[发明专利]基于任务驱动RBF神经网络的出水总氮TN软测量方法在审
申请号: | 202110304217.1 | 申请日: | 2021-03-22 |
公开(公告)号: | CN113077039A | 公开(公告)日: | 2021-07-06 |
发明(设计)人: | 蒙西;张寅;乔俊飞 | 申请(专利权)人: | 北京工业大学 |
主分类号: | G06N3/02 | 分类号: | G06N3/02;G06K9/62;G06F17/16;G01N33/18 |
代理公司: | 北京思海天达知识产权代理有限公司 11203 | 代理人: | 吴荫芳 |
地址: | 100124 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 任务 驱动 rbf 神经网络 出水 tn 测量方法 | ||
1.一种基于任务驱动RBF神经网络的出水总氮TN软测量方法,其特征在于,包括如下步骤:
步骤1、确定出水总氮TN软测量模型的输入与输出变量
根据污水处理厂获取的实际数据,利用互信息分析出水总氮TN与其他相关变量之间的相关性,确定进水水温、出水水温、出水氨氮NH4-N、进水总氮TN、进水总磷TP、悬浮物浓度为辅助变量;
步骤2、构建用于出水总氮TN智能检测的软测量模型:
利用任务驱动RBF神经网络建立出水总氮TN的软测量模型,任务驱动自适应RBF神经网络包括:输入层、隐含层、输出层;初始时刻,神经网络的结构为6-0-1的连接方式,输入层有6个神经元,隐含层没有神经元,输出层有1个神经元,神经网络的输入向量表示为x=(x1,x2,...,x6)T,x1,x2,x3,x4,x5,x6分别代表进水水温、出水水温、出水氨氮、进水总氮、进水总磷、混合液悬浮固体浓度;输出层输出的是出水总氮TN的值,输出层的神经元数为1;
步骤3、训练任务驱动RBF神经网络;
步骤4、将测试样本数据作为训练好的任务驱动自适应RBF神经网络的输入,神经网络的输出即为出水总氮TN浓度的预测结果。
2.如权利要求1所述的基于任务驱动RBF神经网络的出水总氮TN软测量方法,其特征在于,步骤2中,在t时刻,神经网络的输出向量表示为y(t),计算方法如下:
①输入层:该层由6个神经元组成,每个神经元的输出为:
ui(t)=xi(t) (1)
其中,ui(t)是t时刻第i个神经元的输出,i=1,2,…,6;
②隐含层:隐含层由J个神经元组成,每个神经元的输出为:
其中,Φj(xi)表示第i个输入向量xi进入网络时第j个隐节点的对应输出,cj为第j个隐节点的中心向量,δj为第j个隐节点的宽度值;
③输出层:输出层输出为:
其中,y(i)为第i个输入向量xi进入网络时的对应输出,wji为第j个隐层神经元到输出神经元的连接权值,Φj为第j个隐层神经元的传递函数,
定义任务驱动自适应RBF神经网络的误差为:
其中,yd(t)为t时刻任务驱动自适应RBF神经网络的期望输出,y(t)为t时刻任务驱动自适应RBF神经网络的实际输出,p为训练样本数。
3.如权利要求1所述的基于任务驱动RBF神经网络的出水总氮TN软测量方法,其特征在于,步骤3具体为:
①初始时刻,网络隐含层神经元数为0;
②寻找具有最大绝对期望输出值的样本,增加第一个神经元,
初始时刻,隐含层神经元数置0,当前网络最大绝对残差所对应的数据样本即为拥有最大绝对期望输出的样本k1:
k1=arg max[||yd1||,||yd2||,...,||ydp||,...||ydP||] (5)
其中,P代表训练样本的个数,ydp表示第p个样本的期望输出,增加第一个RBF神经元设置如下:
σ1=1 (8)
③用改进型二阶算法对网络参数进行调整,方法如下:
Ψ(t+1)=Ψ(t)-(H(t)+λI(t))-1Ω(t). (9)
其中,H是类海森矩阵,λ为取值为正常数的学习率参数,I是单位矩阵,Ω
为梯度向量,Ψ指代所有参数,
Ψ(t)=[c1(t),c2(t),...,cl(t),σ1(t),σ2(t),...,σl(t),w1(t),w2(t),...,wl(t)](10)
将类海森矩阵转化为多个类海森子矩阵的和,对梯度向量Ω的计算可转化为对梯度子向量求和,如下式所示:
其中,子海森矩阵和子梯度向量可由下式计算:
雅可比向量jp(t)的计算如下:
其中,l为隐含层神经元个数,N为输入向量维数,利用微分链式法则,上式中的雅可比矩阵行元素可以写为:
④计算网络瞬时残差向量,找到残差峰值点所在位置,在该处新增一个神经元,然后用改进型二阶算法对网络参数进行调整,
在t时刻,对所有训练集样本,计算残差向量如下:
e(t)=[e1(t),e2(t),...,ep(t),...eP(t)]T (19)
第p个样本的残差值计算如下:
ep(t)=ydp-yp(t) (20)
其中,ydp和yp(t)分别为第p个样本的期望输出以及t时刻的实际输出;寻找当前残差峰值点所在位置:
kt=arg max||e(t)|| (21)
则可认为当前网络对第kt个样本的学习能力不够,增加一个RBF神经元对当前样本进行学习,新增神经元中心向量和输出权值设置如下:
当满足如下关系时,已有神经元对新增神经元影响较小:
cmin=arg min(dist(ct,cj≠t)) (25)
因此,可得到以下关系:
σt≤0.7||ct-cmin|| (26)
目前,在实验过程中,通常取σt=0.7||ct-cmin||;
⑤若RBF神经元数量达到Jmax或训练误差达到E0,则存储当前均方误差MSE_0,并进入步骤⑥,否则重复④和⑤,MSE的计算公式如下:
⑥计算各隐含层神经元显著性指标,删除显著性最低的神经元,并用改进型二阶学习算法对网络参数进行调整,获得修剪后的网络的均方误差MSE_1,
定义神经元显著性指标的计算方法如下:
其中,wj为第j个神经元到输出神经元的连接权值;
⑦比较删除神经元后的误差MSE_1与删除神经元前的误差MSE_0,如果当前MSE_1小于或等于MSE_0,则转到步骤④继续修剪过程;否则,恢复到修剪前的结构,基于任务驱动的自适应RBF神经网络构建完成。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京工业大学,未经北京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110304217.1/1.html,转载请声明来源钻瓜专利网。