[發(fā)明專利]一種基于PLS-PSO-RBF神經(jīng)網(wǎng)絡(luò)模型的污水質(zhì)量監(jiān)測方法

有效

• 申請?zhí)枺?/td>: 202110300717.8
• 申請日: 2021-03-13
• 公開（公告）號: CN113222324B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 陳楊;陳勇旗;謝一凡
• 申請（專利權(quán)）人: 寧波大學(xué)科學(xué)技術(shù)學(xué)院
• 主分類號: G06Q10/0639
• 分類號: G06Q10/0639;G06N3/0464;G06N3/08;G06Q50/26
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于PLS-PSO-RBF神經(jīng)網(wǎng)絡(luò)模型的污水質(zhì)量監(jiān)測方法，其特征在于，具體包括如下所示步驟：

步驟(1)：先確定輸入變量，具體由污水進站，曝氣池，和沉淀池三個污水處理環(huán)節(jié)的15個測量變量組成；其中，污水進站的6個測量變量依次是：入水流量，入水溫度，入水色度，入水氯離子濃度，入水懸浮物固體濃度，入水PH值；曝氣池的4個測量變量依次是：污水色度，污水氯離子濃度，污水懸浮物固體濃度，污水PH值；沉淀池的5個測量變量依次是：污水PH值，污泥量，懸浮物固體濃度，污水色度，污水氯離子濃度；再確定輸出變量，具體包括4個測量變量，依次是：生化需氧量，化學(xué)需氧量，總磷濃度，和污泥體積指數(shù)；

步驟(2)：連續(xù)采集n天的數(shù)據(jù)，并將每天采集到的輸入變量與輸出變量對應(yīng)的數(shù)據(jù)分別存儲為一個15×1維與4×1維的數(shù)據(jù)向量，則可得到輸入數(shù)據(jù)向量x₁，x₁，…，x_n和輸出數(shù)據(jù)向量y₁，y₂，…，y_n；其中，第i天的輸入數(shù)據(jù)向量x_i∈R^15×1中的元素按照步驟(1)中15個輸入變量的先后順序排列，第i天的輸出數(shù)據(jù)向量y_i∈R^4×1中的元素按照步驟(1)中4個輸出變量的先后順序排列，i∈{1，2，…，n}，R^15×1與R^4×1分別表示15×1維與4×1維的實數(shù)向量，R表示實數(shù)集；

步驟(3)：組建矩陣X＝[x₁，x₂，…，x_n]^T與矩陣Y＝[y₁，y₂，…，y_n]^T后，再根據(jù)如下所示公式分別對X與Y中的各個列向量實施歸一化處理，得到歸一化后的輸入矩陣與輸出矩陣

其中，上標(biāo)號T表示矩陣或向量的轉(zhuǎn)置，j∈{1，2，…，15}，k∈{1，2，3，4}，z_j(min)和z_j(max)分別表示z_j中元素的最小值和最大值，ε_j(min)和ε_j(max)分別表示ε_j中元素的最小值和最大值，z_j和分別表示X和中的第j列的列向量，ε_k和分別表示Y與中第k列的列向量；

步驟(4)：使用5-折交叉驗證法建立與之間的PLS模型：其中，輸入特征矩陣P∈R^15×A與Q分別表示輸入載荷矩陣和輸出載荷矩陣，E為殘差矩陣，R^15×A表示15×A維的實數(shù)矩陣，A表示輸入特征的個數(shù)；

步驟(5)：搭建一個三層的RBF神經(jīng)網(wǎng)絡(luò)，并使用PSO算法優(yōu)化得到隱層神經(jīng)元的中心點向量c₁，c₂，…，c_n，具體的實施過程如步驟(5.1)至步驟(5.5)所示；其中，輸入層神經(jīng)元的個數(shù)等于A，隱層神經(jīng)元的個數(shù)等于n，輸出層神經(jīng)元的個數(shù)等于4；

