時間:2010-07-07 13:38:07來源:zhangting
摘要:本文介紹了BP人工神經網絡在污水處理中的應用,對BP算法進行了簡單介紹,同時對網絡的創(chuàng)建及實現(xiàn)過程進行了詳細的介紹。對仿真結果做了較為詳細的分析。仿真結果表明:BP網絡的自學習功能很適合污水處理過程的建模,很好的預測了出水水質COD的含量。
關鍵詞:BP網絡;污水處理; 建模
Modeling Study of Activated Sludge Process Based on BP Neural Network
CHI Ming-jie , QI Xing-guang
(School of Electronic Information and Control Engineering, Shandong Institute of Light Industry , Jinan 250353,China)
Abstract: This paper introduced the application of BP artificial neural network in the wastewater treatment and give a detailed description of the realization progress. The simulation results showed that: the BP network, self-learning function is very suitable for sewage treatment process modeling and the quality of COD was predicted very well.
Key words: BP network; Wastewater treatment; modeling;
一:引言
污水處理過程模型是模擬各類微生物、有機養(yǎng)料在處理過程中的主要動態(tài)行為和系統(tǒng)工藝特性的數(shù)學模型,由于污水處理過程具有非線性、大滯后、時變性和隨機性等特點,因此很難建立精確的數(shù)學模型。同時,污水處理系統(tǒng)又是一個多變量相互影響的耦合系統(tǒng),需要同時控制多個變量。所以基于機理的數(shù)學模型涉及參數(shù)眾多,有些參數(shù)很難或無法進行直接測量,進而通過動力學模型描述污水生物處理的動態(tài)特性存在很大的困難。本文引入具有很強的自適應、自學習性的BP神經網絡對污水處理系統(tǒng)的出水COD進行預測。仿真結果顯示:所建模型較好的預測出水COD的含量。
二:算法簡介
誤差反向傳播BP(back-propagation)算法由兩部分構成[3],信息的正向傳遞與誤差的反向傳播。在正向傳遞的過程中,BP網絡的信號由輸入層經隱含層向輸出層傳播,在輸出層的神經元獲得網絡的輸入響應。每一層神經元的狀態(tài)只影響下一層神經元的狀態(tài)。BP網絡工作時前饋的信息處理方式是前向型網絡的特征。如果在輸出層沒有得到期望的輸出,則計算輸出層的誤差變化值,從輸出層反向經過各中間層回到輸入層,從而逐層修正各連接權值,直至達到期望的目標值。
三:BP網絡的設計與訓練
1.BP神經網絡模型結構的確立
(1)隱含層的確定
在訓練神經網絡模型時,我們首先要確定網絡的層數(shù),最重要的是隱層的個數(shù)。理論證明,具有偏差、S型隱含層和一個線性輸出層的網絡能夠逼近任何有理函數(shù)。這就說明:增加隱含層的層數(shù)可以降低誤差,但是會導致BP網絡訓練時間過長、誤差過大;所以我們也可以考慮通過增加隱含層神經元的個數(shù)來提高訓練的精度,并且訓練的效果具有更直觀性。鑒于上述,在本模型中我們選用一個隱含層。
(2)隱含層神經元數(shù)目的確定
污水處理廠出水COD濃度受多個因素的影響。主要包括pH值、進水COD濃度、混合液懸浮固體濃度(SS)、氨氮等。因此神經網絡選擇4個輸入神經元,1個輸出神經元為污水處理廠出水COD濃度。
到目前為止,BP網絡隱含層神經元數(shù)的確定尚沒有成熟的理論指導[2],一般常用Trial-and-error法確定,即從較少的神經元數(shù)開始依次遞增,反復試驗從中選取最優(yōu)的神經元數(shù)目。本文采用的是參考部分經驗公式來選擇最佳隱含層神經元數(shù)目[1],參考公式如下:
其中n1 為隱含層神經元數(shù);m為輸入層神經元數(shù);n輸出單元數(shù); a 為0~10之間的常數(shù)。本文輸入層神經元數(shù)為4個,輸出神經元數(shù)為1個,a 選取4,綜上所述,本文隱含層神經元數(shù)選取為6個。
