基于RBF神經(jīng)網(wǎng)絡(luò )的出水COD預測模型研究

                                                      來(lái)源:http://thesierramadre.com/ 作者:余氯檢測儀 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預測模型。首先通過(guò)數據處理提高數據質(zhì)量,以利于后續處理,利用蟻群算法和最小二乘法訓練RBF神經(jīng)網(wǎng)絡(luò )中心和權值,最后通過(guò)仿真測試驗證了模型的有效性,并給出了模型的具體實(shí)現方案。

                                                        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(xiàn)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,它是調節回流污泥量的主要依據。本文主要研究如何利用RBF神經(jīng)網(wǎng)絡(luò )技術(shù)來(lái)建立出水COD的預測模型。

                                                        1 建模數據的采集與處理

                                                        建模數據的采集:

                                                        本文以鞍山活性污泥法水處理廠(chǎng)污水處理過(guò)程為研究對象,根據該廠(chǎng)的生產(chǎn)工藝可知,污水從進(jìn)廠(chǎng)到出廠(chǎng)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)參數和運行參數,這一點(diǎn)尤為重要,否則建立的模型是偽模型,沒(méi)有實(shí)際意義。依據上面的要求,我們采集了鞍山污水處理廠(chǎng)400條生產(chǎn)數據信息。

                                                        從工業(yè)現場(chǎng)采集的數據信息通常含有隨機誤差甚至過(guò)失誤差,這些錯誤數據將導致系統預測模型工作性能的下降,嚴重情況會(huì )導致工作失敗。因此,我們必須對收集到的各種測量數據進(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(guò)對異常數據進(jìn)行剔除,總刪除了70條噪聲數據;處理完過(guò)失誤差后,還要處理樣本數據內的隨機誤差,我們以7點(diǎn)滑動(dòng)平均方法處理建模數據的隨機誤差,能夠有效消除數據中的隨機誤差。前面對建模數據采取正規化處理后,可以供神經(jīng)網(wǎng)絡(luò )建模使用,保證模型工作的準確性。

                                                        2 基于 RBF神經(jīng)網(wǎng)絡(luò )出水COD預測模型

                                                        徑向基函數RBF神經(jīng)網(wǎng)絡(luò )(簡(jiǎn)稱(chēng)徑向基網(wǎng)絡(luò ))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(luò )結構具有單隱層的三層前饋網(wǎng)絡(luò )。

                                                        RBF神經(jīng)元的核心結構就是徑向基函數構成的,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,且:

                                                        (2)

                                                        稱(chēng)之為歐幾里德距離。

                                                        RBF神經(jīng)網(wǎng)絡(luò )(簡(jiǎn)稱(chēng)徑向基網(wǎng)絡(luò ))是由RBF神經(jīng)元構成的多層前饋網(wǎng)絡(luò ),它具有其它BP網(wǎng)絡(luò )一樣的網(wǎng)絡(luò )結構,是一種三層靜態(tài)前向網(wǎng)絡(luò )。其網(wǎng)絡(luò )拓撲結構如下圖2所示。

                                                        由圖可以看出,拓撲結構第一層為數據輸入層,含有多個(gè)輸入結點(diǎn):第二層為隱含層,含有多個(gè)神經(jīng)元,神經(jīng)元數由所描述問(wèn)題的具體需要決定;第三層為數據輸出層,也有多個(gè)輸出,針對輸入模式作出系統響應。

                                                        在RBF網(wǎng)絡(luò )中,隱含層完成非線(xiàn)性變換,將輸入數據空間映射到一個(gè)新的空間,輸出層在該新的空間中對輸入進(jìn)行線(xiàn)性組合,通過(guò)調節線(xiàn)性組合器的權重系數改變系統模型參數。構造和訓練一個(gè)RBF神經(jīng)網(wǎng)絡(luò )就是要使映射函數通過(guò)學(xué)習,確定出每個(gè)隱層神經(jīng)元基函數的中心,寬度以及隱層到輸出層的權值這些參數的過(guò)程,從而可以完成所需的輸入到輸出的映射。RBF網(wǎng)絡(luò )的三部分參數在映射中起不同的作用,這點(diǎn)與BP網(wǎng)絡(luò )單純由權參數構成是不同的,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(xiàn)性映射,而輸出層的權值是實(shí)現從隱含層空間到輸出空間的線(xiàn)性映射。RBF網(wǎng)絡(luò )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(luò )的最終性能。

                                                        RBF網(wǎng)絡(luò )的學(xué)習包括網(wǎng)絡(luò )中心參數的確定和權值的學(xué)習,權值學(xué)習方法比較簡(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 )中心參數很復雜,這是因為RBF網(wǎng)絡(luò )從輸入空間到隱含層空間進(jìn)行非線(xiàn)性變換依賴(lài)于RBF中心的數目、位置以及作用域寬度。在RBF網(wǎng)絡(luò )中采取何種非線(xiàn)性函數形式對網(wǎng)絡(luò )性能的影響不同,而RBF中心的數目、位置和作用寬度對RBF網(wǎng)絡(luò )的性能影響至關(guān)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(luò )模型進(jìn)行仿真研究。首先隨機選取了預處理后數據中的280組對模型進(jìn)行訓練,下圖給出了網(wǎng)絡(luò )訓練誤差下降曲線(xiàn)。(圖3)

                                                        模型訓練完畢后,這里選擇了剩余的50組數據對模型進(jìn)行測試,下圖給出了測試結果:(圖4)

                                                        從上面的預測結果可以知道,此模型的預測誤差分布在±4%之間,可以滿(mǎn)足現場(chǎng)要求。

                                                        這里研究的出水COD預測模型是一個(gè)復雜的神經(jīng)網(wǎng)絡(luò )算法,要想將該模型應用到實(shí)際生產(chǎn)中去,必須編寫(xiě)預測模型軟件。這里采用VC編寫(xiě)程序,可以實(shí)現復雜算法,而且功能較強。如查采和WINCC編寫(xiě)VB或者C程序的腳本,由于其功能不是很強,難以適合復雜數據管理工作。

                                                      ——本文由豐臨科技整理發(fā)布,內容供參考,如有侵權,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(xiàn)濁度儀、余氯儀、余氯分析儀、工業(yè)在線(xiàn)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(lái)選購,豐臨科技竭誠為您服務(wù)!

                                                      上一篇:高氯離子低COD污水的處理工藝研究

                                                      下一篇:水中COD的測定
                                                      水質(zhì)檢測分析儀廠(chǎng)家,掃一掃,微信報價(jià)
                                                      掃一掃微信詢(xún)價(jià)
                                                      掃一掃微信二維碼,獲得水質(zhì)檢測分析儀優(yōu)惠價(jià)格

                                                      分享到

                                                      取消
                                                      国产办公室秘书无码精品99|精品人妻系列无码专区|国产精品原创永久在线观看|漂亮人妻被黑人久久精品|亚洲欧洲自拍拍偷午夜色无