基于AK-RBF神经网络的出水氨氮软测量方法研究.docx

?

?

基于AK-RBF神经网络的出水氨氮软测量方法研究

?

?

赵豆豆张伟黄卫民张春辉

摘要：为解决污水处理过程出水氨氮难以精确测量问题，提出一种基于自适应核函数RBF神经网络的出水氨氮软测量方法。由于隐层激活函数对神经网络性能影响较大，AK-RBF神经网络将基于欧几里得的高斯核与余弦核通过线性组合形成新的隐层神经元激活函数。网络参数学习采用梯度下降算法推导的迭代公式更新以提高网络预测精度。仿真实验表明，基于AK-RBF神经网络的出水氨氮软测量方法能够在线预测出水氨氮，比RBF神经网络具有更高的预测精度和更好的自适应能力。

关键词：RBF神经网络;自适应核;氨氮预测;欧氏距离和余弦距离

DOI：10.11907/rjdk.201029

：TP301：A：1672-7800（2020）010-0034-05

Abstract：Inordertosolvetheproblemthatitisdifficulttomeasureammonianitrogenaccurately，softmeasurementofammonianitrogenineffluentbasedonAK-RBFisproposedinthispaper.Theperformanceofneuralnetworkisinfluencedbythehiddenlayeractivationfunction，AK-RBFwhichisthebasisfunctionutilizesalinearcombinationofEuclideandistancebasedGaussiankernelandcosinekernel.Toimprovethepredictionaccuracyofthenetwork，thegradientdescentalgorithmisusedtonetworkparameterlearningofAK-RBFnetwork.Theon-linepredictionofammonianitrogenineffluentcanberealizedbythemethodmentionedinthepaper，themethodhashigherpredictionaccuracyandbetteradaptiveabilitythanRBF，whichhasshownintheammonianitrogensimulationinsewagetreatment.

KeyWords：RBFneuralnetwork;adaptivekernel;ammonianitrogenprediction;Euclideandistanceandcosinedistance

0引言

氨氮浓度是污水处理重要指标之一，含氨氮污水的排放可导致水体富营养化、水质恶化，影响人类健康[1]，污水中氨氮浓度的准确测量对污水处理系统稳定运行起着重要作用。基于物理化学方法[2-6]的检测仪器存在价格昂贵、后期不易维护和费用高等缺点，且检测精度不高，不能实现在线测量。由于污水处理是一个复杂的非线性时变过程，很难建立精确的出水氨氮机理模型，采用基于数据驱动软测量方法[7]可避免建立精确数学模型问题，易于在线提高预测精度，因此在水体氨氮含量预测中广泛应用[8]。

卿晓霞等[9]构建基于RS-BP神经网络的软测量模型，该模型实现污泥容积指数SVI预测，但是此软测量模型本身数据处理能力差，预测效果不能满足要求;杨琴等[10]建立基于BP神经网络的氨氮浓度预测模型，与传统的统计建模方法相比，数据驱动模型的BP网络预测精度有所提高，但BP神经网络存在收敛速度慢和容易陷入局部极小值等缺点，导致预测精度较低。RBF网络具有非线性映射能力较强、收敛速度快且不易陷入局部最小值等优势，Mirbagheri等[11]使用RBF神经网络对废水性能进行评价，并模拟出水质参数，实验证明RBF神经网络预测精度优于BP神经网络，然而这种网络结构需要事先通过人工经验或凑试法确定;乔俊飞等[12]通过对比4种神经网络在污水处理过程中动态建模的训练和测试误差，发现递归RBF神经网络测试误差最小、精度最高，但是递归网络结构复杂，且加入反馈环节使网络泛化能力变差;Ráduly等[13]选用典型的前馈神经网络对出水生物需氧量BOD和化学需氧量COD进行软测量，但因网络结构简单导致预测存在较大误差，测量精度有待提