法律状态公告日
法律状态信息
法律状态
2017-06-16
授权
授权
2016-05-18
实质审查的生效 IPC(主分类):G01N33/18 申请日:20151227
实质审查的生效
2016-04-20
公开
公开
技术领域
本发明基于污水处理过程运行特性,利用自组织递归RBF神经网络设计了一种生 化需氧量BOD智能检测方法,实现了污水处理过程生化需氧量BOD的实时测量;污水处理生 化需氧量BOD是表征污水处理效果的重要参量,污水处理过程生化需氧量BOD与过程变量的 关系是实现污水处理过程优化控制的基础环节,对污水处理的节能降耗和稳定安全运行有 着重要影响,是先进制造技术领域的重要分支,既属于控制领域,又属于水处理领域。因此, 生化需氧量BOD的智能检测在污水处理系统中具有重要意义。
背景技术
城市污水处理过程,不但要保证污水处理系统的可靠性和稳定性,同时还要出水 水质符合国家排放标准。然而,污水处理过程生化需氧量BOD影响因素繁多,且各影响因素 之间关系复杂,难以进行实时测量,严重影响了污水处理过程的稳定运行。基于自组织递归 RBF神经网络的生化需氧量BOD智能检测方法有利于提高城市污水处理效率、加强城市污水 处理厂精细化管理、确保污水处理出水水质达标排放,缓解我国当前水污染处理不达标,不 但具有较好的经济效益,而且具有显著的环境和社会效益。因此,本发明的研究成果具有广 阔的应用前景。
城市污水处理的控制目标就是使出水达到国家排放标准,主要涉及的参数有生化 需氧量BOD、化学需氧量COD、出水悬浮物浓度SS、氨氮NH3-N、总氮TN和总磷TP等。其中水质 参数生化需氧量BOD是指在规定时间内分解单位有机物所需要的氧量,目前污水处理厂多 通过使用稀释接种法、微生物传感器快速测定法测定不同类型水中生化需氧量BOD,其生化 需氧量BOD分析测定周期一般为5天,不能及时反映污水处理实际情况,不能实现对生化需 氧量BOD实时测量,直接导致污水处理过程难以实现闭环控制。另外,污水中污染物的数量 多、含量各异,对检测是一大挑战。研制新型硬件形式的过程测量仪表,虽然可以直接地解 决各种污水处理过程变量及水质参数的检测问题,但由于污水中有机物非常复杂,研发这 些传感器将是一个耗资大、历时长的工程。因此,研究新的测量方法解决过程参数的实时测 量问题,已成为污水控制工程领域研究的重要课题,并且具有重要的现实意义。
本发明提出一种基于自组织递归RBF神经网络的生化需氧量BOD智能检测方法,通 过构建基于自组织递归RBF神经网络模型,利用神经元的活跃度以及独立贡献度,判断增加 或删除递归RBF神经网络隐含层神经元,利用梯度下降的参数修正算法保证了自组织递归 RBF神经网络的精度。该智能检测方法能够实现生化需氧量BOD的实时检测,降低了测量成 本,为污水处理厂提供了一种快速高效的测量手段,提高了污水处理厂的效益。
发明内容
本发明获得了一种基于自组织递归RBF神经网络的生化需氧量BOD的智能检测方 法,该方法通过分析污水处理过程,在众多可测变量中选择一组既与生化需氧量BOD有密切 联系又容易测量的变量作为辅助变量,通过构造自组织递归RBF神经网络,实现辅助变量与 生化需氧量BOD之间的映射,实现生化需氧量BOD的实时测量,解决了当前生化需氧量BOD测 量周期长的问题;
本发明采用了如下的技术方案及实现步骤:
一种基于自组织递归RBF神经网络的生化需氧量BOD智能检测方法,其特征在于通 过特征分析获取生化需氧量BOD的特征变量,利用自组织递归RBF神经网络建立生化需氧量 BOD的预测模型,实现生化需氧量BOD的智能检测,包括以下步骤:
(1)确定生化需氧量BOD的输入与输出变量:以活性污泥法污水处理过程为研究对 象,对污水处理过程变量进行特征分析,选取与生化需氧量BOD相关的过程变量为生化需氧 量BOD预测模型的输入:溶解氧浓度DO,出水悬浮物浓度SS,酸碱度pH,化学需氧量COD,生化 需氧量BOD预测模型的输出为生化需氧量BOD值;
