(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111679707.6 (22)申请日 2021.12.31 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 蒙西　段滈杉　乔俊飞　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 代理人 刘萍 (51)Int.Cl. G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于级联模块化神经网络的城市污水 处理过程出 水含氮量智能检测方法 (57)摘要 本发明涉及一种基于级联模块化神经网络 的城市污 水处理过程出水含氮 量智能检测方法。 首先， 通过互信息选择模型的输入变量， 建立模 块1来预测出水NH4 ‑N； 然后， 考虑到 出水NH4‑N和 出水TN之间 的高度相关性， 将模块1中出水NH4‑N 的预测值与其他易于测量的变量相结合， 设计出 用于预测出水TN的模块2。 此外， 为了保证整个基 于HMN的软测量模型的效率和泛化性能， 两个模 块由基于增长和合并机制的径向基函数(GM ‑ RBF)网络构建， 通过节点生长合并策略和二阶学 习算法， 提高了模型的计算效率和泛化能力。 最 后， 通过实际工业数据评估基于HMN的软测量模 型的有效性， 本发明有效解决了受环 境或仪器的 限制， 城市污水处理过程中出水氨氮和出水总氮 难以实时精准检测的问题。 权利要求书4页 说明书7页 附图4页 CN 114331788 A 2022.04.12 CN 114331788 A 1.一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法， 其特 征在于， 包括如下步骤： 步骤1： 建立级联模块 化神经网络； 模块1： 模块1由RB F神经网络建立， 根据不同的任务处理不同的输入信号， 模块1的输入 表示为 u＝[u1,u2,...,un]T                                (1) 其中 x1,x2,...,xN表示影响出水含氮量的全部辅助变量， 这些 变量包括： 进水PH(PH_in)， 出水PH(PH_ef)， 进水固体悬浮物浓度(SS_in)， 出水固体悬浮物 浓度(SS_ef)， 进水生化需氧量(BOD_in)， 出水生化需氧量(BOD_ef)， 进水化学需氧量(COD_ in)， 出水化学需氧量(COD_ef)， 生物池污泥沉降比(SV)， 生物池混合液悬浮固体(MLSS)， 生 化池溶解氧(DO)， 进水油类(Oil_in)， 出水油类(Oil_ef)， 进水氨氮(NH4 ‑N_in)， 出水氨氮 (NH4‑N_ef)， 进水色度(Colour_in)， 出水色度(Colour_ef)， 进水总氮(TN_in)， 出水总氮 (TN_ef)， 进水总磷(TP_in)， 出水总磷(TP_ ef)， 进水水温(T_in)， 出水水温(T_ef)， N表示辅 助变量的总个数， u1,u2,...,un表示影响出水氨氮的辅助变量， 包括： 进水水温(T_in)、 出水 水温(T_ef)、 进水总磷(TP_in)、 生物池混合液悬浮固体(MLSS)、 进水总氮(TN_in)和进水 NH4‑N(NH4‑N_in)， n表示模块1中输入变量个数； 之后， 基于RBF神经网络建立的模块1的输 出 表示为： 其中u表示输入向量， φ( ·)表示径向基核 函数， exp( ·)表示以e为底的指数函数， cj和 σj为模块1中RBF神经网络第j个隐层节 点的中心和宽度， wj表示相应的输出权重， J1为RBF神 经网络的隐含层节点个数； 模块2： 同样， 模块2也由RBF神经网络建立， 与以往模块化神经网络构造不同的是， 模块 2的输入除了包括来自外界环境的输入信号之外， 还包括模块1的输出， 因此， 输入层表示 为： 其中， 表示影响出 水总氮的辅助变量， 包括： 进水水温(T_i n)、 出 水水温(T_ef)、 出水NH4 ‑N(NH4‑N_ef)、 进水总氮(TN_in)、 进水总磷(TP_in)和生物池混合 液悬浮固体(MLS S)， m表示模块2中输入变量个数； 因此模块2的输出 表示为 其中， exp( ·)表示以e为底的指数函数， r表示输入向量， cj和σj为模块2中RBF神经网络 第j个隐层节点的中心和宽度， wj表示相应的输出权重， J2为RBF神经网络的隐含层节点个 数； 级联模块化神经网络根据信号传播的方向构建， 首先根据训练样本训练模块1， 然后， 将模块1的输出 添加到模块2的输入中以完成子网络设计；权　利　要　求　书 1/4 页 2 CN 114331788 A 2步骤2： 基于生长和合并机制的RBF自组织结构设计方法； 为了保证子网络和级联模块化神经网络的紧凑性和泛化性， 提出了一种基于生长和合 并机制的RBF自组织结构设计方法， 最初， RBF隐藏层中没有节 点， 为了消除网络输出和期 望 输出之间的误差， 采用误差修正算法连续添加RBF隐含层节点， 因此， 在每次迭代中， 每个 RBF节点位于最高误差峰或最低误差低谷处； 其中zp和 分别为第p个样本的期望输出和网络的实际输出， ep表示第p个样本期望输出 和实际输出之间的误差； jmax表示第j次迭代时绝对误差最大的训练样本， P表示模块1中训 练样本的大小； 然后， 根据第jmax个训练样本初始化第j个RBF节点对应的中心向量和连接 权值： 其中 和 分别表示第jmax个样本对应的输入向量和期望输出， cj和wj分别表示第j个 RBF节点的中心向量和连接 权值； 隐含层节点的宽度根据新添加的节点和其 他现有RBF节点之间的最小欧氏距离计算 σj＝min{dist(cj,ci≠j)}                            (9) 每次网络结构发生变化时， 采用二阶算法调整所有参数， 由于RBF神经网络激活函数的 特殊性， 其节点进行局部学习， 由相应的中心向量和半径决定， 因此， 在参数调整过程中如 果将两个RBF隐含层节点调到最近距离， 这两个节点可能对某些输入信息提供大致相同的 响应， 因此， 开发了一种合并策略以降低冗余并提高网络的紧凑性； 如果第k个节点和第l个节点满足条件(10)， 那么这两个节点将合并成新的节点： dist(ck,cl)<min{σk, σl},k≠l.                         (10) σk,l＝max{σk, σl}                             (12) wk,l＝wk+wl                              (13) 其中dist(ck,cl)表示中心向量ck和cl之间的欧氏距离， ck和cl分别表示k个节点和第l 个节点的中心向量， ck,l表示第k个节点和第l个节点对应的中心向量的均值， σk和σl分别表 示第k个节点和第l个节点的宽度， wk和wl分别表示第k个节点和第l个节点的连接权值， 第 ck,l， σk,l和wk,l分别为新添加节点的中心c， 宽度σ 和权值 w； 步骤3： 采用二阶算法对参数进行调整 为了加快收敛速度并提高HMN的训练精度， 使用二阶学习算法来调整子网络的参数， 包 括隐含层节点的中心、 宽度和连接 权重， 参数的更新 规则由下式给 出 θt+1＝θt‑(Qt+ μtI)‑1gt                         (14) 其中θt+1和θt表示t+1时刻和t时刻所有的参数， 包括中心向量c， 宽度和连接权值， Qt表 示t时刻海 森矩阵， μt为t时刻学习率， I 为单位矩阵， gt为t时刻梯度向量； 为了降低计算复杂度， 将类海森矩阵Q表示为p个类海森子矩阵q的和， 将梯度向量g转权　利　要　求　书 2/4 页 3 CN 114331788 A 3