分析日?qǐng)?bào)表。圖1給出了COD神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，其輸入分別為混合液懸浮固體(MLSS)、油、pH、氨氮，輸出為污水處理過(guò)程中出水的COD。其中MLSS是指單位體積生化池混合液所含干污泥的重量；pH反映進(jìn)水水質(zhì)的酸堿程度；油是進(jìn)水的油類(lèi)污染物的含量；氨氮代表進(jìn)水中氨氮的含量。COD是指廢水中能被氧化的物質(zhì)在被化學(xué)氧化劑氧化時(shí)所需要的氧量。除pH外，以上單位均為毫克/升。采用4-32-1的連接方式，即4個(gè)輸入神經(jīng)元，32個(gè)隱層神經(jīng)元，1個(gè)輸出神經(jīng)元，見(jiàn)圖1。訓(xùn)練樣本和預(yù)測(cè)樣本各100組，用快速EFAST方法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行修剪。
神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)修剪算法具體步驟如下 (1).初始化神經(jīng)網(wǎng)絡(luò)確定4-32-1的連接方式，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行隨機(jī)賦值，本實(shí)驗(yàn)的權(quán)值初值為0到1的隨機(jī)數(shù)。
(2).對(duì)樣本數(shù)據(jù)進(jìn)行校正。
(3).用校正后的訓(xùn)練樣本數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)到c步。如果c選的過(guò)小，則采集的信息量不夠充足；如果c選的過(guò)大，會(huì)增加訓(xùn)練時(shí)間。本文的實(shí)驗(yàn)選取c為600。
(4).記下訓(xùn)練過(guò)程中每個(gè)隱神經(jīng)元的輸出值，找出最大值和最小值。
(5).計(jì)算各個(gè)神經(jīng)元的靈敏度為每個(gè)隱神經(jīng)元的輸出指定各自的基頻。本實(shí)驗(yàn)神經(jīng)元的個(gè)數(shù)是32個(gè)，如果要計(jì)算第10個(gè)隱神經(jīng)元的靈敏度，那么就把每個(gè)隱神經(jīng)元的頻率指定為[1，2，3，..，9，256，11，...，32]，對(duì)于每一個(gè)隱神經(jīng)元，將其輸出的最大值、最小值及其指定頻率代入，再根據(jù)式(13)計(jì)算該神經(jīng)元的靈敏度STh。
(6).重復(fù)步驟(5)，直到計(jì)算完32個(gè)隱神經(jīng)元的總靈敏度。
(7).根據(jù)式(15)計(jì)算每個(gè)神經(jīng)元的靈敏度Sh(h＝1，2，…，p)，刪除Sh小于5％的隱含層神經(jīng)元。
(8).繼續(xù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后每隔一定步數(shù)t重復(fù)步驟2-5，直到新神經(jīng)網(wǎng)絡(luò)中所有隱含層神經(jīng)元的靈敏度均大于5％停止修剪。t不宜選的過(guò)大，否則神經(jīng)網(wǎng)絡(luò)有可能在t步內(nèi)就訓(xùn)練完畢；如果t選的過(guò)小，則采集的訓(xùn)練量不夠充分。本實(shí)驗(yàn)選取t為100。
(9).訓(xùn)練神經(jīng)網(wǎng)絡(luò)直到偏差小于規(guī)定誤差Ed。本實(shí)驗(yàn)選取Ed＝0.01。。
(10).對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)將預(yù)測(cè)樣本數(shù)據(jù)作為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)的輸出即為出水COD的預(yù)測(cè)結(jié)果。
圖2是神經(jīng)網(wǎng)絡(luò)快速EFAST方法修剪后預(yù)測(cè)COD值和實(shí)際值擬合曲線圖。由此可知，基于快速EFAST方法的結(jié)構(gòu)自組織神經(jīng)網(wǎng)絡(luò)能夠有效地預(yù)測(cè)出水COD。
權(quán)利要求
1.一種COD軟測(cè)量的方法，其特征在于，包括以下步驟
(1).建立COD軟測(cè)量的三層前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；輸入為污水調(diào)節(jié)池進(jìn)水水質(zhì)指標(biāo)，輸出為化學(xué)需氧量COD；
初始化神經(jīng)網(wǎng)絡(luò)確定l-p-1的連接方式，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行隨機(jī)賦值；
即一個(gè)輸入層有l(wèi)個(gè)神經(jīng)元，隱含層有p個(gè)神經(jīng)元的單輸出三層前向神經(jīng)網(wǎng)絡(luò)，x1，x2，...，xl表示神經(jīng)網(wǎng)絡(luò)的輸入，yd表示神經(jīng)網(wǎng)絡(luò)的期望輸出；共有k個(gè)訓(xùn)練樣本，設(shè)第t個(gè)訓(xùn)練樣本為x1(t)，x2(t)，...，xl(t)，yd(t)，則用第t個(gè)訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，隱含層第j個(gè)神經(jīng)元的輸出表示為
其中，xi為神經(jīng)網(wǎng)絡(luò)的輸入，wi，j1為輸入層權(quán)值，Zj為隱含層第j個(gè)神經(jīng)元的輸出，ψ為sigmoid函數(shù)，其形式為
