基于RBF神經(jīng)網(wǎng)絡的出水COD預測模型研究

來源：http://www.tymozhou.com/ 作者：余氯檢測儀 時間：2019-09-02

　　摘 要：本文主要研究了基于RBF神經(jīng)網(wǎng)絡出水COD預測模型。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練RBF神經(jīng)網(wǎng)絡中心和權(quán)值，最后通過仿真測試驗證了模型的有效性，并給出了模型的具體實現(xiàn)方案。

　　關鍵詞：自動控制;RBF神經(jīng)網(wǎng)絡;出水COD

　　在污水處理中，出水COD在線檢測具有重要的作用：第一，它是衡量出水水質(zhì)的重要標準;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)絡技術來建立出水COD的預測模型。

　　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象，根據(jù)該廠的生產(chǎn)工藝可知，污水從進廠到出廠的HRT(水力平均停留時間)為20小時，水力平均停留時間為23小時。利用同一時刻的水質(zhì)參數(shù)和運行參數(shù)，這一點尤為重要，否則建立的模型是偽模型，沒有實際意義。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)場采集的數(shù)據(jù)信息通常含有隨機誤差甚至過失誤差，這些錯誤數(shù)據(jù)將導致系統(tǒng)預測模型工作性能的下降，嚴重情況會導致工作失敗。因此，我們必須對收集到的各種測量數(shù)據(jù)進行前期予處理，方可作為神經(jīng)網(wǎng)絡模型的輸入。在一次操作中通過對異常數(shù)據(jù)進行剔除，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)的隨機誤差，我們以7點滑動平均方法處理建模數(shù)據(jù)的隨機誤差，能夠有效消除數(shù)據(jù)中的隨機誤差。前面對建模數(shù)據(jù)采取正規(guī)化處理后，可以供神經(jīng)網(wǎng)絡建模使用，保證模型工作的準確性。

　　2 基于 RBF神經(jīng)網(wǎng)絡出水COD預測模型

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

　　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(簡稱徑向基網(wǎng)絡)是由RBF神經(jīng)元構(gòu)成的多層前饋網(wǎng)絡，它具有其它BP網(wǎng)絡一樣的網(wǎng)絡結(jié)構(gòu)，是一種三層靜態(tài)前向網(wǎng)絡。其網(wǎng)絡拓撲結(jié)構(gòu)如下圖2所示。

　　由圖可以看出，拓撲結(jié)構(gòu)第一層為數(shù)據(jù)輸入層，含有多個輸入結(jié)點：第二層為隱含層，含有多個神經(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，也有多個輸出，針對輸入模式作出系統(tǒng)響應。

　　在RBF網(wǎng)絡中，隱含層完成非線性變換，將輸入數(shù)據(jù)空間映射到一個新的空間，輸出層在該新的空間中對輸入進行線性組合，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)造和訓練一個RBF神經(jīng)網(wǎng)絡就是要使映射函數(shù)通過學習，確定出每個隱層神經(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)絡的三部分參數(shù)在映射中起不同的作用，這點與BP網(wǎng)絡單純由權(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)值是實現(xiàn)從隱含層空間到輸出空間的線性映射。RBF網(wǎng)絡隱含層的設計是模型的核心，中心和寬度的選取合適與否影響RBF網(wǎng)絡的最終性能。

　　RBF網(wǎng)絡的學習包括網(wǎng)絡中心參數(shù)的確定和權(quán)值的學習，權(quán)值學習方法比較簡單，一般采用最小二乘法極其改進算法。實際工作中，確定RBF網(wǎng)絡中心參數(shù)很復雜，這是因為RBF網(wǎng)絡從輸入空間到隱含層空間進行非線性變換依賴于RBF中心的數(shù)目、位置以及作用域?qū)挾取Ｔ赗BF網(wǎng)絡中采取何種非線性函數(shù)形式對網(wǎng)絡性能的影響不同，而RBF中心的數(shù)目、位置和作用寬度對RBF網(wǎng)絡的性能影響至關重要。

　　3 模型仿真測試

　　這里我們使用MATLAB軟件對建立好的出水COD值的RBF神經(jīng)網(wǎng)絡模型進行仿真研究。首先隨機選取了預處理后數(shù)據(jù)中的280組對模型進行訓練，下圖給出了網(wǎng)絡訓練誤差下降曲線。(圖3)

　　模型訓練完畢后，這里選擇了剩余的50組數(shù)據(jù)對模型進行測試，下圖給出了測試結(jié)果：(圖4)

　　從上面的預測結(jié)果可以知道，此模型的預測誤差分布在±4%之間，可以滿足現(xiàn)場要求。

　　這里研究的出水COD預測模型是一個復雜的神經(jīng)網(wǎng)絡算法，要想將該模型應用到實際生產(chǎn)中去，必須編寫預測模型軟件。這里采用VC編寫程序，可以實現(xiàn)復雜算法，而且功能較強。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，難以適合復雜數(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)、在線濁度儀、余氯儀、余氯分析儀、工業(yè)在線pH計、cod測定儀、pH計等多種水質(zhì)檢測儀，水質(zhì)分析儀，歡迎您前來選購，豐臨科技竭誠為您服務！