[发明专利]一种基于混合编码粒子群-长短期记忆神经网络出水氨氮软测量方法

权利要求书

1.一种基于混合编码粒子群-长短期记忆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：软测量模型的输入变量选择与数据预处理；

采集污水处理厂水质参数数据，选择水质参数数据中的好氧末段溶解氧浓度DO、好氧末端总固体悬浮物浓度TSS、出水酸碱度pH、出水氧化还原电位ORP和出水硝态氮浓度作为输入变量，出水氨氮浓度作为输出变量；并将输入和输出变量按以下公式归一化至[-1，1]之间：

其中x是归一化后的数据，O表示水质参数的原始数据；max(O)和min(O)分别是该项数据的最大值和最小值；

将归一化后的数据划分为输入数据u(k)＝[u₁(k),u₂(k),u₃(k),u₄(k),u₅(k)]和输出数据y(k)；其中，u₁(k)、u₂(k)、u₃(k)、u₄(k)和u₅(k)分别是好氧末段溶解氧浓度DO、好氧末端总固体悬浮物浓度TSS、出水酸碱度pH、出水氧化还原电位ORP和出水硝态氮浓度归一化后的值，y(k)是出水氨氮浓度归一化后的值，k＝1,2,3,...,L，L是样本数据的总数；

步骤2：确定混合编码粒子群-长短期记忆神经网络结构

混合编码粒子群-长短期记忆神经网络共分为三层：输入层、隐含层和输出层；根据步骤1，输入层为好氧末段溶解氧浓度DO、好氧末端总固体悬浮物浓度TSS、出水酸碱度pH、出水氧化还原电位ORP和出水硝态氮浓度隐含层为长短期记忆单元，输出层为出水氨氮浓度；因此，神经网络的输入变量共5个，输出变量1个，确定混合编码粒子群-长短期记忆神经网络结构为5-N-1，其中N为正整数，其表示隐含层的长短期记忆单元的个数；将神经网络的实际输出表示为混合编码粒子群-长短期记忆神经网络的计算过程是：

其中，是网络的输出权值矩阵，矩阵中的每个元素在[-1，1]之间进行随机初始化；是神经网络隐含层的输出向量，其由以下公式计算得到：

h(k)＝tanh(c(k))⊙o(k) (3)

其中，tanh(·)是双曲正切函数，⊙代表向量点乘运算，是神经网络输出门，是神经网络内部状态，分别由以下的公式(4)和(5)得到：

o(k)＝U_ou(k)+R_oh(k-1)+b_o (4)

c(k)＝f(k)⊙c(k-1)+i(k)⊙tan(U_cu(k)+R_ch(k-1)+b_c) (5)

其中，和分别是神经网络输出门的输入权值矩阵、递归权值矩阵和偏置向量，其均在[-1，1]之间进行随机初始化；R_c^N×N和分别是神经网络内部状态的输入权值矩阵、递归权值矩阵和偏置向量，其均在[-1，1]之间进行随机初始化；和分别是神经网络的输入门和遗忘门，分别由以下的公式(6)和(7)计算得到：

i(k)＝U_iu(k)+R_ih(k-1)+b_i (6)

f(k)＝U_fu(k)+R_fh(k-1)+b_f (7)

其中，R_i^N×N和分别是神经网络输入门的输入权值矩阵、递归权值矩阵和偏置向量，其均在[-1，1]之间进行随机初始化；和分别是神经网络遗忘门的输入权值矩阵、递归权值矩阵和偏置向量，其均在[-1，1]之间进行随机初始化；

步骤3：训练神经网络

步骤3.1：将神经网络的输入权值U_i、U_f、U_o和U_c，递归权值R_i、R_f、R_o、R_c，输出权值W_out和偏置b_i、b_f、b_o、b_c通过计算机的随机函数初始化在[-1，1]之间；初始化网络大小N＝12；初始化训练次数t＝1，最大训练次数为t_max＝1000；初始化网络训练期望性能为T_e，T_e＝0.1；