隱含層神經(jīng)元輸出和神經(jīng)網(wǎng)絡(luò)輸出的關(guān)系為
其中，wjO為輸出層權(quán)值，y為神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；
定義誤差函數(shù)為
訓(xùn)練神經(jīng)網(wǎng)絡(luò)的目的是使得式(4)定義的誤差函數(shù)達(dá)到最?。?br> (2).對(duì)樣本數(shù)據(jù)進(jìn)行校正；
設(shè)k個(gè)數(shù)據(jù)樣本x(1)，x(2)，...，x(k)，均值為x，每一個(gè)樣本的偏差為v(t)＝x(t)-x，按照Besse1公式計(jì)算出標(biāo)準(zhǔn)偏差
若某一個(gè)樣本x(t)的偏差滿足
|v(t)|≥3σt＝1，2，...，k(6)
則認(rèn)為樣本x(t)是異常數(shù)據(jù)，應(yīng)予以剔除，得到校正后的數(shù)據(jù)；
(3).用校正后的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并在訓(xùn)練過(guò)程中利用快速EFAST對(duì)神經(jīng)網(wǎng)絡(luò)的冗余隱神經(jīng)元進(jìn)行修剪，以簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，增加神經(jīng)網(wǎng)絡(luò)的泛化能力和預(yù)測(cè)速度；
具體為將p個(gè)隱神經(jīng)元的輸出Z1，Z2，...，Zp作為快速EFAST算法的p個(gè)輸入?yún)?shù)，將神經(jīng)網(wǎng)絡(luò)的輸出作為快速EFAST算法的輸出，通過(guò)計(jì)算輸入?yún)?shù)Z1，Z2，...，Zp對(duì)于輸出Y的靈敏度，修剪靈敏度小的神經(jīng)元；
記下訓(xùn)練過(guò)程中每個(gè)隱含層神經(jīng)元的輸出值，找出最大值和最小值；
第j(j＝1，2，...，p)個(gè)隱神經(jīng)元輸出在訓(xùn)練m步中的最大值是bj，最小值是aj，則假定Zj以指定頻率wj在[aj，bj]內(nèi)振蕩，即
結(jié)合式(3)神經(jīng)網(wǎng)絡(luò)的輸出y表示為
(5).計(jì)算各個(gè)神經(jīng)元的靈敏度
如果要計(jì)算第h個(gè)隱神經(jīng)元的靈敏度，則該神經(jīng)元對(duì)應(yīng)的傅立葉系數(shù)為
其中，wh＝8p；
除第h個(gè)神經(jīng)元外的其余神經(jīng)元傅立葉系數(shù)Aj和Bj表示為
其中，j＝1，2，...，h-1，h+1，...，p，且wj＝j(luò)；
由前向神經(jīng)網(wǎng)絡(luò)的各隱含層神經(jīng)元的輸出Z1，Z2，...，Zp之間沒(méi)有相互作用，傅立葉振幅值主要集中在基頻上，采用下式計(jì)算第h個(gè)隱神經(jīng)元的總靈敏度；
其中，分母是包括Ah2+Bh2在內(nèi)的所有隱神經(jīng)元傅立葉系數(shù)之和；STh包括Zh獨(dú)立于其它輸入?yún)?shù)對(duì)輸出的作用和Zh與其它輸入?yún)?shù)的協(xié)同作用，稱(chēng)為總靈敏度；
則p個(gè)隱神經(jīng)元的總靈敏度之和為
第h個(gè)輸入?yún)?shù)的靈敏度為
Sh＝STh/Sum_S(15)
對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行修剪，即刪除Sh小于5％的隱含層神經(jīng)元；
(6).繼續(xù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后每隔一定步數(shù)重復(fù)步驟(2)-(5)，直到新神經(jīng)網(wǎng)絡(luò)中所有隱含層神經(jīng)元的靈敏度均大于5％停止修剪；
(7).訓(xùn)練神經(jīng)網(wǎng)絡(luò)直到誤差E小于規(guī)定誤差Ed；
(8).對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)將預(yù)測(cè)樣本數(shù)據(jù)作為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)的輸出即為出水COD的預(yù)測(cè)結(jié)果。
全文摘要
COD軟測(cè)量的方法屬于污水處理領(lǐng)域。由于污水生物處理過(guò)程的非線性、時(shí)變性及復(fù)雜性，水質(zhì)指標(biāo)難以在線測(cè)量，但往往對(duì)污水處理很重要。本發(fā)明針對(duì)COD在線測(cè)量困難的問(wèn)題，根據(jù)污水處理過(guò)程非線性的特點(diǎn)，提出一種運(yùn)用快速EFAST方法修剪冗余神經(jīng)元，簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并對(duì)COD進(jìn)行軟測(cè)量的方法。根據(jù)軟測(cè)量結(jié)果，及時(shí)調(diào)整無(wú)數(shù)處理曝氣池生化反應(yīng)的物料搭配，以便對(duì)COD進(jìn)行更好的清除，避免了研發(fā)傳感器的復(fù)雜工程。也可以將本方法進(jìn)行擴(kuò)展，對(duì)其它水質(zhì)指標(biāo)進(jìn)行研究，以指導(dǎo)實(shí)際的生產(chǎn)運(yùn)行。
文檔編號(hào)G01N33/18GK101334395SQ20081011805
公開(kāi)日2008年12月31日 申請(qǐng)日期2008年8月7日 優(yōu)先權(quán)日2008年8月7日
發(fā)明者喬俊飛, 淼 李 申請(qǐng)人:北京工業(yè)大學(xué)