买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：宁波大学科学技术学院

摘要：本发明公开一种基于改进型RBF神经网络的污水悬浮物浓度软测量方法，首先使用减聚类算法自动确定出隐层神经元的个数，然后再使用差分进化算法优化得到各个隐层神经元的中心点向量，从而基于这种改进RBF神经网络模型建立污水悬浮物浓度的软测量模型。本发明方法的优势在于：首先，本发明方法在建立污水悬浮物浓度软测量模型时，不随意人为确定RBF神经网络模型中隐层神经元的个数，而是通过减聚类算法确定隐层神经元个数。其次，本发明方法通过差分进化算法优化求解得到隐层神经元的中心点向量，能有效的降低软测量误差。

主权项：1.一种基于改进型RBF神经网络的污水悬浮物浓度软测量方法，其特征在于，包括如下所示步骤：步骤1：先确定软测量模型的输入变量，具体由污水进站，曝气池，和沉淀池这三个污水处理环节的测量变量组成；其中，污水进站的测量变量依次包括：入水流量，入水温度，入水色度，入水氯离子浓度，入水悬浮物浓度，入水PH值；曝气池中的测量变量依次包括：投料量，污水色度，污水悬浮物浓度，污水PH值，生化需氧量；沉淀池中的测量变量依次包括：污水PH值和污泥量；再确定软测量模型的输出变量为污水出站口的污水悬浮物浓度；步骤2：连续采集n天的数据，将每天采集到的输入变量对应的数据存储为一个m×1维的数据向量，则依次得到n个数据向量x1，x2，…，xn，并将n天的输出变量对应的数据存储为一个n×1维的数据向量y0；其中，第i天的数据向量xi中的元素按照步骤1中输入变量的先后顺序排列，i∈{1，2，…，n}，m等于步骤1中输入变量的总个数；步骤3：组建矩阵X＝[x1，x2，…，xn]T后，将X中的各个列向量依次记录为y1，y2，…，ym，再按照如下所示公式对X中的各个列向量以及y0实施归一化处理，得到归一化后的输入矩阵和输出向量 其中，上标号T表示矩阵或向量的转置，下标号J∈{0，1，2，…，m}，yJmin和yJmax分别表示yJ中元素的最小值和最大值；步骤4：利用减聚类算法确定RBF神经网络的隐层神经元的个数H，具体的实施过程如步骤4.1至步骤4.4所示；步骤4.1：将输入矩阵中的行向量依次记录为后，初始化h＝1；步骤4.2：根据如下所示公式计算行向量分别对应的密度值F1，F2，…，Fn后，再将F1，F2，…，Fn中的最大值及其对应的行向量分别记录为fh和εh： 其中，exp表示以自然常数e为底数的指数函数，表示计算行向量与之间的距离，γ1为聚类半径；步骤4.3：根据如下所示公式计算分别对应的密度更新值 其中，γ2＝1.5γ1；步骤4.4：将中的最大值及其对应的行向量分别记录为和后，判断是否满足条件若否，则设置h＝h+1后，再设置和后，返回步骤4.3；若是，则设置隐层神经元的个数H＝h；其中，η表示阈值；步骤5：利用差分进化算法优化得到隐层神经元的H个中心点向量c1，c2，…，cH以及RBF参数δbest，具体的实施过程如步骤5.1至步骤5.8所示；步骤5.1：初始化迭代次数g＝1，确定差分进化算法的参数，具体包括：种群个数N，缩放因子zf，交叉概率cp，最大迭代次数G；步骤5.2：随机产生N个H×m维的种群矩阵U1，U2，…，UN，每个种群矩阵中的元素都按照均匀分布随机取值于区间[0，1]；步骤5.3：计算种群矩阵U1，U2，…，UN分别对应的目标函数值L1，L2，…，LN；其中，计算第k个种群矩阵Uk对应的目标函数值Lk的具体实施过程如步骤5.3-1至步骤5.3-3所示；步骤5.3-1：分别将当成输入向量，并根据如下所示公式依次计算RBF神经网络的隐层输出向量v1，v2，…，vn： 其中，vih表示vi∈RH×1中的第h个元素，δk是对应于第k个种群矩阵Uk的RBF参数，Ukh表示Uk中第h行的行向量，h∈{1，2，…，H}，k∈{1，2，…，N}，RH×1表示H×1维的实数向量，R表示实数集；步骤5.3-2：根据公式计算RBF神经网络的输出层权重向量θk∈RH×1后，再计算得到RBF神经网络的输出层估计向量其中，Vk＝[v1，v2，…，vn]T；步骤5.3-3：根据公式计算第k个种群矩阵Uk对应的目标函数值Lk；步骤5.4：将L1，L2，…，LN中最小值对应的种群矩阵，RBF参数，和输出层权重向量分别记录为Ubest，δbest和θbest后，执行差分进化算法的种群更新操作，得到更新后的N个种群矩阵U1，U2，…，UN；步骤5.5：判断是否满足条件g＞G；若否，则设置g＝g+1后返回步骤5.3；若是，则保留RBF参数δbest和输出层权重向量θbest，并将Ubest中的各个行向量依次记录为中心点向量c1，c2，…，cH；步骤6：搭建一个RBF神经网络模型，其中，输入层神经元的个数等于m，隐层神经元的个数等于H，输出层神经元的个数等于1，隐层神经元的中心点向量是c1，c2，…，cH，RBF参数为δbest，输出层神经元的权重向量为θbest；步骤7：根据步骤1中的m个输入变量，采集污水处理厂新一天的数据，并将其存储为一个1×m维的数据向量z；其中，数据向量z中的元素需依次按照步骤1所述的输入变量的先后顺序进行排列；步骤8：按照公式对z中的各个元素进行归一化处理，得到归一化后的数据向量其中，zd与分别表示z与中的第d个元素，d∈{1，2，…，m}，ydmax和ydmin分别表示yd中元素的最大值和最小值；步骤9：利用步骤6中搭建的RBF神经网络，按照如下所示步骤9.1至步骤9.2计算得到输出估计值步骤9.1：根据如下所示公式计算RBF神经网络的隐层输出向量u∈RH×1： 上式中，uh表示u中的第h个元素，步骤9.2：根据公式计算得到输出估计值步骤10：计算污水悬浮物浓度的软测量值返回步骤7继续实施对下一天的污水悬浮物浓度的软测量。

全文数据：

权利要求：

百度查询： 宁波大学科学技术学院 一种基于改进型RBF神经网络的污水悬浮物浓度软测量方法