[0041] ⑥學(xué)習(xí)步數(shù)S增加1，如果步數(shù)s<S，則轉(zhuǎn)向步驟②進行繼續(xù)訓(xùn)練，如果s=S轉(zhuǎn)向 步驟⑧；
[0042]⑧根據(jù)公式樹計算出水氨氮濃度軟測量模型的性能，如果E(t) >Ed(t)，則轉(zhuǎn)向 步驟②進行繼續(xù)訓(xùn)練，如果E(t)<Ed(t)，則停止模型參數(shù)調(diào)整；
[0043] (4)出水氨氮濃度預(yù)測；
[0044] 將測試樣本數(shù)據(jù)作為訓(xùn)練后的模糊神經(jīng)網(wǎng)絡(luò)的輸入，模糊神經(jīng)網(wǎng)絡(luò)的輸出即為出 水氨氮濃度的預(yù)測值。
[0045] 本發(fā)明的創(chuàng)造性主要體現(xiàn)在：
[0046] (1)本發(fā)明針對當(dāng)前城市污水處理廠測量出水氨氮濃度的過程繁瑣，儀器設(shè)備使 用造價高，測量結(jié)果可靠性和精確性低等問題，本發(fā)明提出了一種污水處理過程出水氨氮 濃度軟測量方法，根據(jù)實際污水處理廠工作報表提取了與出水氨氮濃度相關(guān)的6個相關(guān)變 量：進水總磯TP、厭氧末端氧化還原電位0RP、好氧前段溶解氧DO、好氧末端總固體息浮物 TSS、出水陽W及溫度，實現(xiàn)了出水氨氮濃度的預(yù)測，解決了出水氨氮濃度難W實時測量的 問題。
[0047](2)本發(fā)明根據(jù)當(dāng)前污水處理過程出水氨氮濃度與輔助變量間的關(guān)系難W用精確 數(shù)學(xué)方法描述等問題，采用了基于快速二次型算法的模糊神經(jīng)網(wǎng)絡(luò)建立了出水氨氮濃度的 軟測量模型，實現(xiàn)了對出水氨氮濃度的實時測量，具有測量精度高，對環(huán)境差異具有很好的 適應(yīng)能力等特點；
[0048] 特別要注意；本發(fā)明采用與出水氨氮濃度相關(guān)的6個輔助變量，基于模糊神經(jīng)網(wǎng) 絡(luò)設(shè)計其軟測量模型，只要采用了本發(fā)明的相關(guān)變量和方法進行出水氨氮濃度預(yù)測都應(yīng)該 屬于本發(fā)明的范圍。
【附圖說明】
[0049] 圖1是本發(fā)明的出水氨氮濃度軟測量方法結(jié)構(gòu)圖；
[0050] 圖2是本發(fā)明的出水氨氮濃度軟測量方法訓(xùn)練結(jié)果圖；
[0051] 圖3是本發(fā)明的出水氨氮濃度軟測量方法訓(xùn)練誤差圖；
[0052] 圖4是本發(fā)明的出水氨氮濃度軟測量方法預(yù)測結(jié)果圖；
[0053] 圖5是本發(fā)明的出水氨氮濃度軟測量方法預(yù)測誤差圖；
【具體實施方式】
[0054] 本發(fā)明獲得了一種基于模糊神經(jīng)網(wǎng)絡(luò)的出水氨氮濃度軟測量方法，通過設(shè)計出水 氨氮濃度的軟測量方法，根據(jù)污水處理過程的實時采集的數(shù)據(jù)實現(xiàn)出水氨氮濃度軟測量方 法的在線校正，實現(xiàn)了出水氨氮濃度的實時測量，解決了污水處理過程出水氨氮濃度難W 實時測量的問題，提高了城市污水處理廠水質(zhì)實時監(jiān)控的水平，保障城市污水處理過程正 常運行；
[0055] 實驗數(shù)據(jù)來自某污水處理廠2014年全年水質(zhì)分析日報表；分別取進水總磯TP、厭 氧末端氧化還原電位0RP、好氧前段溶解氧DO、好氧末端總固體息浮物TSS、出水抑、溫度 和出水氨氮濃度的實際檢測數(shù)據(jù)為實驗樣本數(shù)據(jù)，剔除異常實驗樣本后剩余140組可用數(shù) 據(jù)，將全部的140組數(shù)據(jù)樣本分為兩部分；其中90組數(shù)據(jù)作為訓(xùn)練樣本，其余50組數(shù)據(jù)作 為測試樣本；
[0056] 本發(fā)明采用了如下的技術(shù)方案及實現(xiàn)步驟：
[0057] 1. 一種基于模糊神經(jīng)網(wǎng)絡(luò)的出水氨氮濃度軟測量方法，其特征在于，包括W下步 驟：
[0058] (1)確定軟測量模型的輔助變量：采集城市污水處理廠實際水質(zhì)參數(shù)數(shù)據(jù)，選取 與出水氨氮濃度相關(guān)性強的水質(zhì)變量：進水總磯TP、厭氧末端氧化還原電位0RP、好氧前段 溶解氧DO、好氧末端總固體息浮物TSS、出水陽W及溫度作為出水氨氮濃度預(yù)測的輔助變 量；
[0059] (2)設(shè)計用于出水氨氮濃度的模糊神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)，模糊神經(jīng)網(wǎng)絡(luò)分為四層： 輸入層、RBF層、歸一化層、輸出層；確定拓撲結(jié)構(gòu)為6-10-10-1的連接方式，其中輸入層神 經(jīng)元個數(shù)為6,RBF層神經(jīng)元個數(shù)為10個，歸一化層神經(jīng)元個數(shù)為10個，輸出層神經(jīng)元個數(shù) 為1個；輸入層與RBF層W及RBF與歸一化層之間的權(quán)值都賦值為1，歸一化層與輸出層之 間的權(quán)值進行隨機賦值，賦值區(qū)間為[-1,1];共有90個訓(xùn)練樣本，第t時刻模糊神經(jīng)網(wǎng)絡(luò) 輸入為X(t)二[X:|(t.)，X2(t)，X3(t.)，X4(t)，Xs(t.)，Xe(t)]，模糊神經(jīng)網(wǎng)絡(luò)的期望輸出表示為 YdCt)，實際輸出表示為y(t);出水氨氮濃度軟測量模型計算方式依次為：
