基于RBF神經(jīng)網(wǎng)絡(luò)的出水COD預(yù)測(cè)模型研究

來源：http://www.attrakmagnet.com/ 作者：余氯檢測(cè)儀 時(shí)間：2019-09-02

　　摘 要：本文主要研究了基于RBF神經(jīng)網(wǎng)絡(luò)出水COD預(yù)測(cè)模型。首先通過數(shù)據(jù)處理提高數(shù)據(jù)質(zhì)量，以利于后續(xù)處理，利用蟻群算法和最小二乘法訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)中心和權(quán)值，最后通過仿真測(cè)試驗(yàn)證了模型的有效性，并給出了模型的具體實(shí)現(xiàn)方案。

　　關(guān)鍵詞：自動(dòng)控制;RBF神經(jīng)網(wǎng)絡(luò);出水COD

　　在污水處理中，出水COD在線檢測(cè)具有重要的作用：第一，它是衡量出水水質(zhì)的重要標(biāo)準(zhǔn);第二，它是調(diào)節(jié)回流污泥量的主要依據(jù)。本文主要研究如何利用RBF神經(jīng)網(wǎng)絡(luò)技術(shù)來建立出水COD的預(yù)測(cè)模型。

　　1 建模數(shù)據(jù)的采集與處理

　　建模數(shù)據(jù)的采集：

　　本文以鞍山活性污泥法水處理廠污水處理過程為研究對(duì)象，根據(jù)該廠的生產(chǎn)工藝可知，污水從進(jìn)廠到出廠的HRT(水力平均停留時(shí)間)為20小時(shí)，水力平均停留時(shí)間為23小時(shí)。利用同一時(shí)刻的水質(zhì)參數(shù)和運(yùn)行參數(shù)，這一點(diǎn)尤為重要，否則建立的模型是偽模型，沒有實(shí)際意義。依據(jù)上面的要求，我們采集了鞍山污水處理廠400條生產(chǎn)數(shù)據(jù)信息。

　　從工業(yè)現(xiàn)場(chǎng)采集的數(shù)據(jù)信息通常含有隨機(jī)誤差甚至過失誤差，這些錯(cuò)誤數(shù)據(jù)將導(dǎo)致系統(tǒng)預(yù)測(cè)模型工作性能的下降，嚴(yán)重情況會(huì)導(dǎo)致工作失敗。因此，我們必須對(duì)收集到的各種測(cè)量數(shù)據(jù)進(jìn)行前期予處理，方可作為神經(jīng)網(wǎng)絡(luò)模型的輸入。在一次操作中通過對(duì)異常數(shù)據(jù)進(jìn)行剔除，總刪除了70條噪聲數(shù)據(jù);處理完過失誤差后，還要處理樣本數(shù)據(jù)內(nèi)的隨機(jī)誤差，我們以7點(diǎn)滑動(dòng)平均方法處理建模數(shù)據(jù)的隨機(jī)誤差，能夠有效消除數(shù)據(jù)中的隨機(jī)誤差。前面對(duì)建模數(shù)據(jù)采取正規(guī)化處理后，可以供神經(jīng)網(wǎng)絡(luò)建模使用，保證模型工作的準(zhǔn)確性。

　　2 基于 RBF神經(jīng)網(wǎng)絡(luò)出水COD預(yù)測(cè)模型

　　徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱徑向基網(wǎng)絡(luò))是由J.Moody和C.Darken于20世紀(jì)80年代末提出的，這種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有單隱層的三層前饋網(wǎng)絡(luò)。

　　RBF神經(jīng)元的核心結(jié)構(gòu)就是徑向基函數(shù)構(gòu)成的，RBF神經(jīng)元模型如圖1所示。

　　其輸出表達(dá)式為

　　(1)

　　其中：radbas為徑向基函數(shù)，且：

　　(2)

　　稱之為歐幾里德距離。

　　RBF神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱徑向基網(wǎng)絡(luò))是由RBF神經(jīng)元構(gòu)成的多層前饋網(wǎng)絡(luò)，它具有其它BP網(wǎng)絡(luò)一樣的網(wǎng)絡(luò)結(jié)構(gòu)，是一種三層靜態(tài)前向網(wǎng)絡(luò)。其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如下圖2所示。

