[发明专利]一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法

摘要

一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法既属于控制领域，又属于水处理领域。针对当前污水处理过程出水氨氮浓度测量过程繁琐、仪器设备造价高、测量结果可靠性和精确性低等问题，本发明基于城市污水处理生化反应特性，利用一种自适应递归模糊神经网路实现对关键水质参数氨氮浓度的预测，解决了出水氨氮浓度难以测量的问题；结果表明该递归模糊神经网络能够快速。准确地预测污水处理出水氨氮的浓度，有利于提升污水处理过程出水氨氮的浓度质量监控水平和加强城市污水处理厂精细化管理。

主权项

1.一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法，其特征在于，包括以下步骤：(1)确定辅助变量：采用PCA算法对采集到的污水处理厂实际水质参数数据进行相关性分析，并计算出每一个主成分的单独贡献率，得出与出水氨氮浓度相关性强的辅助变量为：出水总氮TN、硝态氮NO3‑N、亚硝态氮NO2‑N、有机氮、总磷TP、混合液悬浮固体浓度MLSS以及曝气池污泥沉降比SV；(2)设计用于出水氨氮浓度预测的递归模糊神经网络拓扑结构，递归模糊神经网络分为六层：输入层、隶属函数层、规则层、递归层、后件层和输出层；各层的计算功能如下：①输入层：该层共有n个神经元，n为辅助变量的个数，每个节点代表一个输入变量xi(t)，该层的目的是将输入值直接传送到下一层，t代表时间序数；xi(t),i＝1,2,...,n  (1)②隶属函数层：该层共有m个神经元，m为12，每个节点代表一个隶属度函数uij(t)，本设计采用高斯型隶属度函数；其中，cij(t)与σij(t)分别为隶属度函数的中心和宽度；③规则层：该层每个节点代表一个模糊逻辑规则wj(t),采用模糊算子为连乘算子；④递归层：该层在规则层后建立自反馈连接，其节点数与规则层的节点数相同，采用小波变换和马尔科夫链法对规则层的历史数据进行分析，以此预测出当前时刻规则层的变化量，将变化量代入到Sigmoid函数中作为递归值，选用线性加和函数将其引入到当前规则计算中；将前k时刻至当前时刻的模糊规则wj(z),z＝t‑k,t‑k+1,...,t‑1,t记为序列Wj(T)，k为样本总数的3％～10％；Wj(T)＝[wj(t‑k),wj(t‑k+1),...,wj(t‑1),wj(t)]  (4)首先对原始时间序列Wj(T)进行多尺度一维离散小波变换，之后对其进行单支重构得到1个近似部分序列Aj(T)与r个细节部分序列D1j(T),D2j(T),...,Drj(T)，r为3；Wj(T)＝Aj(T)+D1j(T)+D2j(T)+...+Drj(T)  (5)近似部分序列Aj(T)的各项记为aj(z),z＝t‑k,t‑k+1,...,t‑1,t，根据Aj(T)的值域，将其各划分为h个模糊状态，即Asj(T),s＝1,2,...,h，h为k的20％～25％，采用三角形隶属函数定义序列Aj(T)各项对应的模糊状态的隶属函数为μs(aj(z)),s＝1,2,...,h,z＝t‑k,t‑k+1,...,t‑1,t，其隶属函数的计算方法如下：其中min(Asj(T))、average(Asj(T))、max(Asj(T))分别为模糊状态Asj(T),s＝1,2,...,h的最小值、平均值和最大值；构建状态转移矩阵，定义序列A_j(T)中从t‑k时刻至t‑1时刻的序列a_j(z),z＝t‑k,t‑k+1,...,t‑1落入状态A^s_j(T)中的“个数”为则有：定义序列A_j(T)从模糊状态s₁＝1，2，...，h转移到模糊状态s₂＝1，2,...,h的“个数”为则有：其中，μs1(aj(z)),μs2(aj(z+1)),z＝t‑k,t‑k+1,...,t‑1为模糊状态As1j(T)与模糊状态As2j(T)的隶属函数；由公式(7)‑(8)，定义序列A_j(T)从模糊状态到的转移概率为即：因此，由公式(9)定义序列A_j(T)的一阶马尔可夫状态转移概率矩阵为其中为模糊状态A¹_j(T)到A¹_j(T)的状态转移概率，为模糊状态A¹_j(T)到A²_j(T)的状态转移概率，……，为模糊状态A^h_j(T)到A^h_j(T)的状态转移概率时刻t时的序列点为a_j(t)，由公式(6)可以计算出该时刻点对于各状态的隶属度分别为μ^s(a_j(t)),s＝1,2,...,h，将其表示为向量则：则时间序列在t+1时刻的状态向量为：其中可记为μ^s(a_j(t+1)),s＝1,2,...,h；采用权重均值法，对得到的模糊状态向量进行去模糊化，进而得到预测值其中，为模糊状态A^s_j(T)对应的特征值，即该序列中具有最大隶属度的值；同理，可得到细节部分序列(D1j、D2j、...、Drj)的预测值(d1*j(t+1)、d2*j(t+1)、...、dr*j(t+1))；重构序列后，得到模糊规则w_j第t+1时刻的预测值计算模糊规则的下一时刻预测值与当前网络的变化量为δj(t+1)：将变化量代入到代入到Sigmoid函数中作为递归量λj(t+1)：⑤后件层：该层的每个节点执行T‑S型模糊算子同对应的递归变量求和，得到后件值οj(t)；oj(t)＝wj(t)+λj(t)  (17)⑥输出层：该层有一个输出节点，对其输入量进行求和实现去模糊化，得到输出值y(t)；其中，p0j(t),p1j(t),...,pnj(t)为模糊系统参数；(3)网络的参数学习算法：该网络选取梯度下降算法来调节网络参数，相关算法定义如下：①定义误差函数e(t)为：其中，yd(t)是网络在t时刻的期望输出，yc(t)是网络在t时刻的实际输出；②系数修正：其中p_ij(t)为t时刻的模糊系统参数，p_ij(t‑1)为t‑1时刻的模糊系统参数，为t时刻模糊系统参数的变化率，η为学习率，在0.05～0.15之间取值；②中心宽度修正：其中c_ij(t)与σ_ij(t)分别为t时刻的隶属度函数的中心和宽度，c_ij(t‑1)与σ_ij(t‑1)分别为t‑1时刻的隶属度函数的中心和宽度，为t时刻隶属度函数中心的变化率，为t时刻隶属度函数宽度的变化率；(4)网络的训练样本与测试样本：输入训练样本数据x(t+1)，重复步骤(2)‑(3)，所有训练样本训练结束后停止计算。