申请/专利权人：北京工业大学

申请日：2021-03-22

公开（公告）日：2024-05-28

公开（公告）号：CN113077039B

主分类号：G06N3/02

分类号：G06N3/02;G06F18/214;G06F17/16;G01N33/18

优先权：

专利状态码：有效-授权

法律状态：2024.05.28#授权;2021.07.23#实质审查的生效;2021.07.06#公开

摘要：本发明公开一种基于任务驱动RBF神经网络的出水总氮TN软测量方法，本发明基于任务驱动径向基神经网络建立了出水总氮软测量模型，实现了对出水总氮浓度的实时精准获取；首先，结合机理知识和互信息分析，确定与出水TN相关的特征变量；然后，有机结合二阶学习算法和自适应结构增删算法，自适应设计任务驱动RBF神经网络，建立城市污水处理出水总氮TN软测量模型，实现对出水总氮TN的实时检测，解决城市污水处理出水总氮TN难以实时精准测量的问题。

主权项：1.一种基于任务驱动RBF神经网络的出水总氮TN软测量方法，其特征在于，包括如下步骤：步骤1、确定出水总氮TN软测量模型的输入与输出变量根据污水处理厂获取的实际数据，利用互信息分析出水总氮TN与其他相关变量之间的相关性，确定进水水温、出水水温、出水氨氮NH4-N、进水总氮TN、进水总磷TP、悬浮物浓度为辅助变量；步骤2、构建用于出水总氮TN智能检测的软测量模型：利用任务驱动RBF神经网络建立出水总氮TN的软测量模型，任务驱动自适应RBF神经网络包括：输入层、隐含层、输出层；初始时刻，神经网络的结构为6-0-1的连接方式，输入层有6个神经元，隐含层没有神经元，输出层有1个神经元，神经网络的输入向量表示为x＝x1,x2,...,x6T，x1,x2,x3,x4,x5,x6分别代表进水水温、出水水温、出水氨氮、进水总氮、进水总磷、混合液悬浮固体浓度；输出层输出的是出水总氮TN的值，输出层的神经元数为1；步骤3、训练任务驱动RBF神经网络；步骤4、将测试样本数据作为训练好的任务驱动自适应RBF神经网络的输入，神经网络的输出即为出水总氮TN浓度的预测结果；步骤3具体为：①初始时刻，网络隐含层神经元数为0；②寻找具有最大绝对期望输出值的样本，增加第一个神经元，初始时刻，隐含层神经元数置0，当前网络最大绝对残差所对应的数据样本即为拥有最大绝对期望输出的样本k1:k1＝argmax[||yd1||,||yd2||,...,||ydp||,...||ydP||]5其中，P代表训练样本的个数，ydp表示第p个样本的期望输出，增加第一个RBF神经元设置如下： σ1＝18③用改进型二阶算法对网络参数进行调整，方法如下：Ψt+1＝Ψt-Ht+λIt-1Ωt.9其中，H是类海森矩阵，λ为取值为正常数的学习率参数，I是单位矩阵，Ω为梯度向量，Ψ指代所有参数，Ψt＝[c1t,c2t,...,clt,σ1t,σ2t,...,σlt,w1t,w2t,...,wlt]10将类海森矩阵转化为多个类海森子矩阵的和，对梯度向量Ω的计算可转化为对梯度子向量求和，如下式所示： 其中，子海森矩阵和子梯度向量可由下式计算： 雅可比向量jpt的计算如下： 其中，l为隐含层神经元个数，N为输入向量维数，利用微分链式法则，上式中的雅可比矩阵行元素可以写为： ④计算网络瞬时残差向量，找到残差峰值点所在位置，在该处新增一个神经元，然后用改进型二阶算法对网络参数进行调整，在t时刻，对所有训练集样本，计算残差向量如下：et＝[e1t,e2t,...,ept,...ePt]T19第p个样本的残差值计算如下：ept＝ydp-ypt20其中，ydp和ypt分别为第p个样本的期望输出以及t时刻的实际输出；寻找当前残差峰值点所在位置：kt＝argmax||et||21则可认为当前网络对第kt个样本的学习能力不够，增加一个RBF神经元对当前样本进行学习，新增神经元中心向量和输出权值设置如下： 当满足如下关系时，已有神经元对新增神经元影响较小： cmin＝argmindistct,cj≠t25因此，可得到以下关系： 目前，在实验过程中，通常取σt＝0.7||ct-cmin||；⑤若RBF神经元数量达到Jmax或训练误差达到E0，则存储当前均方误差MSE_0,并进入步骤⑥，否则重复④和⑤，MSE的计算公式如下： ⑥计算各隐含层神经元显著性指标，删除显著性最低的神经元，并用改进型二阶学习算法对网络参数进行调整，获得修剪后的网络的均方误差MSE_1，定义神经元显著性指标的计算方法如下： 其中，wj为第j个神经元到输出神经元的连接权值；⑦比较删除神经元后的误差MSE_1与删除神经元前的误差MSE_0,如果当前MSE_1小于或等于MSE_0，则转到步骤④继续修剪过程；否则，恢复到修剪前的结构，基于任务驱动的自适应RBF神经网络构建完成。

全文数据：

权利要求：

百度查询： 北京工业大学 基于任务驱动RBF神经网络的出水总氮TN软测量方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD