[發明專利]一種活性污泥形態學和污泥體積指數SVI軟測量方法

有效

• 申請號: 202110016058.5
• 申請日: 2021-01-07
• 公開（公告）號: CN112634347B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 趙立杰;鄒世達;黃明忠;張宇紅;范文玉
• 申請（專利權）人: 沈陽化工大學
• 主分類號: G06T7/60
• 分類號: G06T7/60;C02F3/12
• 代理公司: 沈陽技聯專利代理有限公司 21205
• 代理人: 張志剛

1.一種活性污泥形態學和污泥體積指數SVI軟測量方法，其特征在于，所述方法包括活性污泥顯微圖像特征提取、集成特征選擇、SVI軟測量模型建模、SVI預報4個步驟：

所述活性污泥顯微圖像特征提取，用于提取生化池活性污泥顯微圖像絮體和絲狀菌形態學特征；

所述集成特征選擇，采用皮爾遜相關系數法、最大互信息系數、Lasso回歸模型、平均不純度減少法、穩定性選擇方法、遞歸特征消除法六種特征選擇方法，根據活性污泥顯微圖像絮體和絲狀菌的形態學特征得分，選取一組冗余性低且與SVI相關性較高的活性污泥絮體和絲狀菌形態學特征；

所述SVI軟測量模型，模型輸入為活性污泥絮體和絲狀菌k個形態學特征，模型輸出是SVI值，采用快速隨機配置神經網絡FastSCN(Fast?Stochastic?Configuration?Network)方法，構建SVI模型；

所述SVI預報，通過對新樣本形態學特征提取和選擇，利用已經構建的FastSCN污泥體積指數軟測量模型，實現新樣本SVI指標的預報；

所述活性污泥顯微圖像絮體和絲狀菌形態學特征提取，形態學特征包括總閉合面數量N，閉合區域總面積TA，閉合區域平均面積A，長軸長度length，短軸長度width，周長P，凸周長P_Convex，等效圓直徑D_eq，歐拉數N_Euler，凸包絡面積A_Convex，外接矩形面積A_Box，填充后面積A_Filled，最大費雷特(Feret)直徑max?D_F，最小費雷特直徑min?D_F，最大費雷特角度max?A_F，最小費雷特角度min?A_F，形狀因子(form?factor，FF)，圓度(Roundness，R)，回旋半徑(radiusof?gyration，RG)，縱橫比(aspect?ratio，AR)，凸度(Convexity，C)，分形維數(Fractaldimension，FD)，堅固度(Solidity，Sol)，充實度(Extent，Ext)，孔率(Porosity，Por)，偏心率(Eccentricity，Ecc)和緊密度(Compactness，Comp)；

所述集成特征選擇，設X＝[X₁，X₂，…，X_n]∈R^N×m為N張圖像分別對絮體和絲狀菌提取的，共m種形態學特征，Y∈R^N×1則為對應的SVI指標；其中特征評分方法：

①所述皮爾遜相關系數(Pearson?Correlation?Coefficient)評價特征數據得分，

其中S_p(X_i)表示為第X_i個形態學特征的皮爾遜相關系數評價得分；

②所述最大互信息系數(Maximal?Information?Coefficient)，計算每種特征變量的得分

上式I(X_i；Y)表示為X_i與Y的互信息，a、b分別表示為X_i、Y方向上所劃分的網格區域數量，B被定義為B＝N^0.6；

③所述Lasso回歸模型計算所有特征變量的得分，Lasso模型權重計算如下

其中為‘S’型激活函數，S_Lasso(X_i)為歸一化0到1的W取值；

④所述平均不純度減少法(Mean?Decrease?Impurity，MDI)，使用隨機森林回歸計算各個特征變量對所有樹的平均不純度減少量，作為各個變量的得分，

其中，e_s表示隨機森林模型訓練前的初始誤差，表示為生成隨機森林模型時，若分別添加特征節點，添加第i個特征節點時得到模型的輸出；

⑤所述穩定性選擇(Stability?selection，SS)方法，這里采用Lasso回歸模型使用穩定性選擇對特征進行打分S_SS(X_i)；

⑥所述線性回歸模型和遞歸特征消除法(Recursive?feature?elimination，RFE)計算各個特征得分S_RFE(X_i)；

活性污泥顯微圖像各種形態學特征綜合得分為S(X_i)＝S_p(X_i)+S_MIC(X_i)+S_Lasso(X_i)+S_MDI(X_i)+S_SS(X_i)+S_RFE(X_i)i＝1，…，m?(5)