(2)设计用于生化需氧量BOD智能检测的软测量模型,利用自组织递归RBF神经网 络建立生化需氧量BOD的软测量模型,自组织递归RBF神经网络的拓扑结构分为三层:输入 层、隐含层、输出层;神经网络为4-m-1的连接方式,即输入层神经元为4个,隐含层神经元为 m个,m为大于2的正整数,输出层神经元为1个;输入层与隐含层之间的连接权值都赋值为1, 隐含层与输出层之间的连接权值随机赋值,赋值区间为[-1,1];设共有N个训练样本,设第t 时刻自组织递归RBF神经网络输入为x(t)=[x1(t),x2(t),x3(t),x4(t)],x1(t)代表t时刻溶 解氧浓度DO的样本输入,x2(t)代表t时刻出水悬浮物浓度SS的样本输入,x3(t)代表t时刻酸 碱度pH的样本输入,x4(t)代表t时刻化学需氧量COD的样本输入;自组织递归RBF神经网络 的期望输出表示为yd(t),实际输出表示为y(t);基于自组织递归RBF神经网络的生化需氧 量BOD的预测方法计算方式依次为:
①输入层:该层由4个神经元组成,每个神经元的输出为:
ui(t)=xi(t);(1)
其中,ui(t)是t时刻第i个神经元的输出,i=1,2,…,4,xi(t)为t时刻输入层第i个 神经元的输入;
②隐含层:隐含层由m个神经元组成,每个神经元的输出为:
其中,cj(t)为t时刻第j个隐含层神经元的中心向量,cj(t)=[c1j(t),c2j(t),…, c4j(t)],cij(t)表示隐含层t时刻第j个神经元中心值的第i个元素,||hj(t)-cj(t)||表示hj(t)与cj(t)之间的欧式距离,σj(t)是t时刻第j个隐含层神经元的宽度,hj(t)是t时刻第j个 隐含层神经元的输入向量
hj(t)=[u1(t),u2(t),u3(t),u4(t),vj(t)×y(t-1)];(3)
y(t-1)是t-1时刻自组织递归RBF神经网络的输出,vj(t)为t时刻输出神经元与第 j个隐含层神经元的反馈连接权值,v(t)=[v1(t),v2(t),…,vm(t)]T为t时刻输出神经元与 隐含层神经元的反馈连接权值向量,T表示转置;
③输出层:输出层输出为:
其中,w(t)=[w1(t),w2(t),...,wm(t)]T为t时刻隐含层与输出层的连接权值向 量,wj(t)为t时刻第j个隐含层神经元与输出神经元的连接权值,θ(t)=[θ1(t),θ2(t),..., θm(t)]T为t时刻隐含层的输出向量,θj(t)为t时刻第j个隐含层神经元的输出,y(t)为t时刻 自组织递归RBF神经网络的输出;
定义自组织递归RBF神经网络的误差为:
其中,yd(t)为t时刻自组织递归RBF神经网络的期望输出,y(t)为t时刻自组织递 归RBF神经网络的实际输出;
(3)训练自组织递归RBF神经网络,具体为:
①给定自组织递归RBF神经网络的初始隐含层神经元个数为m,m为大于2的正整 数,自组织递归RBF神经网络的输入为x(1),x(2),…,x(t),…,x(N),对应的期望输出为yd(1),yd(2),…,yd(t),…,yd(N),N表示自组织递归RBF神经网络输入的训练样本数,期望误 差值设为Ed,Ed∈(0,0.01),初始中心值cj(1)中每个变量的赋值区间为[-2,2],初始中心宽 度σj(1)的赋值区间为[0,1],初始反馈连接权值vj(t)的赋值区间为[0,1],j=1,2,…,m;初 始权值w(1)中每个变量的赋值区间为[-1,1];
②设置学习步数s=1;
③t=s,根据公式(1)、(2)、(3)、(4)计算自组织递归RBF神经网络的输出y(t),运 用快速下降算法调整自组织递归RBF神经网络的参数为:
vj(t+1)=vj(t)-ηv(yd(t)-y(t))wj(t)θ(t)y(t-1)(8)
wj(t+1)=wj(t)-ηw(yd(t)-y(t))θj(t)(9)