　　由圖可以看出，拓?fù)浣Y(jié)構(gòu)第一層為數(shù)據(jù)輸入層，含有多個(gè)輸入結(jié)點(diǎn)：第二層為隱含層，含有多個(gè)神經(jīng)元，神經(jīng)元數(shù)由所描述問題的具體需要決定;第三層為數(shù)據(jù)輸出層，也有多個(gè)輸出，針對(duì)輸入模式作出系統(tǒng)響應(yīng)。

　　在RBF網(wǎng)絡(luò)中，隱含層完成非線性變換，將輸入數(shù)據(jù)空間映射到一個(gè)新的空間，輸出層在該新的空間中對(duì)輸入進(jìn)行線性組合，通過調(diào)節(jié)線性組合器的權(quán)重系數(shù)改變系統(tǒng)模型參數(shù)。構(gòu)造和訓(xùn)練一個(gè)RBF神經(jīng)網(wǎng)絡(luò)就是要使映射函數(shù)通過學(xué)習(xí)，確定出每個(gè)隱層神經(jīng)元基函數(shù)的中心，寬度以及隱層到輸出層的權(quán)值這些參數(shù)的過程，從而可以完成所需的輸入到輸出的映射。RBF網(wǎng)絡(luò)的三部分參數(shù)在映射中起不同的作用，這點(diǎn)與BP網(wǎng)絡(luò)單純由權(quán)參數(shù)構(gòu)成是不同的，隱含層的中心和寬度代表了樣本空間模式及各中心的相對(duì)位置，完成的是從輸入空間到隱含層空間的非線性映射，而輸出層的權(quán)值是實(shí)現(xiàn)從隱含層空間到輸出空間的線性映射。RBF網(wǎng)絡(luò)隱含層的設(shè)計(jì)是模型的核心，中心和寬度的選取合適與否影響RBF網(wǎng)絡(luò)的最終性能。

　　RBF網(wǎng)絡(luò)的學(xué)習(xí)包括網(wǎng)絡(luò)中心參數(shù)的確定和權(quán)值的學(xué)習(xí)，權(quán)值學(xué)習(xí)方法比較簡(jiǎn)單，一般采用最小二乘法極其改進(jìn)算法。實(shí)際工作中，確定RBF網(wǎng)絡(luò)中心參數(shù)很復(fù)雜，這是因?yàn)镽BF網(wǎng)絡(luò)從輸入空間到隱含層空間進(jìn)行非線性變換依賴于RBF中心的數(shù)目、位置以及作用域?qū)挾?。在RBF網(wǎng)絡(luò)中采取何種非線性函數(shù)形式對(duì)網(wǎng)絡(luò)性能的影響不同，而RBF中心的數(shù)目、位置和作用寬度對(duì)RBF網(wǎng)絡(luò)的性能影響至關(guān)重要。

　　3 模型仿真測(cè)試

　　這里我們使用MATLAB軟件對(duì)建立好的出水COD值的RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行仿真研究。首先隨機(jī)選取了預(yù)處理后數(shù)據(jù)中的280組對(duì)模型進(jìn)行訓(xùn)練，下圖給出了網(wǎng)絡(luò)訓(xùn)練誤差下降曲線。(圖3)

　　模型訓(xùn)練完畢后，這里選擇了剩余的50組數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試，下圖給出了測(cè)試結(jié)果：(圖4)

　　從上面的預(yù)測(cè)結(jié)果可以知道，此模型的預(yù)測(cè)誤差分布在±4%之間，可以滿足現(xiàn)場(chǎng)要求。

　　這里研究的出水COD預(yù)測(cè)模型是一個(gè)復(fù)雜的神經(jīng)網(wǎng)絡(luò)算法，要想將該模型應(yīng)用到實(shí)際生產(chǎn)中去，必須編寫預(yù)測(cè)模型軟件。這里采用VC編寫程序，可以實(shí)現(xiàn)復(fù)雜算法，而且功能較強(qiáng)。如查采和WINCC編寫VB或者C程序的腳本，由于其功能不是很強(qiáng)，難以適合復(fù)雜數(shù)據(jù)管理工作。

——本文由豐臨科技整理發(fā)布，內(nèi)容供參考，如有侵權(quán)，請(qǐng)聯(lián)系刪除，謝謝！上海豐臨科技有限公司為你提供濁度儀(濁度計(jì))、在線濁度儀、余氯儀、余氯分析儀、工業(yè)在線pH計(jì)、cod測(cè)定儀、pH計(jì)等多種水質(zhì)檢測(cè)儀，水質(zhì)分析儀，歡迎您前來選購，豐臨科技竭誠為您服務(wù)！