(3)隨機改變網絡初始權值
如果網絡初始連接權值相同,則每次訓練只能搜索到相同的極值點,很難求得全局極小點鄰域。由于誤差函數(shù)存在很多局部極小點,因此,程序必須具有能夠隨機改變網絡初始連接權值的功能??筛鶕铝泄叫薷臋嘀岛烷y值[1]:
a:利用輸出層各單元的一般化誤差 與中間層各單元的輸出bj 來修正連接權值 vjt和閾值yi [2] 。
t=1,2…,q j=1,2…,P, 0 b:利用中間層各單元的一般化誤差ekj ,輸入層各單元的輸入Pk=(a1,a2,...,an) 來修正連接權值 wij和閥值 。
i=1,2…,q j=1,2…,P, 0<<1
2.試驗數(shù)據預處理
本文數(shù)據選取了河北承德某污水處理廠的150組數(shù)據(表1給出了部分實驗數(shù)據),為提高網絡的學習速度和泛化能力,首先對輸入數(shù)據進行隨機排序,這樣有利于網絡獲得更好的泛化能力,也可以有效避免網絡陷入局部最小值的危險。
表1 部分實驗數(shù)據
由于輸入樣本的數(shù)據相對比較分散,不利于誤差的調整,同時可能引起各層之間權值和閾值的飽和。所以為了提高預測模型的精度和訓練速度,我們首先對數(shù)據進行標準化處理,使輸入數(shù)據歸一到[0.1,0.9]范圍內。對數(shù)據進行歸一化方法有很多,在本文中通過下列公式來對數(shù)據進行處理:
Lmin為所有輸入樣本中的最小值,Lmax為所有輸入樣本中的最大值,經過這樣換算以后,網絡的輸入值接近于正態(tài)分布。
4.仿真結果分析
本文數(shù)據選取了150組數(shù)據,其中134組作為訓練網絡的樣本數(shù)據,為了驗證網絡的有效性將剩余的16組作為網絡模型的檢測數(shù)據,分析實際值和模型預測值的擬合度。
圖1 COD的誤差變化曲線
(1)通過圖1可以得出,雖然BP網絡在迭代次數(shù)較少時,誤差較大,但模型經過6500次循環(huán)之后,網絡誤差趨于平穩(wěn)。雖然訓練速度是比較慢的,但是訓練結束時網絡均方誤差為0.00999982,達到了預先的設定值。經過多次試驗發(fā)現(xiàn),所構建網絡的整體性能是比較穩(wěn)定的,網絡最小誤差都能達到設定值0.01。
圖2 COD的實際輸出值和預測輸出值
圖3 網絡的誤差曲線
(2)通過圖2可以看到,我們運用訓練成熟的神經網絡對16組未學習過的數(shù)據進行了檢測,輸出曲線顯示模型的預測值和實際值擬合度還是比較理想的, 另外通過圖3,我們可以看到相對誤差在3%以內,說明該BP網絡模型良好的非線性逼近能力和泛化能力。所以綜上所述,神經網絡經過學習后所建立起來的BP網絡是比較成功的,基于BP神經網絡的污水處理模型是有效、可行的。
四、小結
對于高度非線性、工作機理不是很清楚的污水處理過程進行建模,采用適用于非線性、黑箱系統(tǒng)建模的神經網絡技術,理論上能取得較好的效果, 可以很方便地利用已經建立的神經網絡模型,實現(xiàn)對出水水質的預測,具有較高的研究價值和較好的實踐意義。
參考文獻
[1] 葛哲學,孫志強.神經網絡理論與MATLABR2007實現(xiàn)[M].電子工業(yè)出版社
[2] 董長虹. MATLAB神經網絡與應用 [M].國防工業(yè)出版社
[3] 樓文高,劉遂慶.基于神經網絡的活性污泥系統(tǒng)建模及其控制[J]. 環(huán)境污染治理技術與設備,2006,(8)
[4] 崔玉理.基于神經網絡的污水處理過程建模及仿真的研究[J].山東科技大學碩士論文.
作者簡介:遲明杰 男 山東輕工業(yè)學院在讀碩士,研究方向:智能檢測及儀器
聯(lián)系方式:電話13969159761 郵箱 qymingjie@sina.com
標簽:
中國傳動網版權與免責聲明:凡本網注明[來源:中國傳動網]的所有文字、圖片、音視和視頻文件,版權均為中國傳動網(www.treenowplaneincome.com)獨家所有。如需轉載請與0755-82949061聯(lián)系。任何媒體、網站或個人轉載使用時須注明來源“中國傳動網”,違反者本網將追究其法律責任。
本網轉載并注明其他來源的稿件,均來自互聯(lián)網或業(yè)內投稿人士,版權屬于原版權人。轉載請保留稿件來源及作者,禁止擅自篡改,違者自負版權法律責任。
產品新聞
更多>2024-09-13
2024-09-09
2024-09-06
英偉達Blackwell可支持10萬億參數(shù)模型AI...
2024-09-05
2024-08-23
2024-08-22