BP神经网络在污水处理建模中的应用研究.docx

《BP神经网络在污水处理建模中的应用研究.docx》由会员分享，可在线阅读，更多相关《BP神经网络在污水处理建模中的应用研究.docx（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、BP神经网络在污水处理建模中的应用研究zhangting导语：本文介绍了BP人工神经网络在污水处理中的应用，对BP算法进展了简单介绍，同时对网络的创立及实现经过进展了详细的介绍。摘要：本文介绍了BP人工神经网络在污水处理中的应用，对BP算法进展了简单介绍，同时对网络的创立及实现经过进展了详细的介绍。对仿真结果做了较为详细的分析。仿真结果说明：BP网络的自学习功能很合适污水处理经过的建模，很好的预测了出水水质COD的含量。关键词：BP网络；污水处理；建模ModelingStudyofActivatedSludgeProcessBasedonBPNeuralNetworkCHIMing-jie,Q

2、IXing-guang (SchoolofElectronicInformationandControlEngineering,ShandongInstituteofLightIndustry,Jinan250353,China)Abstract：ThispaperintroducedtheapplicationofBPartificialneuralnetworkinthewastewatertreatmentandgiveadetaileddescriptionoftherealizationprogress.Thesimulationresultsshowedthat:theBPnetw

3、ork,self-learningfunctionisverysuitableforsewagetreatmentprocessmodelingandthequalityofCODwaspredictedverywell.Keywords:BPnetwork;Wastewatertreatment;modeling;一：引言污水处理经过模型是模拟各类微生物、有机养料在处理经过中的主要动态行为和系统工艺特性的数学模型，由于污水处理经过具有非线性、大滞后、时变性和随机性等特点,因此很难建立准确的数学模型。同时,污水处理系统又是一个多变量互相影响的耦合系统，需要同时控制多个变量。所以基于机理的数学模

4、型涉及参数诸多，有些参数很难或者无法进展直接测量，进而通过动力学模型描绘污水生物处理的动态特性存在很大的困难。本文引入具有很强的自适应、自学习性的BP神经网络对污水处理系统的出水COD进展预测。仿真结果显示：所建模型较好的预测出水COD的含量。二：算法简介误差反向传播BPback-propagation算法由两局部构成3，信息的正向传递与误差的反向传播。在正向传递的经过中，BP网络的信号由输入层经隐含层向输出层传播，在输出层的神经元获得网络的输入响应。每一层神经元的状态只影响下一层神经元的状态。BP网络工作时前馈的信息处理方式是前向型网络的特征。假如在输出层没有得到期望的输出，那么计算输出层的

5、误差变化值，从输出层反向经过各中间层回到输入层，进而逐层修正各连接权值，直至到达期望的目的值。三：BP网络的设计与训练1.BP神经网络模型构造确实立1隐含层确实定在训练神经网络模型时，我们首先要确定网络的层数，最重要的是隐层的个数。理论证明，具有偏向、S型隐含层和一个线性输出层的网络可以逼近任何有理函数。这就讲明：增加隐含层的层数可以降低误差，但是会导致BP网络训练时间过长、误差过大；所以我们可以以考虑通过增加隐含层神经元的个数来进步训练的精度，并且训练的效果具有更直观性。鉴于上述，在本模型中我们选用一个隐含层。2隐含层神经元数目确实定污水处理厂出水COD浓度受多个因素的影响。主要包括pH值、

6、进水COD浓度、混合液悬浮固体浓度SS、氨氮等。因此神经网络选择4个输入神经元，1个输出神经元为污水处理厂出水COD浓度。到目前为止，BP网络隐含层神经元数确实定尚没有成熟的理论指导2，一般常用Trial-and-error法确定，即从较少的神经元数开场依次递增，反复试验从中选取最优的神经元数目。本文采用的是参考局部经历公式来选择最正确隐含层神经元数目1，参考公式如下：其中n1为隐含层神经元数；m为输入层神经元数；n输出单元数；a为010之间的常数。本文输入层神经元数为4个，输出神经元数为1个，a选取4，综上所述，本文隐含层神经元数选取为6个。3随机改变网络初始权值假如网络初始连接权值一样,那

7、么每次训练只能搜索到一样的极值点,很难求得全局极小点邻域。由于误差函数存在很多部分极小点,因此,程序必须具有可以随机改变网络初始连接权值的功能。可根据以下公式修改权值和阀值1：a:利用输出层各单元的一般化误差与中间层各单元的输出bj来修正连接权值vjt和阈值yi2。t=1,2,qj=1,2,P,0b:利用中间层各单元的一般化误差ekj，输入层各单元的输入Pk=(a1,a2,.,an)来修正连接权值wij和阀值。i=1,2,qj=1,2,P,012.试验数据预处理本文数据选取了河北承德某污水处理厂的150组数据表1给出了局部实验数据，为进步网络的学习速度和泛化才能,首先对输入数据进展随机排序,这

8、样有利于网络获得更好的泛化才能,可以以有效防止网络陷入部分最小值的危险。表1局部实验数据由于输入样本的数据相比照较分散，不利于误差的调整，同时可能引起各层之间权值和阈值的饱和。所以为了进步预测模型的精度和训练速度，我们首先对数据进展标准化处理，使输入数据归一到0.1，0.9范围内。对数据进展归一化方法有很多，在本文中通过以下公式来对数据进展处理：Lmin为所有输入样本中的最小值，Lmax为所有输入样本中的最大值，经过这样换算以后，网络的输入值接近于正态分布。4.仿真结果分析本文数据选取了150组数据，其中134组作为训练网络的样本数据，为了验证网络的有效性将剩余的16组作为网络模型的检测数据，

9、分析实际值和模型预测值的拟合度。图1COD的误差变化曲线1通过图1可以得出，固然BP网络在迭代次数较少时，误差较大，但模型经过6500次循环之后，网络误差趋于平稳。固然训练速度是比拟慢的，但是训练完毕时网络均方误差为0.00999982，到达了预先的设定值。经太多次试验发现，所构建网络的整体性能是比拟稳定的，网络最小误差都能到达设定值0.01。图2COD的实际输出值和预测输出值图3网络的误差曲线2通过图2可以看到，我们运用训练成熟的神经网络对16组未学习过的数据进展了检测，输出曲线显示模型的预测值和实际值拟合度还是比拟理想的,另外通过图3，我们可以看到相对误差在3%以内，讲明该BP网络模型良好

10、的非线性逼近才能和泛化才能。所以综上所述，神经网络经过学习后所建立起来的BP网络是比拟成功的，基于BP神经网络的污水处理模型是有效、可行的。四、小结对于高度非线性、工作机理不是很清楚的污水处理经过进展建模,采用适用于非线性、黑箱系统建模的神经网络技术,理论上能获得较好的效果,可以很方便地利用已经建立的神经网络模型,实现对出水水质的预测,具有较高的研究价值和较好的理论意义。参考文献1葛哲学,孙志强.神经网络理论与MATLABR2007实现M.电子工业出版社2董长虹.MATLAB神经网络与应用M.国防工业出版社3楼文高,刘遂庆.基于神经网络的活性污泥系统建模及其控制J.环境污染治理技术与设备，2006,(8)4崔玉理.基于神经网络的污水处理经过建模及仿真的研究J.山东科技大学硕士论文.作者简介：迟明杰男山东轻工业学院在读硕士，研究方向：智能检测及仪器联络方式：13969159761邮箱0