步驟(5.1)：初始化迭代次數(shù)g＝0，確定PSO算法的參數(shù)，具體包括：粒子個數(shù)等于N，加速因子α₁與α₂，最大迭代次數(shù)M，和慣性權(quán)重δ_g；其中，慣性權(quán)重δ_g是根據(jù)如下所示公式從δ_max＝1.2線性遞減到δ_min＝0.4：

步驟(5.2)：隨機產(chǎn)生N個n×A維的粒子矩陣U₁，U₂，…，U_N，每個粒子矩陣中的元素都按照均勻分布隨機取值于區(qū)間[0，1]；

步驟(5.3)：計算粒子矩陣U₁，U₂，…，U_N分別對應(yīng)的適應(yīng)度L₁，L₂，…，L_N；其中，計算第γ個粒子矩陣U_γ對應(yīng)的適應(yīng)度L_γ的具體實施過程如步驟(5.3-1)至步驟(5.3-3)所示；

步驟(5.3-1)：分別將S∈R^n×A中的各個行向量s₁，s₂，…，s_n作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)如下所示公式計算RBF神經(jīng)網(wǎng)絡(luò)的隱層輸出向量v₁，v₂，…，v_n：

其中，exp()表示以自然常數(shù)e為底數(shù)的指數(shù)函數(shù)，||s_i-U_γ(h)||²＝[s_i-U_γ(h)][s_i-U_γ(h)]^T，v_i(h)表示v_i∈R^n×1中的第h個元素，U_γ(h)表示第γ個粒子矩陣U_γ中的第h行的行向量，ζ_γ表示第γ個粒子矩陣U_γ對應(yīng)的RBF參數(shù)，h∈{1，2，…，n}，γ∈{1，2，…，N}，R^n×1表示n×1維的實數(shù)向量；

步驟(5.3-2)：根據(jù)計算第γ個粒子矩陣U_γ對應(yīng)的輸出層權(quán)重矩陣θ_γ∈R^n×4后，再計算得到RBF神經(jīng)網(wǎng)絡(luò)的輸出層估計矩陣其中，V_γ＝[v₁，v₂，…，v_n]^T；

步驟(5.3-3)：根據(jù)公式計算第γ個粒子矩陣U_γ對應(yīng)的適應(yīng)度L_γ；其中，表示計算矩陣中所有元素的平方和；

步驟(5.4)：將L₁，L₂，…，L_N中最小值對應(yīng)的粒子矩陣，RBF參數(shù)，和輸出層權(quán)重矩陣分別記錄為U_best，ζ_best和θ_best后，再執(zhí)行PSO算法的種群更新操作，得到更新后的N個粒子矩陣U₁，U₂，…，U_N；

步驟(5.5)：判斷是否滿足條件g＞M；若否，則設(shè)置g＝g+1后返回步驟(5.3)；若是，則將U_best中的各個行向量依次記錄為隱層神經(jīng)元的中心點向量c₁，c₂，…，c_n；

步驟(6)：搭建優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)模型，其中，輸入層神經(jīng)元的個數(shù)等于A，隱層神經(jīng)元的個數(shù)等于n，輸出層神經(jīng)元的個數(shù)等于4，隱層神經(jīng)元的中心點向量是c₁，c₂，…，c_n，RBF參數(shù)為ζ_best，輸出層權(quán)重矩陣為θ_best；

步驟(7)：根據(jù)步驟(1)中的15個輸入變量，采集污水處理廠新一天的數(shù)據(jù)，并將其存儲為一個1×15維的數(shù)據(jù)向量x；其中，數(shù)據(jù)向量x中的元素需依次按照步驟(1)中所述的15個輸入變量的先后順序進行排列；

步驟(8)：按照公式對x中的各個元素進行歸一化處理，得到歸一化后的數(shù)據(jù)向量其中，j∈{1，2，…，15}，x(j)與分別表示x與中的第j個元素；

