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！

龙图腾网获悉北京工业大学申请的专利基于ADw-CLPSO径向基情感神经网络的出水氨氮软测量方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113537454B 。

龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110620886.X，技术领域涉及：G16C20/30；该发明授权基于ADw-CLPSO径向基情感神经网络的出水氨氮软测量方法是由乔俊飞;张鸿业;杨翠丽设计研发完成，并于2021-06-03向国家知识产权局提交的专利申请。

本基于ADw-CLPSO径向基情感神经网络的出水氨氮软测量方法在说明书摘要公布了：本发明提出了一种基于ADw‑CLPSO径向基情感神经网络的出水氨氮软测量方法，属于污水处理领域。本方法主要设计流程如下：首先构建了一种非线性函数来改进CLPSO算法，使每个粒子的惯性权重能够自适应动态调整，然后基于改进的ADw‑CLPSO算法通过一种粒子变维学习机制以同时实现径向基情感网络训练过程中的参数更新和结构调整。以上步骤构成的基于ADw‑CLPSO径向基情感神经网络的出水氨氮软测量方法，属于本发明的保护范围。本发明通过ADw‑CLPSO算法来同时优化径向基情感网络的参数和结构，能够提高出水氨氮的预测精度，提高模型的泛化性能。

本发明授权基于ADw-CLPSO径向基情感神经网络的出水氨氮软测量方法在权利要求书中公布了：1.一种基于ADw-CLPSO径向基情感神经网络的出水氨氮软测量方法，其特征在于，包括以下步骤：步骤1：变量选取软测量模型以出水NH4-N浓度作为输出变量，以出水氧化还原电位ORP、溶解氧DO、总固体悬浮物TSS、出水硝态氮NO3-N和pH值作为输入变量；步骤2：设计用于出水氨氮浓度预测的ADw-CLPSO径向基情感神经网络拓扑结构确定径向基情感神经网络的拓扑结构为5-p-1的连接方式，即输入层神经元个数为5，隐藏层神经元个数为p，p为正整数，输出神经元为1个；对神经网络的参数进行赋值；设第t时刻神经网络输入为zt＝[z1t,z2t,z3t,z4t,z5t]，实际输出表示为Et，神经网络的实际输出表示为： 其中，νii＝1,…,p和wii＝1,…,p分别为径向基情感神经网络隐藏层“杏仁核”和“眶额叶皮质”中的第i个神经元的连接权重，p为隐藏层神经元的个数；b是偏差；是所有高斯函数中的最大值并且u是它的相应连接权重；是径向基情感神经网络隐藏层“丘脑”中第i个神经元的输入，其和νi的更新方式分别为： 其中，μi和σi表示隐藏层“丘脑”第i个神经元的中心向量和宽度值，σi0；||zt-μi||为zt和μi之间的欧氏距离；νit+1表示t+1时刻第i个节点的连接权重；α为径向基情感神经网络隐藏层“杏仁核”中神经元的学习率；步骤3：训练神经网络步骤3.1：初始化综合学习粒子群算法的参数确定初始迭代次数t＝0，最大迭代次数max_t＝1000；输入向量zl表示第l组输入样本，表示第l组样本期望目标值，表示输入样本维度为n，T为样本总数；将种群划分为10个组以分别表示隐含层神经元个数为3-12的径向基情感神经网络，每组粒子个数为15；初始化粒子加速常数c取0,1的随机数；将粒子的初始惯性权重ω0和最小惯性权重ω1分别设为0.95和0.55；将径向基情感神经网络的参数表示为综合学习粒子群中的粒子： 