申请/专利权人：宁波大学科学技术学院

申请日：2021-03-13

公开（公告）日：2024-04-05

公开（公告）号：CN113223633B

主分类号：G16C20/30

分类号：G16C20/30;G06N3/044;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.08.24#实质审查的生效;2021.08.06#公开

摘要：本发明公开一种基于宽度GRNN模型的造纸过程排污口水质预测方法，可以在训练样本数有限的情况下，大幅度增加GRNN的模式层神经元个数，从而建立宽度GRNN模型实施造纸过程废水排污口的水质预测。具体来讲，本发明方法使用差分进化算法优化构造出多个模式层神经元的参考向量，将构造出的参考向量与训练样本数据向量相结合，搭建宽度GRNN模型，从而对造纸过程的废水实施排污口的水质预测。本发明方法通过差分进化算法将GRNN模型的模式层神经元个数扩充一倍，使相应的宽度GRNN模型不受训练样本数量的限制。此外，本发明方法使用优化参考向量的宽度GRNN模型可以有效保证其精度。

主权项：1.一种基于宽度GRNN模型的造纸过程排污口水质预测方法，其特征在于，具体包括以下步骤：步骤1：确定造纸过程排污口水质预测模型的输入变量，依次包括：入水流量，入水温度，入水化学需氧量，入水PH值，入水固体悬浮物浓度，溶氧量；确定造纸过程排污口水质预测模型的输出变量，具体包括：出水化学需氧量和出水固体悬浮物浓度；步骤2：为步骤1中的输入变量和输出变量采集n天的数据后，将每天采集到的输入变量对应的数据存储为一个6×1维的数据向量，则依次得到n个输入数据向量x1,x2,…,xn，并将每天采集到的输出变量对应的数据存储为一个2×1维的数据向量，则依次得到n个输出数据向量y1,y2,…,yn；其中，第i个的输入数据向量xi中的元素按照步骤1中输入变量的先后顺序排列，第i个的输出数据向量yi中的元素按照步骤1中输出变量的先后顺序排列，i∈{1,2,…,n}；步骤3：分别组建输入矩阵X＝[x1,x2,…,xn]与输出矩阵Y＝[y1,y2,…,yn]后，再按照如下所示公式分别对X与Y中的各个行向量实施归一化处理，得到归一化后的输入矩阵和输出矩阵 其中，z∈R1×n表示X与Y中的各个行向量，表示z经归一化处理后的行向量，zmax和zmin分别表示z中的最大值和最小值，R6×n表示6×n维的实数矩阵，R2×n表示2×n维的实数向量，R表示实数集；步骤4：搭建一个由输入层，模式层，求和层，和输出层组成的GRNN模型；其中，输入层神经元的个数等于6，模式层神经元的个数等于n，求和层神经元的个数等于3，输出层神经元的个数等于2；步骤5：利用差分进化算法求解得到模式层神经元的n个参考向量u1,u2,…,un，具体的实施过程如步骤5.1至步骤5.5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6×n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5.3-4所示；步骤5.3-1：将输入矩阵中的各个列向量依次当成GRNN模型的输入，并根据如下所示公式依次计算GRNN模型的模式层输出向量v1,v2,…,vn： 其中，exp表示以自然常数e为底数的指数函数，vih表示vi∈Rn×1中的第h个元素，δk表示第k个种群矩阵Uk对应的光滑因子，h∈{1,2,…,n}，k∈{1,2,…,N}，Ukh表示Uk中的第h列的列向量，表示计算与Ukh之间的距离，上标号T表示矩阵或向量的转置；步骤5.3-2：根据如下所示公式分别计算GRNN模型的求和层输出向量s1,s2,…,sn： 上式中，sij表示si∈R3×1中的第j个元素，j∈{1,2,3}，表示输出矩阵中的第j行第h列的元素；步骤5.3-3：分别根据公式和计算第i个输出估计向量中的第1个元素和第2个元素重复本步骤直至得到n个输出估计向量步骤5.3-4：根据公式计算第k个种群矩阵Uk对应的目标函数值Lk；其中，表示计算矩阵中所有元素的平方和，表示第k个种群矩阵Uk对应的输出估计矩阵；步骤5.4：将L1,L2,…,LN中最小值对应的种群矩阵和输出估计矩阵分别记录为Ubest和Ybest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，则将Ubest中的各个列向量依次记录为参考向量u1,u2,…,un；步骤6：搭建宽度GRNN模型；其中，输入层神经元的个数等于6，模式层神经元的个数等于2n，求和层神经元的个数等于3，输出层神经元的个数等于2，模式层神经元的2n个参考向量为u1,u2,…,un和求和层神经元的权重矩阵为步骤7：根据步骤1中的6个输入变量，采集造纸过程污水处理系统新一天的数据，并将其存储为一个6×1维的数据向量x；其中，数据向量x中的元素按照步骤1中输入变量的先后顺序依次排列；步骤8：按照公式对x中的各个元素进行归一化处理，得到归一化后的输入向量其中，xd与分别表示x与中的第d个元素，Xdmax和Xdmin分别表示X中第d行向量的最大值和最小值，d∈{1,2,…,6}；步骤9：利用步骤6中搭建的宽度GRNN模型，按照如下所示步骤9.1至步骤9.3计算得到输出估计向量步骤9.1：根据如下所示公式计算宽度GRNN模型的模式层输出向量 其中，表示中第m个元素，Um表示U中的第m列的列向量，m∈{1,2,…,2n}，R2n×1表示2n×1维的实数矩阵，δ表示光滑因子；步骤9.2：根据如下所示公式计算宽度GRNN模型的求和层输出向量 上式中，表示中的第j个元素，Ysj,m表示权重矩阵Ys中第j行第m列的元素；步骤9.3：分别根据公式和计算输出估计向量中的第1个元素和第2个元素步骤10：根据公式计算排污口的出水化学需氧量的预测值y1和出水固体悬浮物浓度的预测值y2后，返回步骤7继续实施新一天的排污口水质预测；其中，Yjmin和Yjmax分别表示输出矩阵Y中第j行向量的最小值和最大值。

全文数据：

权利要求：

百度查询： 宁波大学科学技术学院 一种基于宽度GRNN模型的造纸过程排污口水质预测方法

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