一种基于信息融合-区间二型模糊神经网络的出水总磷智能检测方法与流程

一种基于信息融合
‑
区间二型模糊神经网络的出水总磷智能检测方法
技术领域
1.本发明在对污水处理过程运行特性进行分析的基础上，通过建立基于区间二型模糊神经网络的出水总磷智能检测模型，利用一种信息融合方法设计了模糊规则并对检测模型的参数和结构进行调整，实现出水总磷浓度的智能检测。这种基于信息融合
‑
区间二型模糊神经网络的出水总磷智能检测方法可以在获得紧凑的模型结构的前提下实现更加精确的出水总磷检测精度，属于水处理领域。


背景技术：

2.污水资源化利用的前提是需要保证污水经过处理后获得可达标排放的出水。从污水中提取其他资源和能源，对优化供水结构、增加水资源供给、缓解供需矛盾和减少水污染、保障水生态安全具有重要意义。因此，对污水处理过程的研究具有广阔的应用前景。
3.随着对污水处理过程的研究，污水部分有机物排放超标问题得到解决，但是氮、磷等污染物排放易超标问题仍丞待解决。地表水水源监测断面主要超标的指标为硫酸盐、高锰酸盐指数和总磷。因此，总磷浓度超标是当前污水处理厂的主要排放问题，同时污水处理中出水总磷的含量是衡量污水处理厂出水水质的重要指标。同时在多个行业标准、国家标准上也都将总磷排放浓度作为水质的重要衡量指标。因此，准确快速地检测出水总磷的浓度、及时处理降低出水总磷浓度对防治水体污染和资源循环利用具有重大意义。当前，污水处理厂主要通过使用在线总磷分析仪表可以实现出水水样的自动检测并且操作简单，但仪器购买和仪器维护成本较高。因此，人工神经网络成为检测出水总磷的有效智能技术。人工神经网络具有非线性逼近能力和学习能力，适用于具有非线性特点的污水处理过程，通过建模为污水出水水质检测提供了一种新的方法。因此本发明在提高出水总磷的检测精度上具有重要意义。
4.本发明设计了一种基于信息融合
‑
区间二型模糊神经网络的出水总磷智能检测方法，该方法通过提取特征变量，建立了基于区间二型模糊神经网络的检测模型，利用信息融合方法对网络的结构和参数进行调整以获得具有紧凑结构的检测模型，同时提高了出水总磷的检测精度，为实现出水总磷精确检测提供了一种有效的方法，实现污水处理厂的实际需求。


