[發明專利]一種基于模糊遷徙的出水總氮預測方法

有效

• 申請號: 202110196095.9
• 申請日: 2021-02-22
• 公開（公告）號: CN113156074B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 韓紅桂;劉洪旭;伍小龍;侯瑩;喬俊飛;顧劍;何政;魏磊;劉垚
• 申請（專利權）人: 北京工業大學
• 主分類號: G01N33/18
• 分類號: G01N33/18;G06N3/06
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.一種基于模糊遷徙的出水總氮預測方法，其特征在于，建立基于模糊神經網絡的智能預測模型，利用遷徙學習算法調整模糊神經網絡預測模型的參數，解決了實際總氮預測過程中數據缺失和數據不足的問題，實現出水總氮濃度的實時預測，包括以下步驟：

(1)確定總氮預測模型的輸入與輸出變量

污水處理廠出水總氮濃度是污水處理廠出水水質中含氮污染物的總和，是衡量水質好壞的重要指標，也是水體富營養化的最重要的標志；以活性污泥法污水處理過程為研究對象，對污水處理過程變量進行特征分析，選取與出水總氮相關的過程變量作為預測模型的輸入：氨氮，硝態氮，出水懸浮物濃度，生化需氧量，出水總磷；預測模型的輸出為出水總氮值；

(2)建立基于模糊神經網絡的智能預測模型

模糊神經網絡智能預測模型的拓撲結構共四層：輸入層、隱含層、規則層和輸出層；確定模糊神經網絡智能預測模型5-10-10-1的初始連接方式，即輸入特征變量的個數為5，隱含層神經元數為10，規則層神經元數為10，輸入層與隱含層之間的連接權值都賦值為1，隱含層與輸出層之間的連接權值隨機賦值，賦值區間為[-1,1]；設定模糊神經網絡智能預測模型的訓練數據樣本為Q個，用于獲取遷徙知識的參考模糊神經網絡模型的訓練數據樣本為N個，則智能預測模型中各層的數學描述如下：

輸入層：該層的輸入為特征變量，每個輸入層神經元的輸出為：

x^p(t)＝o^p(t),????????????????????????????????(1)

其中，x^p(t)為第t時刻輸入層第p個神經元的輸出，t＝1,…,Q，p＝1,...,5；o^p(t)為第t時刻輸入層第p個神經元的輸入，o¹(t)表示t時刻氨氮濃度，o²(t)表示t時刻硝態氮濃度，o³(t)表示t時刻出水懸浮物濃度濃度，o⁴(t)表示t時刻生化需氧量濃度，o⁵(t)表示t時刻出水總磷濃度；

隱含層:該層的輸入為輸入層的輸出，該層輸出表示為：

其中為t時刻隱含層第k個神經元的輸出值，k＝1,…,10；c^pk(t)為t時刻第k個隱含層神經元的第p個隸屬度函數的中心，在區間(0,1]中隨機取值，σ^pk(t)為t時刻第k個隱含層神經元的第p個隸屬度函數的寬度，在區間(0,1]中隨機取值；

規則層：該層的輸入為隱含層的輸出，每個規則層神經元的輸出為：

其中，v^k(t)為t時刻規則層第k個神經元的輸出值；

輸出層：該層的輸入為規則層的輸出，輸出層神經元的輸出為：

其中，y(t)為t時刻模糊神經網絡智能預測模型的輸出，w^k(t)為t時刻第k個規則層神經元與輸出神經元之間的權值；

(3)利用遷徙學習算法調整模糊神經網絡智能預測模型的參數

①利用歷史數據構建用于獲取遷徙知識的參考模糊神經網絡模型，其網絡的結構與智能預測模型相同，參考模糊神經網絡模型的輸出為：

其中，y_Z(n)為n時刻參考模糊神經網絡模型的輸出，n＝1,…,N，為n時刻參考模糊神經網絡模型第k個規則層神經元與輸出神經元之間的權值，在區間[-1,1]中隨機取值；為n時刻參考模糊神經網絡模型第k個隱含層神經元的第p個隸屬度函數的中心，在區間(0,1]中隨機取值；為n時刻參考模糊神經網絡模型第k個隱含層神經元的第p個隸屬度函數的寬度，在區間(0,1]中隨機取值；

②利用梯度下降算法訓練參考模糊神經網絡模型；參考模糊神經網絡模型的中心寬度和權值的更新規則如下：

其中，E(n)為n時刻參考模糊神經網絡模型的目標函數，y_Zd(n)為n時刻參考模糊神經網絡模型的期望輸出值，λ為梯度下降算法的學習率，在區間[0.01,0.1]中隨機取值；

③利用公式(6)計算E(n+1)，若n＝N或E(n+1)0.01時停止計算，選取n時刻的中心寬度和權值作為參考模糊神經網絡的參數，完成訓練；否則n＝n+1返回步驟②；

