申请/专利权人：北京工业大学

申请日：2022-03-04

公开（公告）日：2024-04-26

公开（公告）号：CN114814130B

主分类号：G01N33/18

分类号：G01N33/18;G06F17/15;G06N3/043;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.08.16#实质审查的生效;2022.07.29#公开

摘要：本发明提出一种基于非奇异梯度下降算法的区间二型模糊神经网络的出水总氮智能检测方法，实现了污水处理过程中出水总氮浓度的快速智能检测。针对污水处理过程具有机理复杂和高度非线性的特点，难以利用准确的数学模型进行表达，因此，本发明利用区间二型模糊神经网络表达污水处理过程。该方法通过提取与出水总氮相关的特征变量，利用一种非奇异的梯度下降算法对基于区间二型模糊神经网络的出水总氮智能检测模型的参数进行调整，实现出水总氮智能模型的设计，保证污水处理过程中出水总氮浓度的快速智能检测。

主权项：1.一种基于非奇异梯度下降算法的区间二型模糊神经网络的出水总氮智能检测方法，其特征在于，包括以下步骤：1选取出水总氮智能检测模型特征变量以污水处理过程为研究对象，选取生化需氧量、氨氮、硝态氮、出水悬浮物、总磷为影响出水总氮浓度的特征变量；所有变量按公式1归一化， 其中，D1t为t时刻生化需氧量浓度，单位毫克升，D2t为t时刻氨氮浓度，单位毫克升，D3t为t时刻硝态氮浓度，单位毫克升，D4t为t时刻出水悬浮物浓度，单位毫克升，D5t为t时刻总磷浓度，单位毫克升，D6t为t时刻总氮浓度，单位毫克升，Di,min为第i个变量的最小值，Di,max为第i个变量的最大值；i＝1,…,6；x1t＝z1t为t时刻归一化生化需氧量浓度，x2t＝z2t为t时刻归一化氨氮浓度，x3t＝z3t为t时刻归一化硝态氮浓度，x4t＝z4t为t时刻归一化出水悬浮物浓度，x5t＝z5t为t时刻归一化总磷浓度，为t时刻归一化总氮浓度，N为训练样本总数，t＝1,2,...,N；2建立出水总氮智能检测模型出水总氮智能检测模型利用基于根逆方差的区间二型模糊神经网络建立，区间二型模糊神经网络包括输入层、隶属函数层、激活层、后件层和输出层；输入层：由5个神经元组成，输入变量为xt＝[x1t,x2t,x3t,x4t,x5t]T，T表示转置；隶属函数层：由3个神经元组成；激活层：由3个神经元组成，激活层上界输出和下界输出表示为： 其中，j＝1，2，3；f1jt是t时刻第j个神经元的上界输出，f2jt是t时刻第j个神经元的下界输出；Mjt＝[m1jt,m2jt,…,m5jt]T是中心矩阵，mijt是Mjt中第i个元素；Γ1jt和Γ2jt是第j个神经元的上根逆方差和下根逆方差，均为5行5列的对角矩阵： 其中，是Γ1jt的第i行第i列的元素，oiijt是Γ2jt的第i行第i列的元素，i＝1，…，5；j＝1，2，3；后件层：由2个神经元组成，后件层输出表示为： 其中，y1t是t时刻上输出值，y2t是t时刻下输出值，f1t＝[f11t，f12t，f13t]，f2t＝[f21t，f22t，f23t]，P＝[1，1，1]T，wt＝[w1t，w2t，w3t]T是t时刻的权重，表示为wt＝atxt8其中，at是t时刻的权重系数，其为3行5列的矩阵；输出层：由1个神经元组成，输出层输出表示为：yt＝qty2t+1-qty1t9其中，yt为t时刻区间二型模糊神经网络的预测输出，qt是t时刻比例系数；3基于非奇异梯度下降算法的出水总氮智能检测模型参数调整①基于根逆方差的区间二型模糊神经网络的检测模型初始化基于根逆方差的区间二型模糊神经网络的初始中心矩阵Mj1的元素在[0,1]中随机取值，初始上根逆方差矩阵Γ1j1的对角线元素在[0.5,1.5]中随机取值，初始下根逆方差矩阵Γ2j1＝1.2Γ1j1，j＝1，2，3；初始权重系数矩阵a1的元素在[0,1]中随机取值，初始比例系数q1在[0,1]内随机取值；阈值为Ed，Ed为小于0.002的正数；②设置初始时刻t＝1；③优化区间二型模糊神经网络的参数定义区间二型模糊神经网络的非奇异子向量矩阵为：Φnt＝[M1t,M2t,M3t,aTt]10定义区间二型模糊神经网络的根逆方差子向量矩阵为：Φst＝[Γ11t,Γ12t,Γ13t,Γ21t,Γ22tΓ23t]11利用非奇异梯度下降算法更新子向量矩阵：Φnt+1＝Φnt-λ1Gnt12aΦst+1＝maxΦst-λ2Gst,012bqt+1＝qt-λ3Gqt12c其中，Φnt+1＝[M1t+1,M2t+1,M3t+1,aTt+1]为t+1时刻的非奇异子向量矩阵，Φst+1＝[Γ11t+1,Γ12t+1,Γ13t+1,Γ21t+1,Γ22t+1,Γ23t+1]为t+1时刻的根逆方差子向量矩阵，qt+1为t+1时刻的比例系数，max表示最大值，λ1＝0.01是非奇异自变量矩阵的学习率，λ2＝0.051是根逆方差自变量矩阵的学习率，λ3＝0.03是比例系数的学习率；Gnt是非奇异自变量矩阵的梯度向量，Gst是根逆方差自变量矩阵的梯度向量，Gqt是比例系数的梯度向量；其中 其中，表示偏导数； 其中，Djt＝xt-Mjt；④若t≤N时，t增加1，转向步骤③；若tN时，转向步骤⑤；⑤计算区间二型模糊神经网络的性能 若EEd，转向步骤②；否则，结束该循环，得到出水总氮智能检测模型；4利用智能检测模型实现出水总氮浓度检测利用训练好的出水总氮智能检测模型，以生化需氧量浓度、氨氮浓度、硝态氮浓度、出水悬浮物浓度、总磷浓度作为出水总氮智能检测模型的输入，根据公式2-9计算出水总氮智能检测模型的输出即为出水总氮浓度的检测值。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于非奇异梯度下降算法的区间二型模糊神经网络的出水总氮智能检测方法

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