氧化沟系统出水COD预报的神经网络模型论文.docVIP

　　氧化沟系统出水COD预报的神经网络模型论文 摘要：以漯河市污水净化中心的Carrousel氧化沟（以下简称氧化沟）系统为考察对象，针对该系统进水水质复杂，控制滞后的难点，引入人工神经网络的理论和方法，对其模拟分析，建立了基于BP网络的氧化沟系统出水COD预报模型。模型性能检验和灵敏度检验表明，建成的模型准确度高，适应性强.freel. Abstract: The carrousel oxidation ditch system in Luohe Center of ATLAB环境下的神经网络工具箱与统计工具箱5为数学工具，编制的BP模型由三层神经元组成，其主要特点是： 1.1.1 输入层由影响出水COD的各因素组成，为使样本信息尽量丰富，并考虑到指标监测方便可行，选择以下参数作为输入矢量：X1：水温，X2:进水SS浓度,X3：进水COD浓度,X4：进水氨氮浓度,X5：MLSS,X6：MLVSS,X7：SV３0（沉降30分钟污泥体积比）。输出层产生ANN输出矢量Y，本研究希望输出的是出水COD浓度Y。隐含层层数的选择与问题的复杂性有关，隐含层层数的增加将使训练费用急剧上升，本研究采用一层隐含层，隐节点数的确定考虑到两原则：①样本数大于网络可调数6；②几何平均规则7：对一个三层网络，具有n个输入节点，m个输出节点，则中间层节点数H= 。本研究取节点数4～14，以期对其在更大范围优化。图1给出了训练成功的一组网络结构。 1.1.2 以logsig或tansig函数作为隐含层激活函数，分别使用这两种函数作网络训练，择优而用。以logsig作为输出层激活函数，将输出结果控制在0,1，式中，b为偏差值,x表示隐含层中的节点数值。 logsig函数： tansig函数： 1.1.3 采用Levenberg-Marquart收敛规则，该规则采用了数值优化算法，可根据误差大小自动调整牛顿法与梯度法在训练中的比重，是目前最快的收敛算法，大大降低了训练费用。 1.2 训练集与检验集 ANN模型的预报能力与学习样本质量及信息量紧密相关，出水COD预报的BP网络模型（以下简称模型）样本数据取自漯河市污水净化中心2000年8月至2002年2月间生产数据，完整记录（包括全部模型输入输出参数）共89组，剔除发生生产事故(有记载的酸碱中毒、活性污泥膨胀等)状态下记录7组，剩余82组（考虑到数据样本集规模不大，故包括了一些超标排放数据），初步确定为学习样本集。进水水质参数变化范围：水温：10.8～3℃；SS：139～1062mg/l；COD：109～694mg/l；NH4+-N：12.88～496mg/l；控制参数：SV30：12～93；MLVSS：1107～3484 mg/l；MLSS：2226～6226 mg/l。生产报表无进水水量记载，故假定每个工作日进水水量连续稳定，但建成模型检验结果反映出进水水量是一个重要模型参数，由于缺乏相关数据，使得模型性能欠佳。筛选出82组代表性数据中，通过主要成分分析及聚类分析8，发现三组样本有离群倾向，但不太突出，不做去除,以防止信息量的损失，最终确定学习样本规模为82组。 以欧氏距离作为表征相似性的统计量，采用平均距离判断依据将原始样本分为10类，根据聚类结果，从各类中随机挑选1/3左右的样本归入检验集，剩余的归入训练集。最终确定47组用于训练，35组用于检验。聚类分析，保证了所取的训练样本分布均匀且能覆盖原始样本提供的结构信息，弥补了原始数据量较少的不足。 对训练集与检验集数据做预处理，笔者在此提出三点规范：①保持原始样本统计规律，数据拓扑结构。②绝大部分网络期望输出要在输出层激活函数的敏感区内，避免进入不应区。对logsig函数而言，敏感区为0.15,0.85。③网络输出逆变换不能放大误差。本研究对原始数据作如下预处理,.freelin与xmax分别表示原始值中的最小值与最大值,xnorm表示训练输入值： 1.3 建模试验要点 1.3.1 由于训练、检验样本自身含有噪声，其大小未知，故建模应以预报准确度作为首要目标,精度作为次要目标。这里引入①检验误差E：检验样本网络输出值允许误差的上限；②准确度：不大于E的检验合格率。用训练总平方误差G衡量模型精度，精度不可过高，否则会诱导网络记住噪声。如何协调精度与准确度之间的矛盾，找出二者最佳组合，尽可能达到模型性能最优化是数值试验的重中之重。 1.3.2 BP网络学习收敛速度及局部最小点的性能对初始化权值、偏差矩阵十分敏感，本研究通过加大随机初始化次数来有哪些信誉好的足球投注网站模型满意解，对给定的网络结构及参数组合实行1000次随机初始化权值、偏差矩阵有哪些信誉好的足球投注网站。 1.3.3 模型性能检验，采用四项指标9-12:相关系数C，均方根误差R，标准均方根误差N，平均相对误差A，如下