④從參考模糊神經網絡模型中提取參數知識；參數知識表示為

其中，為n時刻從參考模糊神經網絡模型提取的第k個參數知識，為n時刻從參考模糊神經網絡模型提取的參數知識；

⑤利用粒子濾波算法調整參數知識，粒子濾波算法包含三個步驟：知識采樣，知識評估，知識融合；知識采樣過程為

K_l(t)＝K_Z(n)+δ_l(t),??????????????????????????(11)

其中，K_l(t)為t時刻的第l個采樣參數，l＝1,…,L，L為采樣參數的個數，L＝30；δ_l(t)為隨機采樣向量，采樣向量的每個值在區間[0,1]中隨機取值；

知識評價包括知識多樣性和知識匹配度兩個指標，兩個指標表示為

其中，M_l(t)為t時刻第l個采樣參數對智能預測模型訓練數據樣本的預測誤差，y(K_l(t),o(t))為t時刻以第l個采樣參數作為參數的模糊神經網絡輸出值，y_d(t)為t時刻模糊神經網絡智能預測模型的期望輸出值，o(t)＝[o¹(t),…,o⁵(t)]為t時刻模糊神經網絡智能預測模型的輸入，D_l(t)為t時刻第l個采樣參數與參數知識的歸一化余弦距離，cos(K_l(t),K_Z(t))為第l個采樣參數和參數知識之間的余弦值；基于以上兩個指標，知識評價結果為

其中，ω_l(t)為t時刻第l個采樣知識的重要性權值；

知識融合過程可以表示為

其中，為t時刻得到的重構知識，第k個重構知識表示為

mstyle mathvariant=normalmik/mi/mstylemstyle mathvariant=normalmrowmsubsupmrow/miR/mimik/mi/msubsupmfenced close=) open=(mit/mi/mfenced/mrowmo=/momsupmfenced close=] open=[mrowmrowmic/mimsubsupmrow/miR/mimrowmn1/mnmik/mi/mrow/msubsupmfenced close=) open=(mit/mi/mfencedmo,/momi./mimi./mimi./mimo,/mo/mrowmic/mimrowmsubsupmrow/miR/mimrowmip/mimik/mi/mrow/msubsupmfenced close=) open=(mit/mi/mfencedmo,/momi./mimi./mimi./mimo,/mo/mrowmic/mimrowmsubsupmrow/miR/mimrowmiP/mimik/mi/mrow/msubsupmfenced close=) open=(mit/mi/mfencedmo,/mo/mrowmiσ/mimrowmsubsupmrow/miR/mimrowmn1/mnmik/mi/mrow/msubsupmfenced close=) open=(mit/mi/mfencedmo,/momi./mimi./mimi./mimo,/momiσ/mimrowmsubsupmrow/miR/mimrowmip/mimik/mi/mrow/msubsupmfenced close=) open=(mit/mi/mfencedmo,/momi./mimi./mimi./mimo,/momiσ/mimrowmsubsupmrow/miR/mimrowmiP/mimik/mi/mrow/msubsupmfenced close=) open=(mit/mi/mfencedmo,/momiw/mimrowmsubsupmrow/miR/mimik/mi/msubsupmfenced close=) open=(mit/mi/mfenced/mrow/mrow/mrow/mrow/mrow/mfencedmstyle mathvariant=normalmiT/mi/mstyle/msupmo,/momspace width=0.167em/mspace width=0.167em/mspace width=0.167em/mspace width=0.167em/mspace width=0.167em/mspace width=0.167em/mspace width=0.167em/mspace width=0.167em/mspace width=0.167em/mspace width=0.167em/mspace width=0.167em/mspace width=0.167em/mspace width=0.167em/mfenced close=) open=(mn16/mn/mfenced/mstyle

⑥利用重構知識和數據調整模糊神經網絡智能預測模型的參數；智能預測模型的目標函數為

其中，E^KD(t)為t時刻智能預測模型的目標函數，e(t)＝y(t)-y_d(t)為t時刻模糊神經網絡智能預測模型的輸出誤差，α(t)和β(t)為平衡參數，α(t)在區間(0.5,1]之間取值，β(t)在區間(0,0.1]之間取值；c^pk(t)，σ^pk(t)，w^k(t)，α(t)和β(t)的更新規則如下：

⑦利用公式(17)計算E^KD(t+1)，若t＝Q或E^KD(t+1)0.01時停止計算，選取t時刻的中心c^pk(t)，寬度σ^pk(t)和權值w^k(t)作為模糊神經網絡的參數，完成訓練；否則t＝t+1，返回步驟⑥；

(5)出水總氮濃度預測

利用訓練好的模糊神經網絡智能預測模型預測出水總氮；使用采集到的氨氮，硝態氮，出水懸浮物濃度，生化需氧量，出水總磷作為模型的輸入變量，得到模型的出水總氮預測輸出值。