技术实现要素：

5.本发明获得了一种基于信息融合
‑
区间二型模糊神经网络的出水总磷智能检测方法，该方法通过提取特征变量确定与出水总磷相关的主要变量以降低模型的输入维数，利用信息融合方法同时优化区间二型模糊神经网络的参数和结构，在保证模型精度的同时构造具有紧凑结构的模型，提高出水总磷智能检测的精度。
6.本发明采用了如下的技术方案及实现步骤：
7.一种基于信息融合
‑
区间二型模糊神经网络的出水总磷智能检测方法，通过选取
检测模型的特征变量，建立出水总磷智能检测模型，设计信息融合方法训练检测模型的结构和参数，实现出水总磷高精度智能检测，其特征在于，包括以下步骤：
8.(1)选取出水总磷智能检测模型特征变量
9.以污水处理过程为研究对象，选取溶解氧、氧化还原电位、固体悬浮物、进水小室ph值、氨氮、温度为影响出水总磷的特征变量；所有变量按公式(1)归一化，
10.z
i
(t)＝(d
i
(t)
‑
d
i,min
)/(d
i,max
‑
d
i,min
)
ꢀꢀꢀ
(1)
11.其中，d1(t)为t时刻溶解氧浓度，单位毫克/升，d2(t)为t时刻氧化还原电位，单位毫伏，d3(t)为t时刻固体悬浮物浓度，单位毫克/升，d4(t)为t时刻进水小室ph，d5(t)为t时刻氨氮浓度，单位毫克/升，d6(t)为t时刻温度，单位摄氏度，d7(t)为t时刻出水总磷浓度，单位毫克/升，d
i,min
为第i个变量的最小值，d
i,max
为第i个变量的最大值；i＝1,
…
,7；x1(t)＝z1(t)为t时刻归一化溶解氧，x2(t)＝z2(t)为t时刻归一化氧化还原电位，x3(t)＝z3(t)为t时刻归一化固体悬浮物，x4(t)＝z4(t)为t时刻归一化进水小室ph，x5(t)＝z5(t)为t时刻归一化氨氮，x6(t)＝z6(t)为t时刻归一化温度，为t时刻归一化总磷浓度，z为训练样本总数，t＝1,2,...,z；
12.(2)建立出水总磷智能检测模型
13.出水总磷智能检测模型利用区间二型模糊神经网络进行建立，区间二型模糊神经网络包括输入层、隶属函数层、激活层、后件层和输出层；
14.输入层：由6个神经元组成，输入变量为x1(t),x2(t),x3(t),x4(t),x5(t),x6(t)；
15.隶属函数层：由p个神经元组成，p为[2,20]中的整数，隶属函数层每个神经元输出是一个区间：
[0016][0017][0018]
其中，μ
1ij
(t)是t时刻第i个输入第j个神经元上界输出，μ
2ij
(t)是t时刻第i个输入第j个神经元下界输出，m
ij
(t)是t时刻第i个输入第j个神经元的上中心，c
ij
(t)是t时刻第i个输入第j个神经元的下中心，σ
ij
(t)是t时刻第i个输入第j个神经元的宽度，i＝1,
…
,6；j＝1,
…
,p；
[0019]
激活层：由q个神经元组成，且q＝p，激活层上界输出和下界输出表示为：
[0020][0021][0022]
其中，f
1j
(t)是t时刻第j个神经元的上界输出，f
2j
(t)是t时刻第j个神经元的下界输出；
[0023]
后件层：由2个神经元组成，后件层输出表示为：
[0024][0025][0026][0027]
其中，y1(t)是t时刻上输出值，y2(t)是t时刻下输出值，w
j
(t)是t时刻第j个神经元的权重，a
ij
(t)是t时刻对应第j个神经元的第i个输入的权重系数，b
j
(t)是t时刻第j个神经元的偏差；
[0028]
输出层：由1个神经元组成，输出层输出表示为：
[0029]
y(t)＝q(t)y2(t) (1
‑
q(t))y1(t)
ꢀꢀꢀ
(9)
[0030]
其中，y(t)为t时刻区间二型模糊神经网络的预测输出，q(t)是t时刻比例系数；
[0031]
(3)基于信息融合的出水总磷智能检测模型参数调整
[0032]
①
基于区间二型模糊神经网络的检测模型初始化：
[0033]
设当前时刻t＝1，区间二型模糊神经网络的初始上中心m
ij
(1)在[0,1]中随机取值，初始下中心c
ij
(1)＝0.5m
ij
(1)，初始宽度σ
ij
(1)＝1，初始权重a
ij
(1)在[
‑
1,1]中随机取值，初始偏差b
j
(1)在[
‑
1,1]中随机取值，i＝1,
…
,6；j＝1,
…
,p；初始比例系数q(1)＝0.5；阈值为e
d
，e
d
为小于等于0.01的正数；
[0034]
②
优化区间二型模糊神经网络的参数：
[0035]
定义区间二型模糊神经网络的规则激活函数为：
[0036][0037]
其中，f
j
(t)＝0.5f
1j
(t) 0.5f
2j
(t)，g(t)为t时刻规则激活函数；利用二阶算法更新前件参数
[0038][0039]
其中，t时刻规则激活函数参数θ
i
(t)＝[m
11
(t),
…
,m
6p
(t),c
11
(t),
…
,c
6p
(t),σ
11
(t),
…
,σ
6p
(t)]，t 1时刻规则激活函数参数θ
i
(t 1)＝[m
11
(t 1),
…
,m
6p
(t 1),c
11
(t 1),
…
,c
6p
(t 1),σ
11
(t 1),
…
,σ
6p
(t 1)]，(t 1)]，m
ij
(t)是t时刻第i个输入第j个神经元的上中心，c
ij
(t)是t时刻第i个输入第j个神经元的下中心，σ
ij
(t)是t时刻第i个输入第j个神经元的宽度，i＝1,
…
,6；j＝1,
…
,p；i为单位矩阵，λ
i
(t)是t时刻规则激活函数的学习率，其计算方式为：
[0040][0041]
其中，| |表示绝对值，|| ||表示二范数，t表示向量转置；
[0042]
定义区间二型模糊神经网络的t时刻误差函数e(t)为：
[0043][0044]
利用二阶算法更新规则参数
[0045][0046]
其中，t时刻误差函数的参数向量θ
e
(t)＝[m
11
(t),
…
,m
6p
(t),c
11
(t),
…
,c
6p