其中,ηc为中心c的学习率,ηc∈(0,0.01];ησ为宽度σ的学习率,ησ∈(0,0.01];ηv为 反馈连接权值v的学习率,ηv∈(0,0.02];ηw为连接权值w的学习率,ηw∈(0,0.01];cj(t+1) =[c1j(t+1),c2j(t+1),…,c4j(t+1)]为t+1时刻第j个隐含层神经元的中心向量;σj(t+1)为 t+1时刻第j个隐含层神经元的宽度;vj(t+1)为t+1时刻输出神经元与第j个隐含层神经元 的反馈连接权值;wj(t+1)为t+1时刻第j个隐含层神经元与输出神经元的连接权值;
④t>3时,计算隐含层神经元的独立贡献度;
其中,ψj(t)为t时刻第j个隐含层神经元的独立贡献度;qj(t-1)为t-1时刻第j个隐 含层神经元的独立贡献输出,qj(t)为t时刻第j个隐含层神经元的独立贡献输出;且qj=[qj(t-1),qj(t)]是第j个隐含层神经元的独立贡献输出向量,Q(t)=[q1(t),…qm-1(t),qm(t) ]T为t时刻隐含层神经元的独立贡献输出矩阵:
Q(t)=Φ(t)Ω(t)(11)
其中,Ω(t)为t时刻独立性系数矩阵,Ω(t)为:
Ω(t)=D-1(t)Φ(t)B(t)z(t)(12)
其中,Φ(t)=[θ(t-1),θ(t)]为t时刻隐含层输出矩阵,θ(t-1)=[θ1(t-1),θ2(t- 1),...,θm(t-1)]T为t-1时刻隐含层的输出向量,θ(t)=[θ1(t),θ2(t),...,θm(t)]T为t时刻 隐含层的输出向量;D(t)为t时刻Φ(t)的协方差矩阵,B(t)为t时刻y(t)的白化矩阵,z(t) 为t时刻y(t)的白化转换矩阵:
B(t)=Λ-1/2(t)UT(t)(14)
z(t)=Λ-1/2(t)UT(t)y(t)(15)
其中,
y(t)=Φ(t)δ(t)(16)
其中,δ(t)是t时刻隐含层到输出层的连接权值矩阵
δ(t)=[w(t-1),w(t)](17)
其中,w(t-1)=[w1(t-1),w2(t-1),...,wm(t-1)]T是t-1时刻隐含层与输出层的连 接权值向量,w(t)=[w1(t),w2(t),...,wm(t)]T是t时刻隐含层与输出层的连接权值向量;
⑤t>3时,计算隐含层神经元的活跃度;
其中,j=1,2,…,m,Sj(t)为t时刻第j个隐含层神经元的活跃度;
⑥t>3时,调整自组织递归RBF神经网络的结构;
在调整自组织递归RBF神经网络结构过程中,计算第l个隐含层神经元的活跃度Sl(t)以及第l个隐含层神经元的独立贡献度ψl(t),
当第l个隐含层神经元的活跃度以及独立贡献度满足
Sl(t)=maxS(t)(19)
ψl(t)=maxψ(t)(20)
其中,S(t)=[S1(t),…,Sm-1(t),Sm(t)]为t时刻隐含层神经元的活跃度向量,ψ(t) =[ψ1(t),…,ψm-1(t),ψm(t)]为t时刻隐含层神经元的独立贡献度向量;增加1个隐含层神经 元,并更新隐含层神经元数为M1=m+1;否则,不调整自组织递归RBF神经网络的结构,M1=m;
当第i个隐含层神经元的活跃度以及独立贡献度满足
Si(t)=minS(t)(21)
ψi(t)=minψ(t)(22)
则删除第i个隐含层神经元,并更新隐含层神经元数为M2=M1-1;否则,不调整自组 织递归RBF神经网络的结构,M2=M1;
⑦学习步数s增加1,如果步数s<N,则转向步骤③进行继续训练,如果s=N转向步 骤⑧;
⑧根据公式(5)计算自组织递归RBF神经网络的性能,如果E(t)≥Ed,则转向步骤 ③进行继续训练,如果E(t)<Ed,则停止调整;
(4)生化需氧量BOD浓度预测;
将测试样本数据作为训练后的自组织递归RBF神经网络的输入,自组织递归RBF神 经网络的输出即为生化需氧量BOD浓度的预测值。
本发明的创造性主要体现在:
(1)本发明针对当前污水处理中关键参数生化需氧量BOD测量周期长,提出了一种 基于自组织递归RBF神经网络的生化需氧量BOD智能检测方法,根据实际污水处理厂工作报 表提取了与生化需氧量BOD浓度相关的4个相关变量:溶解氧浓度DO,出水悬浮物浓度SS,酸 碱度pH,化学需氧量COD,实现了生化需氧量BOD浓度的预测,解决了生化需氧量BOD浓度难 以实时测量的问题,从而省去了研制传感器的复杂过程以及降低运行成本;
