[发明专利]一种基于自适应剪枝前馈小世界神经网络的出水BOD软测量方法

说明书

一种基于自适应剪枝前馈小世界神经网络的出水BOD软测量方法涉及控制领域。利用辅助变量预测出水BOD的软测量方法解决了过去污水水质监测的参数不便测量、测量周期长、模型稳定性差和造价高等弊端，在一般神经网络模型中引入小世界属性提高了计算精度，提出了基于自适应修剪型前馈小世界神经网络的出水BOD浓度软测量方法，具有实时性好、测量方便、模型稳定等优点。本发明针对小世界神经网络结构冗杂的缺点，引入了一种自适应l_1/2正则化方法对小世界神经网络中不重要的连接权值进行删减，既减小了神经网络的规模降低了神经网络复杂度，又保存了神经网络中重要的连接权值。

技术领域:

本发明是一种基于自适应剪枝前馈小世界神经网络的出水BOD预测方法，旨在实现BOD浓度的实时预测，涉及控制领域，又直接应用于污水处理领域。

背景技术:

生化需氧量(Biochemical Oxygen Demand，BOD)是指在一定条件下，微生物分解存在于水中的可生化降解有机物所进行的生物化学反应过程中所消耗的溶解氧的数量，是评价污水水质、反应水中有机污染物含量的重要综合指标。为了有效控制水体污染，需要对出水BOD浓度进行快速准确的测量。目前BOD测量的方法有稀释与接种法、微生物传感器快速测定法等。稀释与接种法需要5天的测定时间，过程耗时且对温度要求严格，很难做到实时准确的测量。而微生物传感器由于材料昂贵、难以循环使用大大增加了运行成本。因此，如何低成本、高效率地对出水BOD浓度进行检测是污水处理过程面临的难题。

软测量方法是一种通过搭建模型利用易测得变量实时预测难测变量的间接测量方法，因其易操作性在污水处理领域被广泛应用，是监测污水水质参数的关键性技术。本发明设计了一种基于自适应剪枝前馈小世界神经网络的出水BOD浓度软测量方法，实现对出水BOD浓度的预测。

发明内容：

1、本发明需要且能够解决的技术问题：

本发明提出了一种基于自适应剪枝前馈小世界神经网络的出水BOD软测量方法，对污水处理出水BOD浓度进行预测，解决了污水处理过程出水BOD实时检测难的问题并且提高了其预测精度。

2、本发明具体的技术方案：

本发明提供了一种基于自适应剪枝前馈小世界神经网络的污水处理出水生化需氧量(BOD)软测量方法。该算法包括以下步骤：

步骤1：数据预处理；

与出水BOD相关的10个辅助变量作为输入变量，包括：(1)出水总氮浓度；(2)出水氨氮浓度；(3)进水总氮浓度；(4)进水BOD浓度；(5)进水氨氮浓度；(6)出水磷酸盐浓度；(7)生化混合液体悬浮物浓度(MLSS)；(8)生化池溶解氧浓度(DO)；(9)进水磷酸盐浓度；(10)进水COD浓度；按照公式(1)归一化至[-1,1]，输出变量为出水BOD，按照公式(2)归一化至[0,1]：

其中，F_m表示第m个辅助变量，O表示输出变量，x_m和y分别表示归一化后的第m个辅助变量和输出变量；min(F_m)和max(F_m)分别表示第m个辅助变量中的最小值和最大值；min(O)和max(O)分别表示输出变量中的最小值和最大值；

步骤2：设计前馈小世界神经网络模型；

步骤2.1：构建标准前馈神经网络模型；构造一个L层的规则前馈神经网络；由输入层、输出层和隐含层组成，同层之间的节点没有连接，相邻两层之间的节点两两相连，前一层节点的输出即为后一层节点的输入；定义W和V分别为输入到隐藏层和输出层的连接权重矩阵，对W和V的连接权值进行随机初始化，初始权值设置的取值范围为[-1,1]；