申请/专利权人：北京工业大学

申请日：2021-01-08

公开（公告）日：2024-04-02

公开（公告）号：CN112863614B

主分类号：G16C20/20

分类号：G16C20/20;G16C20/70;G06F30/27;G06N3/045;G06N3/0499;G06N3/08;G01N33/18;G06F119/12

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.06.15#实质审查的生效;2021.05.28#公开

摘要：本发明公开了一种基于EMD算法的模块化神经网络的出水氨氮软测量方法，针对污水处理过程中出水氨氮浓度难以快速准确地实时检测，确保出水水质实时排放达标问题，本发明利用基于EMD算法的模块化神经网络建立出水氨氮预测模型。该模型包括：使用基于EMD的任务分解算法对出水氨氮时间序列进行分解成多个简单，单频率，独立的子时间序列；采用样本熵和欧式距离计算所述子时间序列的复杂性和相似性，合并复杂性小，相似性大的子时间序列，并建立相应所述子网络模块进行学习；结果表明该预测模型能自动调整网络结构，准确地预测污水处理过程中出水氨氮浓度，确保了污水处理过程的稳定安全运行。

主权项：1.一种基于EMD算法的模块化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：对出水氨氮时间序列进行归一化到[0，1]范围，公式为： 其中，xt为出水氨氮时间序列，xmin为样本数据的最小值，xmax为样本数据的最大值；步骤2，采用EMD算法对原始时间序列进行分解，得到多个简单、单频率、独立的子时间序列；步骤3，采用样本熵和欧式距离计算子时间序列的复杂性和相似性；步骤4，合并复杂性小于复杂度阈值，且相似性大于相似度阈值的子时间序列，复杂度阈值范围为0.5～1Fo，其中Fo为所述原始时间序列复杂度，所述相似度阈值范围为0.1～0.5；步骤4，建立单层前馈神经网络FNN作为子网络模块进行学习；设FNN输入为向量X＝[x1,x2,…,xn]，在输入层有n个节点，隐含层有p个节点，在网络隐含层第j个节点输入为： 其中vij为输入层第i个节点到隐含层第j个节点的权值，b1为隐含层的偏置；网络隐含层第j个节点输入为： 其中为隐含层节点的激活函数：网络输出为： 其中wj是隐含层第j个节点到输出层节点的权值，b2为输出层的偏置；步骤5，集成模块对子网络模块学习结果进行集成输出；步骤6，训练基于EMD算法的模块化神经网络模型后，预测出水氨氮浓度；将测试样本数据作为模型的输入，模型的输出并进行反归一化后即为出水氨氮的预测值。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于EMD算法的模块化神经网络的出水氨氮软测量方法

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