[发明专利]一种基于PLS-PSO-RBF神经网络模型的污水质量监测方法

说明书

本发明公开一种基于PLS‑PSO‑RBF神经网络模型的污水质量监测方法，实现了在小样本的前提下，利用RBF神经网络建立符合精度要求的污水质量监测模型，从而实现对污水出水端质量的实时监测或软测量。具体来讲，本发明方法首先使用PLS算法来降低输入数据的维数，然后使用PSO算法优化得到RBF神经网络各个隐层神经元的中心点向量，进而基于PLS‑PSO‑RBF神经网络模型实时污水出水端质量的实时监测。本发明方法通过PLS算法的降维策略，能降低污水质量监测建模时遇到的小样本问题相对于输入变量维数的负面影响。同时通过PSO算法优化搜寻出多个隐层神经元的中心点向量，能较大程度的保证RBF神经网络模型的精度。

技术领域

本发明涉及一种污水质量软测量方法，特别涉及一种基于PLS-PSO-RBF神经网络模型的污水质量监测方法。

背景技术

污水处理厂对污水出水质量的监测能直接影响到自然水环境以及公众的健康，因为不适宜的污水处理会将有害物质排放进大自然中，从而会传播疾病影响大众生活与工作。一般而言，污水出水的生化需氧量(Biochemical Oxygen Demand，缩写：BOD)、化学需氧量(Chemical Oxygen Demand，缩写：COD)、总磷浓度(Total Phosphorus，缩写：TP)、污泥体积指数(Sludge Volume Index，缩写：SVI)四个指标对于监测污水的出水质量有着重要作用。因此，监测污水质量其实就是在监测上述这四个污水的指标。

监测这个四个指标的技术手段无外乎直接测量与间接测量，直接测量通过仪器仪表直接测量得到，又可分为在线直接测量和离线直接测量。在线直接测量对仪表的可靠性要求比较高，且相应仪表的价格高昂，不为国内污水处理厂所采纳，离线直接测量则是通过采集污水出口端的污水样本，通过分析得到，这类离线直接测量方式为国内大多数污水处理厂所采纳，主要原因是其技术成本低，且测量数据非常可靠。但是，离线直接测量无法实时获取污水的质量指标数据，一般都是按照每天一次采样测量的频率实施的。

除此之外，还可采用数据驱动的软测量方式。实施污水质量软测量的算法有很多，其中以径向基函数(Radial Basis Function，缩写：RBF)神经网络是其中一类最具代表性的软测量方法，已经有相应的研究使用RBF神经网络实施污水出水端TP浓度的软测量。然而，由于软测量技术需要依赖大量的前期采样数据，特别是RBF神经网络对数据量的要求更高，不然无法保证软测量精度。如前所述，国内的污水处理厂的前期测量数据最多是按照每天采样的方式记录积累的，一年最多也就365个样本数据，远没达到RBF神经网络对数据量的要求。因此，小样本问题是建立污水质量监测模型必须考虑的一个问题。此外，RBF神经网络自身结构上的调整与优化同样也会影响软测量精度，因此利用RBF神经网络实施污水质量监测还需更进一步考虑网络结构及其参数的优化。

发明内容

本发明所要解决的主要技术问题是：如何在小样本的前提下，利用RBF神经网络建立符合精度要求的污水质量监测模型，从而实现对污水出水端质量的实时监测或软测量。具体来讲，本发明方法首先使用偏最小二乘(Partial Least Squares，缩写：PLS)算法来降低输入数据的维数，然后使用粒子群优化(Particle Swarm Optimization，缩写：PSO)算法优化得到RBF神经网络各个隐层神经元的中心点向量，进而基于PLS-PSO-RBF神经网络模型实时污水出水端质量的实时监测。

本发明方法解决上述问题所采用的技术方案为：一种基于PLS-PSO-RBF神经网络模型的污水质量监测方法，包括以下所示步骤：