步骤3.2：对粒子进行编码；将粒子的位置按如下公式进行编码：

其中，a_j是第j个粒子的位置，j＝1,2,...,S，S是种群大小，S＝60；是一个长度为N的二值行向量，ξ＝1,2,3,...,N；H_ξ^j代表长短期记忆神经网络的结构，其中H_ξ^j＝0表示第ξ个长短期记忆单元不存在，H_ξ^j＝1表示第ξ个长短期记忆单元存在；是一个长度为N(4(5+N+1)+1)的实数行向量，W^j_ξ＝{U^j_ξ,R^j_ξ,b^j_ξ,W^j_out·ξ}是第ξ个长短期记忆单元的所有参数，其中，U^j_ξ＝{U_i^j,U_f^j,U_o^j,U_c^j}_ξ包含了第ξ个长短期记忆单元输入门、遗忘门、输出门和内部状态的输入权值；R^j_ξ＝{R_i^j,R_f^j,R_o^j,R_c^j}_ξ包含了第ξ个长短期记忆单元输入门、遗忘门、输出门和内部状态的递归权值；b^j_ξ＝{b_i^j,b_f^j,b_o^j,b_c^j}_ξ包含了第ξ个长短期记忆单元输入门、遗忘门、输出门和内部状态的偏置；

同时，将粒子的速度表示为：

v_j＝[v_j,1,v_j,2,...,v_j,d,...,v_j,D] (9)

其中，v_j代表第j个粒子的速度向量，v_j,d是第j个粒子在维度d上的速度分量，d＝1,2,...,D，D是粒子的总维度，且D＝N(4(5+N+1)+2)；

步骤3.3:根据神经网络的期望输出y(k)和实际输出按如下公式(10)计算每个粒子的适应度函数值φ(a_j(t))：

其中L代表神经网络输入的训练样本数；

步骤3.4：获取粒子的个体最优位置和全局最优位置；

粒子的个体最优位置为：

φ(p_j(t-1))是粒子上次个体最优位置的适应度值，φ(a_j(t))是第j个粒子在t时刻的适应度值；

粒子的全局最优位置为：

其中，表示适应度函数最小值所对应的个体最优位置；

步骤3.5：对每个粒子的速度和位置进行更新：

粒子的速度更新为：

v_j,d(t+1)＝ωv_j,d(t)+c₁r₁(p_j,d(t)-a_j,d(t))+c₂r₂(g_d(t)-a_j,d(t)) (13)

其中，ω是粒子群的惯性权重，ω＝0.8；c₁和c₂是加速因子，c₁＝c₂＝1.5；r₁和r₂分别是局部最优位置系数和全局最优位置系数，其均服从[0，1]之间的均匀分布；p_j,d(t)表示第j个粒子的个体最优位置p_j(t)在维度d上的分量，g_d(t)表示全局最优位置g(t)在维度d上的分量，a_j,d(t)表示第j个粒子的位置a_j(t)在维度d上的分量；

位置的更新分为两部分，二值编码部分H^j的更新为：

其中，1≤d≤N，r₃是转化概率，其服从(0，1)之间的均匀分布，C(v_j,d(t+1))是概率转换函数，其表示为：

其中，θ是灵敏系数，用于控制C(v_j,d(t+1))的宽度，θ＝1.5；

实数编码部分P^j的更新为：

其中，N＜d≤D，是局部吸引子，其计算公式为：

其中，r₄是局部最优位置和全局最优位置之间的平衡系数，其服从[0，1]之间的均匀分布；

公式(16)中的η是中度随机搜索算子，其计算公式为:

其中，r₅和r₆服从[0，1]之间的均匀分布，r₇服从[-1，1]之间的均匀分布；

公式(16)中的β_j是收敛控制因子，计算公式为:

其中，ε是缩放因子，ε＝6.5；G(t)是种群多样性，F_j(t)是变化率；G(t)和F_j(t)的计算如下：

其中，Min(φ(a_j(t)))是第t次训练中所有粒子适应度值的最小值，Max(φ(a_j(t)))是第t次训练中所有粒子适应度值的最大值，φ(g(t))是第t次训练中的全局最优适应度值；

步骤3.6：输入训练样本数据重复步骤3.3到步骤3.5，每训练完一次t自加1(t＝t+1)；当粒子的全局最优位置对应的第t次训练中的全局最优适应度值φ(g(t))满足小于网络训练期望性能T_e＝0.1或者达到最大训练次数t＝t_max＝1000时停止训练；

步骤3.7：训练结束后，将神经网络的输出值通过公式(22)反归一化为出水氨氮训练输出值：

其中，max(O)和min(O)在步骤1中已经描述；

步骤4：测试神经网络；

将测试样本数据按公式(1)归一化后作为训练后的混合编码粒子群-长短期记忆神经网络的输入，将混合编码粒子群-长短期记忆神经网络的输出按公式(22)反归一化后即为出水氨氮的测量值。