[发明专利]一种动态模块化神经网络的氨氮在线软测量方法

摘要

一种动态模块化神经网络的氨氮在线软测量方法，属于检测技术及仪表研究技术领域。本发明针对当前污水处理过程中出水水质关键参数氨氮NH3-N测量周期长，不能在线检测的问题，采用了多模型的软测量方法实现了辅助变量与NH3-N之间的映射，对NH3-N进行在线软测量。与一般的在线学习方法相比较具有更高的预测精度，是一种使用范围广，可靠性高，鲁棒性强的软测量方法；本发明克服了单模型建模学习时间长、过程匹配不佳、外推能力差、没有知识积累等缺陷。

主权项

1.一种动态模块化神经网络的氨氮在线软测量方法，其特征在于：包括以下步骤：步骤1：设计用于NH3-N在线软测量的动态模块化神经网络拓扑结构；网络分为5层：输入层、RBF层、任务分配层、子网络层、集成输出层；输入为曝气池进水水质指标，输出为出水水质NH3-N浓度；输入层：包括n个输入节点，n为输入样本的维数，k时刻的输入样本表示为x(k)＝[x₁(k)，…，x_n(k)]^T；RBF层：包括l个RBF神经元，每个神经元的激活函数为在动态模块化神经网络中，激活函数Φ_i(x(k))被定义为硬限幅函数：若满足公式‖x(k)-c_i‖≤δ_i，则Φ_i(x(k))＝1    (1)若满足公式‖x(k)-c_i‖＞δ_i，则Φ_i(x(k))＝0式中，c_i为第i个RBF神经元的数据中心，δ_i为第i个RBF神经元的扩展宽度；公式(1)表示在输入样本空间中以c_i为球心，以δ_i为半径作一个超球面，当输入点在该超球面内时输出为1，在超球面以外时输出为0；任务分配层：该层的任务是根据RBF层中RBF神经元的输出和k时刻输入样本x(k)在输入样本空间中的位置，由模糊策略决定给k时刻输入样本x(k)分配不同的子网络进行学习；子网络层：该层由子神经网络组成，其个数与RBF层中RBF神经元个数相同，且为一一对应的关系；该层的主要任务是学习由任务分配层分配来的输入样本；集成输出层：该层的主要任务是对k时刻各子神经网络的学习结果进行集成输出，集成输出的结果Y(x(k))，公式如下：Y(x(k))=Σi=1pαiyik(x(k))---(2)]]>式中，p为被x(k)激活的子神经网络的个数；α_i为各子神经网络的集成权值，且有y_ik为子网络层中第i个子神经网络对k时刻的输入样本x(k)的输出，且有y_ik(x(k))＝v_if(w_ix(k)+b1_i)+b2_i式中，w_i为第i个子神经网络输入层到隐含层的权连接矩阵；v_i为第i个子神经网络隐含层到输出层的权连接矩阵；f(·)为子神经网络隐含层神经元的激活函数；b1_i为第i个子神经网络隐含层神经元的偏移向量；b2_i为第i个子神经网络输出层神经元的偏移向量；步骤2：输入变量的确定及归一化处理；确定输入变量为：污水出水水质氨氮预测模型输入样本包括入水氨氮、入水化学需氧量、入水悬浮物、入水PH值、反应池溶解氧浓度、反应池混合液可挥发性悬浮固体浓度，输出样本为出水氨氮预测值；由于上述自变量之间差异较大且量纲不同，采用在线递归中心化压缩方法进行归一化处理：设k时刻的输入样本和输出样本对为：Z(k)＝[x₁(k)，x₂(k)，…，x₆(k)，x₇(k)]    (3)式中，x₁(k)，x₂(k)，...，x₆(k)表示输入样本在k时刻的值，作为k时刻神经网络的输入；x₇(k)表示k时刻氨氮浓度的目标值，作为k时刻神经网络的期望输出值；则在线递归中心化压缩，公式为：Zj(k)=Zj(k)-Z‾j(k)σj(k)---(4)]]>Z‾j(k)=k-1kZ‾j(k-1)+1kZj(k)---(5)]]>σj2(k)=k-1kσj2(k-1)+1k-1(Zj(k)-Z‾j(k))2,j=1,...,7---(6)]]>其中，Z_j(k)表示k时刻输入样本的第j个分量，表示j个分量的平均值，σ_j表示j个分量之间的标准差；步骤3：对归一化后的k时刻输入样本x(k)，首先，在线更新RBF层RBF神经元的个数及各RBF神经元的数据中心；其次，任务分配层根据RBF层RBF神经元的输出，由模糊策略确定并激活子网络层中不同的子神经网络学习该输入样本x(k)；最后对被激活的各子神经网络的输出进行动态集成形成输出；步骤4：集成输出Y(k)即为k时刻出水氨氮NH3-N的软测量结果，采集下一时刻的输入数据，返回步骤2。