[發(fā)明專利]一種測(cè)量溶解氧濃度的方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201310102216.4
• 申請(qǐng)日: 2013-03-27
• 公開(kāi)（公告）號(hào): CN103454390A
• 公開(kāi)（公告）日: 2013-12-18
• 發(fā)明（設(shè)計(jì)）人: 高月芳;譚旭;張平安;王輝靜;劉云霞
• 申請(qǐng)（專利權(quán)）人: 深圳信息職業(yè)技術(shù)學(xué)院
• 主分類號(hào): G01N33/18
• 分類號(hào): G01N33/18;G06N3/08
• 代理公司: 深圳中一專利商標(biāo)事務(wù)所 44237
• 代理人: 張全文

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算領(lǐng)域，尤其涉及一種測(cè)量溶解氧濃度的方法及裝置。

背景技術(shù)

目前污水生化處理過(guò)程中的溶解氧濃度測(cè)量方法通常有兩種：一種是采用硬件傳感器，這種方法的儀器造價(jià)高、壽命短、穩(wěn)定性差，且不能進(jìn)行預(yù)測(cè)，對(duì)于污水生化處理過(guò)程中的溶解氧濃度控制不具有指導(dǎo)意義；另一種是軟測(cè)量方法，現(xiàn)有的軟測(cè)量方法主要有基于工藝機(jī)理分析的和基于神經(jīng)網(wǎng)絡(luò)的。基于工藝機(jī)理分析的軟測(cè)量方法需要對(duì)工藝過(guò)程機(jī)理深刻認(rèn)識(shí)，否則不能準(zhǔn)確預(yù)測(cè)出不易測(cè)量的參數(shù)值；基于神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法適用于非線性和不確定性系統(tǒng)。但傳統(tǒng)神經(jīng)網(wǎng)絡(luò)軟測(cè)量方法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在訓(xùn)練前已確定，神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中網(wǎng)絡(luò)結(jié)構(gòu)不再發(fā)生變化，具有預(yù)測(cè)精度較低，時(shí)間較長(zhǎng)的缺點(diǎn)，而目前新提出的結(jié)構(gòu)自組織神經(jīng)網(wǎng)絡(luò)，能夠根據(jù)研究對(duì)象在線改變神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，有效地提高了神經(jīng)網(wǎng)絡(luò)的性能，但它們普遍存在增長(zhǎng)判斷條件選取比較困難、修剪判斷依據(jù)仍停留在隱含層神經(jīng)元輸出對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)輸出的影響或隱含層與神經(jīng)網(wǎng)絡(luò)輸出的連接權(quán)值等問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種測(cè)量溶解氧濃度的方法，旨在解決污水生化處理過(guò)程中溶解氧濃度難以實(shí)時(shí)測(cè)量的問(wèn)題。

為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例提供的一種測(cè)量溶解氧濃度的方法，所述方法包括：

對(duì)污水生化反應(yīng)過(guò)程的機(jī)理進(jìn)行分析，確定初步的輔助變量；

采集樣本數(shù)據(jù)，對(duì)樣本數(shù)據(jù)中所述的初步輔助變量進(jìn)行分析，確定輔助變量；

根據(jù)所述輔助變量建立神經(jīng)網(wǎng)絡(luò)模型，對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并計(jì)算訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的誤差；

判斷所述誤差是否滿足預(yù)先設(shè)置的條件；

當(dāng)所述誤差滿足預(yù)先設(shè)置的條件，則采集現(xiàn)場(chǎng)數(shù)據(jù)，利用所述神經(jīng)網(wǎng)絡(luò)模型對(duì)溶解氧濃度進(jìn)行測(cè)量。

所述根據(jù)所述輔助變量建立神經(jīng)網(wǎng)絡(luò)模型，對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并計(jì)算訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的誤差，包括：

建立一個(gè)神經(jīng)網(wǎng)絡(luò)模型，所述神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層、輸出層，所述輸入層為輔助變量，所述輸出層為污水生化反應(yīng)過(guò)程中的溶解氧濃度，所述隱含層為免疫算法抗體；

利用隨機(jī)函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)的連接權(quán)值進(jìn)行初始化；

對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行γ步訓(xùn)練，并計(jì)算訓(xùn)練后的所述神經(jīng)網(wǎng)絡(luò)模型的誤差，所述誤差為

Eγt=12Σi=1i=K(DOi-DO‾i)2]]>

其中，t為當(dāng)前神經(jīng)網(wǎng)絡(luò)優(yōu)化次數(shù)，DO_i表示將所述精選輔助變量的第i組樣本數(shù)據(jù)作用到神經(jīng)網(wǎng)絡(luò)所產(chǎn)生的輸出值，表示神經(jīng)網(wǎng)絡(luò)的期望輸出，K表示采集到的樣本數(shù)。

所述判斷所述誤差是否滿足預(yù)先設(shè)置的條件，包括：

判斷是否滿足預(yù)先設(shè)置的目標(biāo)值。

所述方法還包括：

當(dāng)判斷時(shí)，則計(jì)算適應(yīng)度和選擇概率；

根據(jù)所述適應(yīng)度和所述選擇概率對(duì)抗體種群中的每個(gè)抗體進(jìn)行克隆、變異、抑制；

對(duì)所述抗體種群中的每個(gè)抗體進(jìn)行克隆、變異、抑制后，繼續(xù)執(zhí)行步驟對(duì)所述神經(jīng)網(wǎng)絡(luò)的γ步訓(xùn)練。

所述方法還包括：

當(dāng)判斷則執(zhí)行步驟根據(jù)所述輔助變量建立神經(jīng)網(wǎng)絡(luò)模型。

一種測(cè)量溶解氧濃度的裝置，所述裝置包括：

第一確定單元，用于對(duì)污水生化反應(yīng)過(guò)程的機(jī)理進(jìn)行分析，確定初步的輔助變量；

第二確定單元，用于采集樣本數(shù)據(jù)，對(duì)樣本數(shù)據(jù)中所述的初步輔助變量進(jìn)行分析，確定輔助變量；

建立單元，用于根據(jù)所述輔助變量建立神經(jīng)網(wǎng)絡(luò)模型；