(2)本发明依据神经元的活跃度以及独立贡献度对网络结构进行自动调整,不但 能够增加隐含层神经元,同时能够删除冗余的神经元,解决了递归RBF神经网络结构难以确 定、精度较低的问题;采用了基于自组织递归RBF神经网络对生化需氧量BOD进行在线测量, 具有测量精度高,对环境差异适应能力强等特点
特别要注意:本发明采用与出水水质生化需氧量BOD相关的4个特征变量建立其智 能检测模型,只要采用了本发明的相关变量及自组织递归RBF神经网络进行生化需氧量BOD 检测方法研究都应属于本发明的范围。
附图说明
图1是本发明的自组织递归RBF神经网络初始结构拓扑图;
图2是本发明的生化需氧量BOD训练结果图,其中实线为生化需氧量BOD实际输出 值,蓝色为自组织递归RBF神经网络训练值;
图3是本发明生化需氧量BOD训练误差图;
图4是本发明生化需氧量BOD预测结果图,其中实线为生化需氧量BOD实际输出值, 虚线为自组织递归RBF神经网络预测值;
图5是本发明生化需氧量BOD预测误差图;
表1-12是本发明实验数据,表1-4为训练样本输入,表5为生化需氧量BOD实际输出 值,表6为生化需氧量BOD训练值,表7-10为预测样本输入,表11为生化需氧量BOD实际输出 值,表12为生化需氧量BOD预测值。
具体实施方式
本发明选取测量生化需氧量BOD的特征变量为出水悬浮物浓度SS、酸碱度pH、溶解 氧浓度DO、化学需氧量COD,除酸碱度pH没有单位外,以上单位均为毫克/升;
实验数据来自某污水处理厂2012年水质分析日报表;分别取化学需氧量COD、出水 固体悬浮物浓度SS、酸碱度pH、溶解氧浓度DO的实际检测数据为实验样本数据,剔除异常实 验样本后剩余100组可用数据,其中60组用作训练样本,其余40组作为测试样本;本发明采 用了如下的技术方案及实现步骤:
基于自组织递归RBF神经网络算法具体步骤如下:
1.一种基于自组织递归RBF神经网络的生化需氧量BOD智能检测方法,其特征在于 通过特征分析获取生化需氧量BOD的特征变量,利用自组织递归RBF神经网络建立生化需氧 量BOD的预测模型,实现生化需氧量BOD的智能检测,包括以下步骤:
(1)确定生化需氧量BOD的输入与输出变量:以活性污泥法污水处理过程为研究对 象,对污水处理过程变量进行特征分析,选取与生化需氧量BOD相关的过程变量为生化需氧 量BOD预测模型的输入:溶解氧浓度DO,出水悬浮物浓度SS,酸碱度pH,化学需氧量COD,生化 需氧量BOD预测模型的输出为生化需氧量BOD值;
(2)设计用于生化需氧量BOD智能检测的预测模型,利用自组织递归RBF神经网络 建立生化需氧量BOD的预测模型,自组织递归RBF神经网络的拓扑结构分为三层:输入层、隐 含层、输出层;如图1,神经网络为4-4-1的连接方式,即输入层神经元为4个,隐含层神经元 为4个,输出层神经元为1个;输入层与隐含层之间的连接权值都赋值为1,隐含层与输出层 之间的连接权值随机赋值,赋值区间为[-1,1];设共有N个训练样本,设第t时刻自组织递归 RBF神经网络输入为x(t)=[x1(t),x2(t),x3(t),x4(t)],x1(t)代表t时刻溶解氧浓度DO的样 本输入,x2(t)代表t时刻出水悬浮物浓度SS的样本输入,x3(t)代表t时刻酸碱度pH的样本输 入,x4(t)代表t时刻化学需氧量COD的样本输入;自组织递归RBF神经网络的期望输出表示 为yd(t),实际输出表示为y(t);基于自组织递归RBF神经网络的生化需氧量BOD的预测方法 计算方式依次为:
①输入层:该层由4个神经元组成,每个神经元的输出为:
ui(t)=xi(t)(23)
其中,ui(t)是t时刻第i个神经元的输出,i=1,2,…,4,xi(t)为t时刻输入层第i个 神经元的输入;