步驟(9)：根據(jù)公式計算輸入特征向量s∈R^1×A后，再利用步驟(6)中優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)模型，計算得到輸出估計向量具體的實施過程如步驟(9.1)至步驟(9.2)所示；

步驟(9.1)：根據(jù)如下所示公式計算RBF神經(jīng)網(wǎng)絡(luò)的隱層輸出向量u∈R^n×1：

上式中，u(h)表示u中的第h個元素，||s-c_h||²＝(s-c_h)(s-c_h)^T，h∈{1，2，…，n}；

步驟(9.2)：根據(jù)公式計算得到輸出估計向量

步驟(10)：根據(jù)公式分別計算生化需氧量y(1)，化學(xué)需氧量y(2)，總磷濃度y(3)，污泥體積指數(shù)y(4)；其中，k∈{1，2，3，4}，表示中的第k個元素。

2.根據(jù)權(quán)利要求1所述的一種基于PLS-PSO-RBF神經(jīng)網(wǎng)絡(luò)模型的污水質(zhì)量監(jiān)測方法，其特征在于，所述步驟(4)中使用5-折交叉驗證法建立與之間的PLS模型的具體實施過程如下所示：

步驟(4.1)：將輸入矩陣劃分成5個子輸入矩陣X₁，X₂，…，X₅，并對應(yīng)的將輸出矩陣劃分成5個子輸出矩陣Y₁，Y₂，…，Y₅；其中，表示n_m×15維的實數(shù)矩陣，m∈{1，2，3，4，5}，n₁+n₂+n₃+n₄+n₅＝n，劃分子輸入矩陣與子輸出矩陣的具體實施過程如步驟(A)至步驟(C)所示；

步驟(A)：設(shè)置n₁等于n除以5的商，再將中第1行至第n₁行的行向量組成第1個子輸入矩陣X₁，并將中第1行至第n₁行的行向量組成第1個子輸出矩陣Y₁；

步驟(B)：設(shè)置n₄＝n₃＝n₂＝n₁后，依次將中第n₁+1行至第2n₁行的行向量，第2n₁+1行至第3n₁行的行向量，第3n₁+1行至第4n₁行的行向量分別組成子輸入矩陣X₂，X₃，X₄，并同時對應(yīng)的將中相同行的行向量分別組成子輸出矩陣Y₂，Y₃，Y₄；

步驟(C)：設(shè)置n₅＝n-4n₁后，將中最后n₅行的行向量組成子輸入矩陣X₅，并將中最后n₅行的行向量組成子輸出矩陣Y₅；

步驟(4.2)：將第m個子輸入矩陣X_m和子輸出矩陣Y_m分別當(dāng)成測試輸入矩陣與測試輸出矩陣，再將其余的4個子輸入矩陣合并成一個訓(xùn)練輸入矩陣X₀，其余的4個子輸出矩陣合并成一個訓(xùn)練輸出矩陣Y₀；

步驟(4.3)：利用PLS算法建立X₀與Y₀之間的PLS模型：其中，S₀＝X₀P₀，E₀為殘差矩陣，P₀∈R^15×j和Q₀分別為輸入載荷矩陣和輸出載荷矩陣；

步驟(4.4)：根據(jù)公式計算當(dāng)j分別等于1，2，…，15時，測試輸入矩陣對應(yīng)的測試誤差H(m，j)；其中，表示計算矩陣中所有元素的平方和；

步驟(4.5)：重復(fù)上述步驟(4.2)至步驟(4.4)，從而得到當(dāng)m分別等于1，2，…，5時，測試輸入矩陣對應(yīng)的測試誤差后，再將所得的測試誤差組建成誤差矩陣H∈R^5×15；其中，H中的第m行第j列元素等于H(m，j)；

步驟(4.6)：計算誤差矩陣H中所有行向量的均值向量f∈R^1×15，并設(shè)置A等于f中元素最小值所在的列，即f中第A列的元素最小；

步驟(4.7)：利用PLS算法建立與之間的PLS模型：其中，保留的輸入特征的個數(shù)等于A。