根據特征變量得分情況，計算得分向量[S(X₁)，S(X₂)，....，S(X_m)]的三分位數κ，S(X_i)＞κ值作為X_i特征入選的條件，確定k個形態學特征作為SVI軟測量模型輸入；

所述SVI軟測量模型建模，基于快速隨機配置神經網絡FastSCN(Fast?StochasticConfiguration?Network)構建；設N個訓練樣本特征維數是k，則模型的增廣形式的輸入矩陣為X_s＝[1，x₁，…，x_k]∈R^N×(k+1)，其中特征變量x₁，…，x_k已進行零均值、1方差的標準化，對應的SVI指標為Y∈R^N×1；FastSCN是一種增量構建的單隱含層全連接網絡，包括輸入層、輸出層和隱含層，隱含層的激活函數采用雙曲正切函數

假設已經建立了具有L-1個隱含層節點的神經網絡為，

其中為第L-1個隱含層節點的增廣形式的輸入權重，b_L-1為對應偏置項，β_L-1為第L-1個隱含層節點的輸出權重，在增量建模過程中，模型當前殘差為

e_L-1＝Y-f_L-1(X_s)∈R^N×1?(8)

為了構建以使得e_L≤e_L-1，新加入的隱含層節點h_L(X_s)需要滿足如下條件，

其中0＜r＜1，{μ_L}是一個非負實數序列且滿足

為找到滿足上述條件(9)的節點

對應的參數可以采用如下兩種方式確定

①方式一，反求法確定輸入權重，滿足條件不等式(9)的可以表示為

其中被定義為

此時恰好滿足條件表達式(9)；上式(11)可以采用帶有L2正則的最小二乘法計算，其中arctanh()是反雙曲正切函數，0≤γ_w≤1為求解輸入權重時的L2項懲罰系數，越大越嚴格，當γ_w取為0時，則該問題轉變為標準最小二乘法求解；

②方式二，采用SCN方式批量添加節點，在輸入權重范圍λ∈[λ₁，λ₂，…λ_n]＝Ω，生成T_max組隱含層節點的候選集合并計算{ξ_L，1，…，ξ_L，m}，選出滿足ξ＞0的多個候選節點添加到網絡中，其中某個候選節點可表示為

其中實數序列在滿足U(-1，1)均勻分布中隨機生成；

當H_L＝[h₁，h₂，…，h_L]已確定，模型的全局輸出權重β^*采用如下方式計算，

數據樣本數大于當前隱含層數(N＞L)時

數據樣本數小于等于當前隱含層數(N≤L)時

其中γ是求解輸出權重L2正則項系數；

輸入權重計算方式默認以方式一開始，用戶自定義誤差降速閾值a，當出現

||(e_L-1-e_L-2)/e_L-2||²≤a?(16)

切換到方式二，采用SCN方式批量添加節點，閾值a默認設置為0.01；

停止條件，該模型增量訓練過程中，根據用戶定義停止條件e_Tol和模型最大節點數L_max，若e_L-1＜e_Tol或當前模型節點數達到L_max時，訓練停止；

SVI的預報，對新活性污泥樣本M張顯微圖像提取形態學特征，根據集成特征選擇確定的k個形態學特征，獲得活性污泥形態特征數據X_Test＝[X₁，…，X_M]^T∈R^M×k，利用訓練好的FastSCN形態學特征污泥體積指數軟測量模型對新數據進行預報，SVI估計值