种基于som神经网络的污水处理工艺方案比选方法

《种基于som神经网络的污水处理工艺方案比选方法》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、一种基于SOM神经网络的污水处理工艺方案比选方法　　【摘要】目前越来越多的电厂开始应用城镇污水处理厂出水作为生产用水水源，而其出水水质直接取决于所采用的污水处理工艺。本文尝试将自组织神经网络模型应用于城镇污水处理工艺方案的决策，实例分析结果证明模型和方法是实用、有效的。且与常规比选方法相比，该模型编程简洁，实现容易，效率更高【关键词】城镇污水处理厂自组织神经网络方案比选【Abstract】Self-organizingneuralnetworkmodelisusedtomakedecisionaboutprocesssele

2、ctionofurbanWTP.Anexampleshowsthatthemethodiseffectiveandvaluable.Comparedwithconventionalmethodsofoptimization，thenewmodeliseasiertoprogramandrealize.【Keywords】UrbanWTP；Self-organizingneuralnetwork；Project；Decision-making1引言目前越来越多的电厂开始应用城镇污水处理厂出水作为生产用水水源，而其出水水质直接取

3、决于所采用的污水处理工艺。城镇污水处理厂工艺方案比选是一个十分复杂的系统分析问题，涉及经济、技术、社会、生态环境等诸多因素，而这些因素各自的属性不同、重要性差异较大，许多因素的评价结果难于定量化[1]。近年来国内外许多学者对该问题进行了研究，提出了灰色关联度比选模型[2-3]、层次分析法[4-5]、模糊数学评价模型[6-8]、物元分析模型[9]等众多方法，对城镇污水厂工艺方案比选起到了积极的作用。但是鉴于城镇污水处理工程关系重大，而现有方法各有其缺陷，因此在进行工艺方案比选时，有必要采用多种方法进行评估，综合比较，从而得出较

4、为客观与合理的结论。为此，本文提出一种新的比选方法，即自组织映射（Self-OrganizingMapping，简称SOM）神经网络模型进行工艺方案的比选，以求丰富和完善城镇污水处理工艺方案比选的模型和方法2自组织映射神经网络原理自组织映射模型（SOM）是由芬兰学者Kohonen于1982年提出的，这种网络能模拟大脑脑皮层自组织的功能，它是一种竞争式学习网络，能无监督地进行自组织学习。自组织映射神经网络模型如图1所示，它由两层神经元构成，即输入层和竞争层（输出层），没有隐含层。输入层的神经元排成一列，其个数由输入网络的向量个

5、数而定，竞争层（输出层）的若干神经元排成一个二维阵列。输入层与竞争层之间实行全互连接，竞争层的神经元之间还实行侧抑制连接图1自组织映射神经网络模型Kohonen认为当一个神经网络接收外界输入模式时，将会分为不同的区域，各区域对输入模式具有不同的响应特征，同时这一过程是自动完成的。各神经元的连接权值具有一定的分布，最近的神经元互相诱导，而较远的神经元则相互抑制，而更远一些的则具有较弱的诱导作用。这样某个输出结点能对某个模式作出特别的反应以代表该模式，而且二维平面上相邻的结点能对实际模式分布中相近的模式作出特别的反应。当某数据模

6、式输入时，对其某点给予最大的诱导。以指示该类模式所属区域，而同时对该点周围的点也给予较大的诱导。因此，自组织映射神经网络的输出状况，不但能判断输入模式所属的类别并使输出结点代表某一模式，还能够得到整个数据区域的大体分布情况，即从样本数据中抽取到所有数据分布的大体本质特征。总之，自组织特征映射神经网络是一种无教师的聚类方法，它能将高维模式映射到一平面上，而保持其拓扑结构不变，亦即距离相近的模式点，其映射点的距离也相近。其学习过程可描述为：对于每一个网络的输入，只调整一部分权值，使权向量更接近或更偏离输入矢量，这一调整过程，即为

7、竞争学习。随着不断学习，权矢量在输入空间相互分离，形成了各自代表输入空间的一类模式，即实现了聚类功能。SOM神经网络的详细内容见文献[10-11]。下面给出这种模型的通用算法：（1）初始化：将权值向量Wi用小的随机值进行初始化。设置初始学习速率η（0）（2）采样：从输入空间中选取训练样本X（3）近似匹配：通过欧式距离最小的标准：来选取获胜神经元c，从而实现了神经元的竞争过程（4）更新：对获胜神经元拓扑邻域Nc（n）内的兴奋神经元，以Hebb学习规则：更新神经元的权值向量，从而实现神经元的合作和更新过程（5）更新学习速率η（n

8、）及拓扑邻域Nbi（n），其中一种更新方法为：式中rb和ri分别是输出单元b和i在映射平面的位置；σ（n）反映了邻域的范围。η（n）是可变学习速度，随迭代次数的增加而减小。也就是说，随着训练过程的进行，权值的调整幅度越来越小。Nbi（n）也随着迭代次数而收缩，当n足够大时，只训练获胜结点本