[发明专利]一种基于PSO的递归RBF神经网络出水BOD预测方法

说明书

一种基于PSO的递归RBF神经网络出水BOD预测方法实现BOD浓度的在线预测是先进制造技术领域的重要分支，既属于控制领域，又属于水处理领域。本发明通过设计PSO‑RRBF神经网络，根据污水处理过程采集的数据实现了BOD浓度的实时测量，解决了污水处理过程出水BOD浓度难以实时测量的问题，提高了城市污水处理厂水质质量实时监控水平。

技术领域:

本发明涉及一种基于PSO的递归RBF神经网络(PSO-RRBF)出水BOD预测方法。实现BOD浓度的在线预测是先进制造技术领域的重要分支，既属于控制领域，又属于水处理领域。

背景技术:

生化需氧量(Biochemical Oxygen Demand，BOD)是指规定时间内微生物分解有机物所消耗水中溶解氧的数量，是评价污水水质的重要指标，快速准确测量出水BOD浓度利于有效控制水体污染。目前BOD测量的方法有稀释与接种法、微生物传感器快速测定法等，BOD分析测定期为5天，测定周期较长，不能实时反映污水中BOD的浓度变化。同时微生物传感器具有造价高、寿命短、稳定性差等缺点，降低了微生物传感器的普适性。因此，如何低成本、高效率地对出水BOD浓度进行检测是污水处理过程面临的难题。

软测量方法采用间接测量的思路，利用易测变量，通过构建模型对难测变量进行实时预测，为污水处理过程中关键水质参数的测量提供了一种高效快速的解决方案。基于神经网络是软测量方法中的有效模型以及径向基函数的强非线性映射能力，本发明设计了一种基于PSO-RRBF神经网络的出水BOD软测量方法，实现出水BOD浓度的在线预测。

发明内容

本发明获得了一种基于PSO-RRBF神经网络的出水BOD预测方法，通过设计PSO-RRBF神经网络，根据污水处理过程采集的数据实现了BOD浓度的实时测量，解决了污水处理过程出水BOD浓度难以实时测量的问题，提高了城市污水处理厂水质质量实时监控水平；

一种基于PSO-RRBF神经网络的BOD浓度预测方法包括以下步骤：

步骤1：利用PSO算法初步筛选出水BOD辅助变量并确定PSO-RRBF神经网络的隐含层节点个数，确定网络结构；

步骤1.1：初始化粒子种群；

假设在一个b维的搜索空间，由z个粒子组成一个种群，每一个粒子由一个1行b列的向量x_i表示，前b-1列代表特征变量，通过随机二值化进行特征变量的初始化，第b列代表神经网络隐含层神经元的个数，随机设定初始值；群体中第i个粒子的位置和速度可分别表示为：

x_i＝(x_i1,x_i2,...,x_ib)i＝1,2,...,z (1)

v_i＝(v_i1,v_i2,...,x_ib)i＝1,2,...,z (2)

其中，x_ia(a＝1,2,...,b-1)和v_ia(a＝1,2,...,b-1)分别代表粒子中特征变量的位置和速度，x_ib和v_ib分别代表粒子中神经网络隐含层神经元个数的位置和速度；x_ia通过随机二值化进行特征变量的初始化，x_ib随机设定初始值，v_i的初始值取[-1,1]的任意数；

步骤1.2：确定PSO算法中的适应度函数及粒子速度位置更新方式；

将PSO算法中的适应度函数定义为神经网络的预测精度，计算公式为：