[发明专利]基于动态径向基神经网络的溶解氧的控制方法

摘要

本发明公开了一种基于动态径向基神经网络的溶解氧的控制方法，采用以下步骤：确定控制对象；设计用于污水处理过程中溶解氧DO控制器的动态RBF神经网络拓扑结构；对样本数据进行校正；用校正后的部分数据训练神经网络，利用训练好的RBF神经网络对溶解氧(DO)进行控制，期望DO浓度与实际输出DO浓度的误差及误差变化率作为RBF神经网络的输入，RBF神经网络的输出即为变频器的输入，变频器通过调节电动机的转速达到控制鼓风机的目的，最终控制曝气量，整个控制系统的输出为实际DO浓度值，提高控制器的控制效果，能够快速、准确地使溶解氧达到期望要求；解决了当前基于开关控制和PID控制自适应能力较差的问题。

主权项

1.一种基于动态径向基神经网络的溶解氧的控制方法，其特征在于，包括以下步骤：(1)确定控制对象；针对序批式间歇活性污泥系统中溶解氧进行控制，以曝气量为控制量，溶解氧浓度为被控量；(2)设计用于污水处理过程中溶解氧DO控制器的动态RBF神经网络拓扑结构；网络分为三层：输入层、隐含层、输出层；初始化RBF神经网络：确定神经网络p-n-1的连接方式，即输入层神经元为p个，隐含层神经元为n个，输出层神经元为1个；对神经网络的权值进行随机赋值；RBF神经网络的输入表示为x₁，x₂，Λ，x_p，神经网络的期望输出表示为y_d，实际输出表示为y；设第k时刻RBF神经网络输入为x₁(k)，x₂(k)，Λ，x_p(k)，RBF神经网络各层的计算功能是：输入层，该层由p个神经元组成：Ini(1)(k)=xi(k),]]>Outi(1)(k)=Ini(1)(k),]]>(i＝1，2，Λ，p)；(2)In_i⁽¹⁾(k)，Out_i⁽¹⁾(k)分别表示输入层的输入和输出；隐含层，该层由n个神经元组成：Inj(2)(k)=||x(k)-cj||,]]>(i＝1，2，Λ，p.j＝1，2，Λ，n)；(3)In_j⁽²⁾(k)，Out_j⁽²⁾(k)表示隐含层的输入和输出，x(k)＝[x₁(k)，x₂(k)，Λ，x_p(k)]^T表示第k时刻的输入值，c_j表示隐含层第j个神经元，‖x(k)-c_j‖表示c_j与x(k)之间的欧式距离，为高斯函数，其形式为：c_j表示隐含层第j个神经元中心值，δ_j表示隐含层第j个神经元的中心宽度。输出层，该层只有1个神经元：y(k)=Out(3)(k)=Σj=1nwj3(k)Outj(2)(k),]]>(j＝1，2，Λ，n) (5)Out⁽³⁾(k)表示输出层的输出，w_j³(k)表示第j个隐含层神经元与输出层神经元之间的联结权值，y(k)为神经网络的实际输出；定义误差函数为E=1mΣk=1m(y(k)-yd(k))T(y(k)-yd(k))---(6)]]>T为(y(k)-y_d(k))的转置，m为训练样本总数，训练神经网络的目的是使得式(5)定义的误差函数达到期望值E_d；(3)对样本数据进行校正；设t个数据样本x(1)，x(2)，Λ，x(t)，均值为x，每一个样本的偏差为D(q)＝x(q)-x，q＝1，2，Λ，t，按照Bessel公式计算出标准偏差：σ=Σj=1t(x(q)-x‾)2t-1---(7)]]>若某一个样本x(q)的偏差满足：|D(q)|≥3σ，q＝1，2，Λ，t；(8)则认为样本x(q)是异常数据，应予以剔除，得到校正后的数据，该数据作为神经网络的训练样本；(4)用校正后的部分数据训练神经网络，在训练过程中利用模型输出敏感度分析对神经网络的冗余隐神经元进行修剪，利用最临近插值法对隐含层神经元进行增加；以简化神经网络结构，提高神经网络的性能；具体为：①训练给定初始神经网络达到预先设定训练步骤m；记下训练过程中每个隐含层神经元的输出权值w₁³，w₂³，Λ，w_n³，找出最大值和最小值；通过计算参数w₁³，w₂³，Λ，w_n³对于网络输出y的灵敏度；②第j(j＝1，2，Λ，n)个隐神经元输出在训练m步中的最大值是b_j，最小值是a_j，则假定w_j³以指定频率在[a_j，b_j]内振荡，即：其中，s^(j)＝2π/m，指定频率，m是总训练步骤；结合式(5)，神经网络的输出y表示为：y(s)=Out(3)(s)=Σj=1nwj3(s)Outj(2)(s),]]>(j＝1，2，Λ，n) (10)③计算各个神经元的灵敏度：如果要计算第j(j＝1，2，Λ，n)个隐神经元的灵敏度，则该神经元对应的傅立叶系数为：其中，s的取值范围是[-π，π]；由RBF神经网络的各隐含层神经元的输出之间没有相互作用，傅立叶振幅值主要集中在基频上，采用下式计算第j(j＝1，2，Λ，n)个隐神经元的灵敏度；则j个隐神经元的总灵敏度之和为：Sum_ST=Σi=1nSTi---(13)]]>第j个输入参数的灵敏度为：S_j＝ST_j/Sum_ST(14)④进行结构调整，若第j个隐含层神经元的显著性S_j小于ε₁(预先设定)，则删除该神经元；若第j个隐含层神经元的显著性S_j大于ε₂(预先设定)，利用最临近插值法在该神经元附近插入新的神经元；插入的新神经元初始条件：wnew3=12wj3,]]>v_new＝v_j，c_new＝c_j(15)其中，v_new³，v_new，c_new分别表示插入新神经元的联结权值，中心值，中心宽度；⑤继续训练神经网络，然后每隔一定步数重复步骤②-④，直到新神经网络中所有隐含层神经元显著性S_j处于ε₁和ε₂之间停止结构调整；⑥调整校正网络中所有的参数：wi(t+1)=wi(t)-η1∂E(t)∂wi(t),]]>δi(t+1)=δi(t)-η2∂E(t)∂δi(t),]]>vi(t+1)=vi(t)-η3∂E(t)∂vi(t)]]>(16)其中，i＝1，2，Λ，n，η₁，η₂，η₃是正常数，它们取值范围是[0，1]；⑦继续对样本数据进行训练，直到误差E小于期望误差E_d；(5)利用训练好的RBF神经网络对溶解氧(DO)进行控制，期望DO浓度与实际DO浓度的误差和误差变化率作为训练好的RBF神经网络的输入，RBF神经网络的输出即为变频器的输入值，从而控制电动机的转速已达到控制鼓风机的目的，最终控制曝气量，控制系统的输出为实际DO浓度。