其中，xj表示第j个粒子的位置，j＝1,2,…,S；S为粒子总个数，S为正整数，b是偏差，wj,p，和σp分别表示为第j个粒子中第p个径向基情感神经网络隐藏层“眶额叶皮质”中神经元的连接权值、中心向量和宽度值；b、wj,p、和σp的初始值取-3,3的随机数；将径向基情感神经网络隐藏层“杏仁核”和“丘脑”中神经元的连接权值νi和u的初始值取0,1的随机数；将径向基情感神经网络隐藏层“杏仁核”神经元中权值更新的学习率α和粒子适应度函数中的平衡因子δ的搜索范围分别设定为[0.1,0.12,…,0.28,0.3]和[0.001,0.002,…,0.01]，通过网格搜索法选取使训练误差最小的α和δ的最优参数组合；将粒子适应度值待重新计算的迭代次数标志β和种群全局最优位置gbest未改进的迭代次数标志γ设为4；同时初始化每个粒子的速度： 其中，vj表示第j个粒子的速度，表示第j个粒子在第Dj维的速度，并将其初始化为-2,2的随机数，Dj表示第j个粒子的维度大小，Dj＝2+npj+1，n表示为输入变量的个数，pj表示第j个粒子表示的径向基情感神经网络隐藏层神经元个数；步骤3.2：设计粒子适应度函数对于径向基情感神经网络的输入zt，确定每个粒子的维度Dj＝2+npj+1，计算每个粒子的适应度值：fxjt＝Rjt+δDjt6其中，δ为粒子适应度函数中的平衡因子，Rjt为： 其中，Ejt和分别表示第j个粒子所代表的网络输出和在t时刻的期望目标值；T表示神经网络输入的训练样本个数；将每个粒子的初始位置xj初始化为粒子的个体最优位置其中是第j个粒子的最优位置在d维的值，fjd表示第j个粒子的最优位置在第d维要学习的粒子序号，将其随机初始化为该粒子所属组中不同的粒子序号；在计算每个粒子的适应度值后，将具有最小适应度值的个体最优位置作为种群的全局最优位置gbest；步骤3.3：判断粒子维度是否发生改变记录种群全局最优位置gbest未改进的迭代次数，当其值大于γ时，计算每组粒子的平均适应度值： 其中，avg·为计算平均值函数；GroupM表示种群中的第M组粒子；fitj表示第j个粒子的适应度值；m1为第M组的第1个粒子；SM为第M组粒子的数量；根据全局最优位置gbest找到最佳神经网络结构和对应的粒子维度Dbest，此时的最佳神经网络隐藏层神经元个数为Dbest-12+n，n是输入变量的个数；根据Dbest更新每个粒子对应于神经网络隐藏层神经元个数的维度： 其中，△d表示神经网络隐藏层神经元数量发生改变时粒子参数要调整的单位长度，本例中△d＝2+n；然后将记录的种群全局最优位置gbest未改进的迭代次数清零，并更新每个粒子在t+1时刻的惯性权重： 其中， ωjt+1是第j个粒子在t+1时刻的惯性权重，ω0和ω1分别是粒子的初始惯性权重和最小惯性权重；fitxjt为第j个粒子的适应度值；gbest是种群全局最优位置；max_t是最大迭代次数；tanh{·}是双曲正切函数；exp{·}是指数函数；步骤3.4：更新粒子参数当第j个粒子的个体最优位置停止改进β次时，重新计算第j个粒子的最优位置在第d维要学习的粒子序号fjd；然后更新每个粒子的位置和速度： 其中，vj,dt+1和xj,dt+1分别表示第j个粒子在t+1时刻第d维的速度和位置；ωjt是第j个粒子在t时刻的惯性权重；rj,d表示第j个粒子在第d维取[0,1]间的随机数；c是粒子的加速因子；步骤3.5：判断训练是否结束输入训练样本数据zt+1，重复步骤3.2-3.4，若满足tmax_t后停止计算，将种群的全局最优位置gbest表示的参数作为最优的网络参数，然后根据Dbest确定最优的网络结构大小pbest＝Dbest-12+n，pbest为最优的网络结构对应的隐藏层神经元的数量；执行步骤4；步骤4：测试神经网络将测试样本数据作为训练后的基于ADw-CLPSO的径向基情感网络的输入，对径向基情感神经网络进行测试，径向基情感神经网络的输出即为出水NH4-N的预测值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。