申请/专利权人：北京工业大学

申请日：2021-03-30

公开（公告）日：2024-04-02

公开（公告）号：CN112989704B

主分类号：G06F30/27

分类号：G06F30/27;G06F18/2135;G06N3/043;G06N3/08;G06N7/02;G06Q10/04;G06Q10/063

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.07.06#实质审查的生效;2021.06.18#公开

摘要：本发明公开了一种基于DE算法的IRFM‑CMNN出水BOD浓度预测方法，针对当前污水处理过程中出水BOD与各个污水出水指标之间都有相互影响，导致出水BOD具有较强的非线性等特征，难以准确实时测量的问题，本发明基于城市污水处理生化反应特性，设计一种基于DE算法的交互递归模糊隶属度小脑模型神经网络，用于预测污水处理出水BOD关键水质参数的浓度，解决了污水处理出水BOD难以精确测量的问题；结果表明该交互递归模糊隶属度小脑模型神经网络可以快速准确地实现对污水处理出水BOD浓度的准确测量，根据准确的预测结果有针对性地调整污水处理系统的运行参数，保障了污水处理系统的平稳有效运行，提高了污水处理厂处理不合格水的效率。

主权项：1.一种基于DE算法的出水BOD浓度预测方法，其特征在于，IRFM-CMNN为交互递归模糊隶属度小模型神经网络，DE算法为差分进化算法；包括以下步骤：步骤1、提取辅助变量：采用主成分分析PCA算法对实际采集的污水处理出水水质参数样本进行相关性分析；首先将每个样本作为列向量构成样本矩阵，得出样本矩阵的协方差矩阵X，并求得矩阵X的特征值和特征向量，使用最大特征值对应的特征向量对原始变量进行线性组合，得到主成分矩阵Y；按照式1计算各个主成分的贡献率，根据主成分的贡献率对采集的出水水质参数变量进行筛选，剔除贡献率小于5％的主成分；最后，确定出十种与出水BOD浓度相关性强的辅助变量，分别为：出水总氮TN浓度、出水氨氮浓度、进水总氮TN浓度、进水BOD浓度、进水氨氮浓度、出水磷酸盐浓度、进水磷酸盐浓度、进水COD、生化池溶解氧浓度、生化池混合液悬浮固体MLSS浓度； 其中，λ是主成分矩阵的特征值；k是主成分的个数；步骤2、输入变量归一化处理：将确定的辅助变量作为输入变量，并按照式2进行归一化，消除不同量纲的影响； 其中，x’为未归一化的值；xmin和xmax分别为样本数据的最小值和最大值；步骤3、对模糊隶属度小脑模型神经网络的学习算法和网络结构同时进行改进，设计用于预测出水BOD浓度的交互递归模糊隶属度小脑模型神经网络拓扑结构；交互递归模糊隶属度小脑模型神经网络共由六层组成，分别为：输入空间、模糊化空间、联想存储空间、交互递归单元、后续层、输出空间；步骤4、网络的参数学习算法：选取差分进化算法对网络的连接权重及递归权重进行学习；步骤5、输入训练样本和测试样本：将提取的辅助变量样本数据分为训练样本和测试样本两部分；首先将每一个训练样本依次输入网络，重复步骤2-4，对网络进行训练，当所有训练样本计算结束后停止训练；输入测试样本，得到出水BOD浓度的预测值，根据出水BOD浓度的预测精度评价模型的预测性能；步骤6、输出反归一化：按照式20对输出数据反归一化，得到网络实际的出水BOD浓度预测值；y′＝0.5×y+1×ymax-ymin+ymin20其中，y’是反归一化后的网络输出；ymax和ymin分别是输出的最大值和最小值。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于DE算法的IRFM-CMNN出水BOD浓度预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD