基于RBF神經網絡的出水COD預測模型研究
來源：http://www.ssygc.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神經網絡出水COD預測模型。首先通過數據處理提高數據質量，以利于后續處理，利用蟻群算法和最小二乘法訓練RBF神經網絡中心和權值，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方案。
關鍵詞：自動控制;RBF神經網絡;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神經網絡技術來建立出水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污水處理過程為研究對象，根據該廠的生產工藝可知，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參數和運行參數，這一點尤為重要，否則建立的模型是偽模型，沒有實際意義。依據上面的要求，我們采集了鞍山污水處理廠400條生產數據信息。
從工業現場采集的數據信息通常含有隨機誤差甚至過失誤差，這些錯誤數據將導致系統預測模型工作性能的下降，嚴重情況會導致工作失敗。因此，我們必須對收集到的各種測量數據進行前期予處理，方可作為神經網絡模型的輸入。在一次操作中通過對異常數據進行剔除，總刪除了70條噪聲數據;處理完過失誤差后，還要處理樣本數據內的隨機誤差，我們以7點滑動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，可以供神經網絡建模使用，保證模型工作的準確性。
2 基于 RBF神經網絡出水COD預測模型
徑向基函數RBF神經網絡(簡稱徑向基網絡)是由J.Moody和C.Darken于20世紀80年代末提出的，這種神經網絡結構具有單隱層的三層前饋網絡。
RBF神經元的核心結構就是徑向基函數構成的，RBF神經元模型如圖1所示。
其輸出表達式為
(1)
其中：radbas為徑向基函數，且：
(2)
稱之為歐幾里德距離。
RBF神經網絡(簡稱徑向基網絡)是由RBF神經元構成的多層前饋網絡，它具有其它BP網絡一樣的網絡結構，是一種三層靜態前向網絡。其網絡拓撲結構如下圖2所示。
由圖可以看出，拓撲結構第一層為數據輸入層，含有多個輸入結點：第二層為隱含層，含有多個神經元，神經元數由所描述問題的具體需要決定;第三層為數據輸出層，也有多個輸出，針對輸入模式作出系統響應。
在RBF網絡中，隱含層完成非線性變換，將輸入數據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，通過調節線性組合器的權重系數改變系統模型參數。構造和訓練一個RBF神經網絡就是要使映射函數通過學習，確定出每個隱層神經元基函數的中心，寬度以及隱層到輸出層的權值這些參數的過程，從而可以完成所需的輸入到輸出的映射。RBF網絡的三部分參數在映射中起不同的作用，這點與BP網絡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性映射，而輸出層的權值是實現從隱含層空間到輸出空間的線性映射。RBF網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網絡的最終性能。
RBF網絡的學習包括網絡中心參數的確定和權值的學習，權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網絡中心參數很復雜，這是因為RBF網絡從輸入空間到隱含層空間進行非線性變換依賴于RBF中心的數目、位置以及作用域寬度。在RBF網絡中采取何種非線性函數形式對網絡性能的影響不同，而RBF中心的數目、位置和作用寬度對RBF網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神經網絡模型進行仿真研究。首先隨機選取了預處理后數據中的280組對模型進行訓練，下圖給出了網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組數據對模型進行測試，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，可以滿足現場要求。
這里研究的出水COD預測模型是一個復雜的神經網絡算法，要想將該模型應用到實際生產中去，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，難以適合復雜數據管理工作。
——本文由豐臨科技整理發布，內容供參考，如有侵權，請聯系刪除，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、工業在線pH計、cod測定儀、pH計等多種水質檢測儀，水質分析儀，歡迎您前來選購，豐臨科技竭誠為您服務！
