和声改进rbf神经网络在污水出水cod软测量中的应用

《和声改进rbf神经网络在污水出水cod软测量中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、和声改进RBF神经网络在污水出水COD软测量中的应用　　摘要针对污水处理过程中出水COD传统检测技术的滞后性，不能及时反馈污水出水水质COD指标，本文了采用一种基于软测量技术的方法。本文充分利用和声算法的全局逼近能力和RBF神经网络的非线性映射能力等优势，将两者结合起来，组成在功能上更完善的和声改进RBF神经网络，并以此建模，实现对出水水质难测指标COD进行检测。　　【关键词】和声算法RBF软测量COD　　1引言　　目前，传统的测量COD的方法为回流滴定法，但该方法存在测定时间长、成本高、运行不安全等缺点。近年来，软测量技术逐渐兴起。软测量技术主要由辅助变量的选择、数据采集与于处理

2、、软测量模型几部分组成。其基本思想是把自动控制原理与生产过程有机地结合起来，运用计算机技术，预先选择其他一些较容易测量的变量，通过数学建模来推断或者估计难以测量的重要变量，以达到实现过程控制的目的。　　2出水COD软测量模型的建立　　软测量建模有两种方式：机理建模和辨识建模。从理论上讲，机理模型是最最精确的模型，但它要求对被测对象的内部特性完全了解。但由于污水处理过程中的复杂性使得研究者难以通过机理模型方式进行精确建模。辨识建模，将对象看作个黑箱，通过输入输出数据建立与过程外特性等价的模型，这种方法上午优点在于，不需要研究对象的内部规律，只需要获得足够多的数据，即可建立对象的软测量

3、模型。　　2.1RBF神经网络　　1988年，Moody和Darken共同提出了径向基函数（RBF）神经网络。径向基神经网络具有收敛速度块、较强的输入和输出特性、唯一最佳逼近且无局部极小问题存在的特点，使得它非常适合于非线性系统的建模。RBF是一种三层前向网络。第一层为输入层，由各输入信号源节点组成。第二层为隐含层，该层单元数量根据描述的问题再具体确定。第三层为输出层，它对输入模式的作用做出响应。RBF神经网络结构如图1所示。　　2.2和声搜索算法改进RBF神经网络　　以RBF神经网络为基础，利用和声搜索算法通用性好，全局搜索能力和鲁棒性强的特点，优化RBF网络隐含层的数据中心和扩

4、展常数。具体改进HS-RBF算法如下：　　2.2.1Step1初始化参数　　和声算法初始化的参数主要有和声库大小（HarmonymemorySize，HMS），记忆库取值概率（Harmonymemoryconsideringrate，HMCR），微调概率（Pitchadjustingrate，PAR），音调微调带宽bw，创作的次数Tmax。HMS的大小影响着全局寻优的能力，一般来说，HMS越大，全局寻优能力也就越强，但相应地会加大计算量，影响全局寻优的速度。　　2.2.2Step2初始化和声库和寻求目标函数　　随机产生m个优化问题的初始解放入和声记忆库HM中，每个解中的每个参数对应

5、RBF网络隐含层的数据中心和扩展常数。　　2.2.3Step3更新和声记忆库　　判断新解是否优于HM和声库内的最差解，若是，则最差解将被新解替换，从何得到新的和声记忆库。　　2.2.4Step4终止循环条件　　重复Step3、Step4，直到达到最大的迭代次数或满足停止准则后结束循环，输出最优解。本文采用设定最大迭代次数来结束迭代过程。　　3软测量模型仿真与分析　　本文基于绵阳某污水处理厂的出水数据。鉴于该污水处理厂采用的氧化沟污水处理工艺，原始辅助变量采用对处理过程产生影响同时易于监测的出水参数如下，日处理水量、氨氮NH3-N、浊度SS、总磷TP、总氮TN、氧化沟污泥浓度、污泥沉

6、降比、污泥指数。本文采集到的原始水质数据共150组，100组用于训练，50组用于验证。对于8组易测量进行PCA降维处理，把归一化和标准化处理后的数据按累计方差贡献率不小于90%的原则来进行主元选取，将原来的8维输入变量降到了5维，提高了神经网络的运算速度。PCA主元分析法去除了原输出变量间的线性相关性，降低了输入维数。下面用HS来训练RBF神经网络。按照上节说明的具体算法设计，在matlabR2016a平台上编程实现，根据文献[7]经验设计，HS参数设置为：HMS=5，HMCR=0.9，PAR=0.3，bw=0.01，最大迭代次数为1000次。RBF神经网络隐含层数据中心的数量为1

7、0。　　从仿真结果可以看出，经和声算法优化后的RBF神经网络表现出了比标准RBF神经网络更好的性能。图2为100组训练样本出水COD的仿真结果，模型训练的网络输出值与污水厂实际采集值的对比说明该模型具有较高的拟合精度；图3为50组预测样本出水COD的仿真结果，预测模型的输出较好地反映出污水处理过程中出水COD的含量。造成误差的主要原因是样本数量不足以及实际采集过程中的测试误差，通过采集更多的样本可以更好地减小误差。从仿真结果可以看出，经和声算法优化后的RBF神经网络表