②隐含层:隐含层由m个神经元组成,每个神经元的输出为:
其中,cj(t)为t时刻第j个隐含层神经元的中心向量,cj(t)=[c1j(t),c2j(t),…, c4j(t)],cij(t)表示隐含层t时刻第j个神经元中心值的第i个元素,||hj(t)-cj(t)||表示hj(t)与cj(t)之间的欧式距离,σj(t)是t时刻第j个隐含层神经元的宽度,hj(t)是t时刻第j个 隐含层神经元的输入向量
hj(t)=[u1(t),u2(t),u3(t),u4(t),vj(t)×y(t-1)](25)
y(t-1)是t-1时刻自组织递归RBF神经网络的输出,vj(t)为t时刻输出神经元与第 j个隐含层神经元的反馈连接权值,v(t)=[v1(t),v2(t),…,vm(t)]T为t时刻输出神经元与 隐含层神经元的反馈连接权值向量,T表示转置;
③输出层:输出层输出为:
其中,w(t)=[w1(t),w2(t),...,wm(t)]T为t时刻隐含层与输出层的连接权值向 量,wj(t)为t时刻第j个隐含层神经元与输出神经元的连接权值,θ(t)=[θ1(t),θ2(t),..., θm(t)]T为t时刻隐含层的输出向量,θj(t)为t时刻第j个隐含层神经元的输出,y(t)为t时刻 自组织递归RBF神经网络的输出;
定义自组织递归RBF神经网络的误差为:
其中,yd(t)为t时刻自组织递归RBF神经网络的期望输出,y(t)为t时刻自组织递 归RBF神经网络的实际输出;
(3)训练自组织递归RBF神经网络,具体为:
①给定自组织递归RBF神经网络的初始隐含层神经元个数为m,初始m值为4,自组 织递归RBF神经网络的输入为x(1),x(2),…,x(t),…,x(N),对应的期望输出为yd(1),yd(2),…,yd(t),…,yd(N),N为自组织递归RBF神经网络的训练样本数,期望误差值设为Ed,Ed∈(0,0.01),初始中心值cj(1)中每个变量的赋值区间为[-2,2],初始中心宽度σj(1)的赋值 区间为[0,1],初始反馈连接权值vj(t)的赋值区间为[0,1],j=1,2,…,m;初始权值w(1)中 每个变量的赋值区间为[-1,1];
②设置学习步数s=1;
③t=s,根据公式(1)、(2)、(3)、(4)计算自组织递归RBF神经网络的输出y(t),运 用快速下降算法调整自组织递归RBF神经网络的参数为:
vj(t+1)=vj(t)-ηv(yd(t)-y(t))wj(t)θ(t)y(t-1)(30)
wj(t+1)=wj(t)-ηw(yd(t)-y(t))θj(t)(31)
其中,ηc为中心c的学习率,ηc∈(0,0.01];ησ为宽度σ的学习率,ησ∈(0,0.01];ηv为 反馈连接权值v的学习率,ηv∈(0,0.02];ηw为连接权值w的学习率,ηw∈(0,0.01];cj(t+1) =[c1j(t+1),c2j(t+1),…,c4j(t+1)]为t+1时刻第j个隐含层神经元的中心向量;σj(t+1)为 t+1时刻第j个隐含层神经元的宽度;vj(t+1)为t+1时刻输出神经元与第j个隐含层神经元 的反馈连接权值;wj(t+1)为t+1时刻第j个隐含层神经元与输出神经元的连接权值;
④t>3时,计算隐含层神经元的独立贡献度;
其中,ψj(t)为t时刻第j个隐含层神经元的独立贡献度;qj(t-1)为t-1时刻第j个隐 含层神经元的独立贡献输出,qj(t)为t时刻第j个隐含层神经元的独立贡献输出;且qj=[qj(t-1),qj(t)]是第j个隐含层神经元的独立贡献输出向量,Q(t)=[q1(t),…qm-1(t),qm(t) ]T为t时刻隐含层神经元的独立贡献输出矩阵:
Q(t)=Φ(t)Ω(t)(33)
其中,Ω(t)为t时刻独立性系数矩阵,Ω(t)为:
Ω(t)=D-1(t)Φ(t)B(t)z(t)(34)