[0060] ①輸入層：該層由6個神經(jīng)元組成，每個神經(jīng)元的輸出為：
[0061] U； (t) =Xj(t),i= 1, 2, ???, 6 ； (13)
[0062] 其中，Ui(t)表示輸入層第i個神經(jīng)元t時刻的輸出，Xi(t)為輸入層第i個神經(jīng) 元t時刻的輸入；
[0063] ②RBF層；RBF層由10個神經(jīng)元組成，每個神經(jīng)元的輸出為：
[0064]
[0065] 其中，Cj. (t)二[C。.（t)，C2j. (t)，…，Cgj(t)]表示邸F層第j個神經(jīng)元t時刻 的中也值，Cu(t)表示畑F層第j個神經(jīng)元t時刻中也值的第i個元素，0j.(t)= [0Ua)，0 2^t.)，…，0Wa)]表示RBF層第j個神經(jīng)元t時刻的中也寬度，0U(t.)表示 RBF層第j個神經(jīng)元t時刻中也寬度的第i個元素，巧(0表示RBF層第j個神經(jīng)元t時刻 的輸出；
[0066] ⑨歸一化層；歸一化層由10個神經(jīng)元組成，每個神經(jīng)元的輸出為：
[0067]
[0068] 其中，via)表示歸一化層第1個神經(jīng)元t.時刻的輸出，
對RBF層神經(jīng)元輸 出值之和，表示邸F層第1個神經(jīng)元t時刻的輸出，Cii(t.)表示RBF層第1個神經(jīng)元 t時刻中也值的第i個元素，0u(t)表示服F層第1個神經(jīng)元t時刻中也寬度的第i個元 素；
[0069] ④輸出層；輸出層輸出為：
[0070]
陽071] 其中，w(t) = [Wi(t),W2(t),…，Wio(t)]表示歸一化層與輸出層間t時刻的連接 權(quán)值向量，Wi(t)表示歸--化層第1個神經(jīng)元與輸出層神經(jīng)元t時刻的連接權(quán)值，v(t)=[Vi(t)，V2a)，…，ViD(t)r表示歸一化層t時刻的輸出向量，T表示轉(zhuǎn)置，y(t)為輸出層神 經(jīng)元的輸出；
[0072] 定義模糊神經(jīng)網(wǎng)絡(luò)的均方根誤差函數(shù)為：
[0073]
(17)
[0074] T表示模糊神經(jīng)網(wǎng)絡(luò)輸入的訓(xùn)練樣本數(shù)；
[0075] (3)出水氨氮濃度軟測量模型校正，具體為：
[0076] ①給定出水氨氮濃度軟測量模型RBF層與歸一化層神經(jīng)元個數(shù)P二10,出水氨氮 濃度軟測量模型輸入為乂（1)，義(2)，~，義(1:)，~，義訂)，對應(yīng)的期望輸出為7(1)^(2)，-"， y(t.)，…，yCr)，期望誤差值設(shè)為Ed，Ed小于0.01，初始中也值Cj.a)中每個變量的賦值區(qū) 間為[-2, 2]，例如；C2a)二[-0.32, -0.45, -1.96, -0.59, -1. 15,1.45,1.25,0.85,0.40， 0.21]，初始中也寬度〇j(t)中每個變量的賦值區(qū)間為[0，1]，例如：〇 2(1)二[0.32,0.45， 0. 96,0. 59,0. 15，(). 50，(). 50,0. 50,0. 50，(). 50]，j= 1，2,…，P;初始權(quán)值w(l)中每個變量 的賦值區(qū)間為[-1，1]，例如；w(l) = [-0. 82,-0. 65,-0. 46,-0. 19,-0. 05,0. 05,0.巧，0. 45， 0. 65,0. 85]；
[0077] ②設(shè)置學(xué)習(xí)步數(shù)S二1;
[0078] ⑨t(yī)=S，根據(jù)公式（13)、（14)、（15)、（16)計算出水氨氮濃度軟測量模型輸出 y(t.)，運用快速二次型學(xué)習(xí)算法調(diào)整計算中也值Cj.(t)，中也寬度Oj.(t)W及權(quán)值w(t)的 增量；
[0079] A 0 似二（W (t) + A (t) XI) lx Q (t) ; (1約
[0080] 其中，0似=[Ci(t)，C2(t)，…，Cp(t)，0i(t), 02(t)，…，0p(t)，w(t)]為模 糊神經(jīng)網(wǎng)絡(luò)t時刻的參數(shù)向量，并且：
[0081] Q(t) =jT(t)e(t) ； (19) 陽0軸 W(t)二jT(t) j(t) ; (20)
[0083] e(t) =y(t)-yd(t) ； (21)
[0084]Q(t.)是t時刻模糊神經(jīng)網(wǎng)絡(luò)梯度向量，wa)為t時刻模糊神經(jīng)網(wǎng)絡(luò)Hessian矩 陣，ji'(t)為j(t)的轉(zhuǎn)置，e(t)為t時刻預(yù)測模型輸出y(t)與期望輸出YdCt)之間的誤差， 化cobian向量j(t)和學(xué)習(xí)率入（t)為
[0085]