[发明专利]一种基于自组织互联模块化神经网络的出水BOD预测方法

说明书

一种基于自组织互联模块化神经网络的出水BOD预测方法涉及人工智能领域，直接应用于污水处理领域。模块化神经网络是一种由“类脑”模块化属性构建的网络模型，而“类脑”模块化网络的各个模块之间存在着一定的连接，在处理复杂任务时连接或节点根据任务自适应进行调节。因此，本发明设计了一种基于自组织互联模块化神经网络的污水处理出水BOD预测方法，通过模拟“类脑”模块化处理信息的方式，实现对出水BOD浓度的精准预测。

技术领域：

本发明涉及人工智能领域，直接应用于污水处理领域，尤其涉及一种基于自组织互联模块化神经网络的出水BOD预测方法。

背景技术：

生化需氧量(Biochemical Oxygen Demand，BOD)是在一定条件下，微生物分解存在于水中的可生化降解有机物所进行的生物化学反应过程中所消耗的溶解氧的数量。它是反应水中有机污染物的一个重要指标。当前测量出水BOD浓度的方法有微生物电极法，稀释接种法，仪器法等。但同时伴有时间较长，精度低的缺陷。因此，如何低成本、高效率地对出水BOD浓度进行预测是污水处理过程面临的难题。

模块化神经网络是一种由“类脑”模块化属性构建的网络模型，而“类脑”模块化网络的各个模块之间存在着一定的连接，在处理复杂任务时连接或节点根据任务自适应进行调节。因此，本发明设计了一种基于自组织互联模块化神经网络的污水处理出水BOD预测方法，通过模拟“类脑”模块化处理信息的方式，实现对出水BOD浓度的精准预测。

发明内容

1、本发明需要且能够解决的技术问题。

本发明提出了一种基于自组织互联模块化神经网络的污水处理出水BOD预测方法。采用软聚类的方式将输入变量分为若干子集合，每个子集合由不同的子网络进行处理，同时，所有的子网络相互连接，并采用基于梯度的增长策略和基于阈值的修剪策略调整子网络的结构，对污水处理出水BOD进行预测，旨在提高预测精度。

2、本发明具体的技术方案：

1、一种基于自组织互联模块化神经网络的出水BOD预测方法，主要包括：

步骤1：水质变量子集划分；

采集污水处理厂实际水质变量数据，记O为出水BOD浓度,o_n为出水BOD浓度的第n个样本值，其中n＝1,2,…,N；M_f为第f个输入水质变量，其中f＝1,2,…,F；F为水质变量个数，N为水质变量的样本个数，为第f个水质变量的第n个样本值；

步骤1.1：设定软聚类算法指标如下：

其中，u_kf为第f个变量属于第k个聚类的隶属度，α＝1.5为模糊系数，w_kn为第n个样本在第k类中的权重，v_kn为第n个样本在第k个聚类中的中心，γ＝0.5为强化参数；

步骤1.2：设定i＝1,软聚类算法最大迭代次数Maxc＝20,设定聚类总个数K＝2,随机在-1至1区间内初始化聚类中心v_kn和权重w_kn＝1/N,其中N为水质变量的样本个数，k＝1,2,…,K；n＝1,2,…,N；

步骤1.3：按照下式计算第f个水质变量对第k个聚类的隶属度u_kf：

步骤1.4：利用步骤1.3的u_kf计算第k个聚类中第n个样本的聚类中心v_kn如下：

步骤1.5：利用步骤1.3的第f个水质变量对第k个聚类的隶属度u_kf和步骤1.4的第k个聚类中第n个样本的聚类中心v_kn计算第k个聚类中第n个样本的权重w_kn如下：