其中,Φ(t)=[θ(t-1),θ(t)]为t时刻隐含层输出矩阵,θ(t-1)=[θ1(t-1),θ2(t- 1),...,θm(t-1)]T为t-1时刻隐含层的输出向量,θ(t)=[θ1(t),θ2(t),...,θm(t)]T为t时刻 隐含层的输出向量;D(t)为t时刻Φ(t)的协方差矩阵,B(t)为t时刻y(t)的白化矩阵,z(t) 为t时刻y(t)的白化转换矩阵:
B(t)=Λ-1/2(t)UT(t)(36)
z(t)=Λ-1/2(t)UT(t)y(t)(37)
其中,
y(t)=Φ(t)δ(t)(38)
其中,δ(t)是t时刻隐含层到输出层的连接权值矩阵
δ(t)=[w(t-1),w(t)](39)
其中,w(t-1)=[w1(t-1),w2(t-1),...,wm(t-1)]T是t-1时刻隐含层与输出层的连 接权值向量,w(t)=[w1(t),w2(t),...,wm(t)]T是t时刻隐含层与输出层的连接权值向量;
⑤t>3时,计算隐含层神经元的活跃度;
其中,j=1,2,…,m,Sj(t)为t时刻第j个隐含层神经元的活跃度;
⑥t>3时,调整自组织递归RBF神经网络的结构;
在调整自组织递归RBF网络结构过程中,计算第l个隐含层神经元的活跃度Sl(t) 以及第l个隐含层神经元的独立贡献度ψl(t),
当第l个隐含层神经元的活跃度以及独立贡献度满足
Sl(t)=maxS(t)(41)
ψl(t)=maxψ(t)(42)
其中,S(t)=[S1(t),…,Sm-1(t),Sm(t)]为t时刻隐含层神经元的活跃度向量,ψ(t) =[ψ1(t),…,ψm-1(t),ψm(t)]为t时刻隐含层神经元的独立贡献度向量;增加1个隐含层神经 元,并更新隐含层神经元数为M1=m+1;否则,不调整自组织递归RBF神经网络的结构,M1=m;
当第i个隐含层神经元的活跃度以及独立贡献度满足
Si(t)=minS(t)(43)
ψi(t)=minψ(t)(44)
则删除第i个隐含层神经元,并更新隐含层神经元数为M2=M1-1;否则,不调整自组 织递归RBF神经网络的结构,M2=M1;
⑦学习步数s增加1,如果步数s<N,则转向步骤③进行继续训练,如果s=N转向步 骤⑧;
⑧根据公式(27)计算自组织递归RBF神经网络的性能,如果E(t)≥Ed,则转向步骤 ③进行继续训练,如果E(t)<Ed,则停止调整;
生化需氧量BOD浓度智能检测方法训练结果如图2所示,X轴:样本数,单位是个,Y 轴:生化需氧量BOD训练输出,单位是毫克/升,实线为生化需氧量BOD浓度实际输出值,虚线 是生化需氧量BOD浓度训练输出值;生化需氧量BOD浓度实际输出与训练输出的误差如图3, X轴:样本数,单位是个,Y轴:生化需氧量BOD浓度训练误差,单位是毫克/升;
(4)生化需氧量BOD浓度预测;
将测试样本数据作为训练后的自组织递归RBF神经网络的输入,自组织递归RBF神 经网络的输出即为生化需氧量BOD的智能检测结果;生化需氧量BOD浓度智能检测方法测试 结果如图4所示,X轴:测试样本数,单位是个/样本,Y轴:生化需氧量BOD预测输出值,单位是 毫克/升,实线是生化需氧量BOD实际输出值,虚线为自组织递归RBF神经网络预测值;生化 需氧量BOD浓度实际输出与测试输出的误差如图5,X轴:测试样本数,单位是个/样本,Y轴: 生化需氧量BOD预测误差,单位是毫克/升。
训练数据:
表1.化学需氧量COD的输入值(毫克/升)
表2.溶解氧浓度DO的输入值(毫克/升)
表3.酸碱度pH的输入值
表4.出水悬浮物浓度SS的输入值(毫克/升)
表5.生化需氧量BOD的实际输出值(毫克/升)
表6.生化需氧量BOD的训练值(毫克/升)
预测数据:
表7.化学需氧量COD的输入值(毫克/升)
表8.溶解氧浓度DO的输入值(毫克/升)
表9.酸碱度pH的输入值
表10.出水悬浮物浓度SS的输入值(毫克/升)
表11.生化需氧量BOD的实际输出值(毫克/升)
表12.生化需氧量BOD的预测值(毫克/升)
机译: 基于自组织递归RBF神经网络的生化需氧量智能检测方法
机译: 一种生化需氧量的检测方法
机译: 基于递归RBF神经网络的污泥膨胀故障识别方法