(t),σ
11
(t),
…
,σ
6p
(t),a
11
(t),
…
,a
6p
(t),b1(t),
…
,b
p
(t),q(t)]，t 1时刻误差函数的参数向量θ
e
(t 1)＝[m
11
(t 1),
…
,m
6p
(t 1),c
11
(t 1),
…
,c
6p
(t 1),σ
11
(t 1),
…
,σ
6p
(t 1),a
11
(t 1),
…
,a
6p
(t 1),b1(t 1),
…
,b
p
(t 1),q(t 1)]，(t 1),q(t 1)]，a
ij
(t)是t时刻对应第j个神经元的第i个输入的权重系数，b
j
(t)是t时刻第j个神经元的偏差，i＝1,
…
,6；j＝1,
…
,p；λ
e
(t)是t时刻误差函数的学习率，其计算方式为：
[0047][0048]
③
调整区间二型模糊神经网络的结构：
[0049]
模糊规则的区间贡献度为：
[0050][0051][0052]
其中，m
j
(t)＝[m
1j
(t),m
2j
(t),
…
,m
6j
(t)]
t
，c
j
(t)＝[c
1j
(t),c
2j
(t),
…
,c
6j
(t)]
t
，o
j1
(t)是t时刻输入区间贡献度，o
j2
(t)是t时刻输出区间贡献度，f
j
(t)＝[q(t
‑
l 1)f
2j
(t
‑
l 1) (1
‑
q(t
‑
l 1))f
1j
(t
‑
l 1),
…
,q(t)f
2j
(t) (1
‑
q(t))f
1j
(t)]，y(t)＝[y(t
‑
l 1),y(t
‑
l 2),
…
,y(t)]，样本数l为小于z的正整数；
[0053]
模糊规则的区间相关性为：
[0054][0055][0056]
其中α
ij
(t)是t时刻第i个神经元和第j个神经元的区间相关信息；
[0057]
当神经元满足以下条件时：
[0058][0059]
区间二型模糊神经网络将增加一个神经元，p增加1，q增加1；t时刻输入贡献度矩阵o1(t)＝[o
11
(t),o
21
(t)
…
,o
p1
(t)]，t时刻输出贡献度矩阵o2(t)＝[o
12
(t),o
22
(t),
…
,o
p2
(t)]，t时刻相关性贡献度矩阵α(t)＝[α
12
(t),α
13
(t),
…
,α
(p
‑
1)p
(t)]；
[0060]
当神经元满足以下条件时：
[0061][0062]
区间二型模糊神经网络将删除一个神经元，p减少1，q减少1；
[0063]
④
当t<z时，时刻t增加1，转向步骤
②
；否则，转向步骤
⑤
；
[0064]
⑤
计算区间二型模糊神经网络的性能：
[0065][0066]
若e(t)>e
d
，设t＝1，转向步骤
②
；否则，则结束该循环，得到出水总磷智能检测模型；
[0067]
(4)利用智能检测模型实现出水总磷浓度检测
[0068]
利用训练好的出水总磷智能检测模型，以溶解氧浓度、氧化还原电位、固体悬浮物浓度、进水小室ph、氨氮浓度、温度作为出水总磷智能检测模型的输入，根据公式(2)
‑
(9)计算出水总磷智能检测模型的输出即为出水总磷浓度的检测值。
[0069]
本发明的创造性主要体现在：
[0070]
(1)本发明针对当前污水处理中出水总磷检测周期较长，提出了一种基于区间二型模糊神经网络的出水总磷智能检测方法，解决了出水总磷浓度难以实时测量的问题；
[0071]
(2)本发明提出了一种信息融合方法，通过对区间二型模糊神经网络结构进行自动调整获得具有紧凑结构的模型，解决了区间二型模糊神经网络结构难以确定的问题并降低模糊规则的数量；采用基于信息融合方法的区间二型模糊神经网络对出水总磷进行在线测量并保证模型的智能检测精度；
附图说明
[0072]
图1是本发明基于区间二型模糊神经网络的出水总磷智能检测模型结构图；
[0073]
图2是本发明智能检测方法的出水总磷训练效果图，其中实线为出水总磷实际输出值，虚线为基于信息融合方法的区间二型模糊神经网络训练值；
[0074]
图3是本发明智能检测方法的出水总磷训练误差图；
[0075]
图4是本发明智能检测方法的出水总磷预测结果图，其中实线为出水总磷实际输出值，虚线为基于信息融合方法的区间二型模糊神经网络预测值；
[0076]
图5是本发明智能检测方法的出水总磷预测误差图；
具体实施方式
[0077]
实验数据来自某污水处理厂2021年水质分析表；分别取进水流量、厌氧中氧化还原电位、缺氧前氧化还原电位、缺氧末硝态氮浓度、一好氧前溶解氧浓度、一好氧中溶解氧浓度、二好氧溶解氧浓度、进水小室酸碱度ph、进水小室固体悬浮物、进水小室化学需氧量、进水小室氨氮、初沉池出水化学需氧量、外回流流量计、加药量、二好末正磷酸盐、剩余排泥量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1500组可用数据，其中1000组用作训练样本，其余500组作为测试样本。
[0078]
本发明采用了如下的技术方案及实现步骤：
[0079]
1.一种基于信息融合
‑
区间二型模糊神经网络的出水总磷智能检测方法，通过选取检测模型的特征变量，建立出水总磷智能检测模型，设计信息融合方法训练检测模型的结构和参数，实现出水总磷高精度智能检测，其特征在于，包括以下步骤：
[0080]
(1)选取出水总磷智能检测模型特征变量
[0081]
以污水处理过程为研究对象，选取溶解氧、氧化还原电位、固体悬浮物、进水小室ph值、氨氮、温度为影响出水总磷的特征变量；所有变量按公式(23)归一化，
[0082]
z
i
(t)＝(d
i
(t)
‑
d
i,min
)/(d
i,max
‑
d
i,min
)
ꢀꢀꢀ
(23)
[0083]
其中，d1(t)为t时刻溶解氧浓度，单位毫克/升，d2(t)为t时刻氧化还原电位，单位毫伏，d3(t)为t时刻固体悬浮物浓度，单位毫克/升，d4(t)为t时刻进水小室ph，d5(t)为t时刻氨氮浓度，单位毫克/升，d6(t)为t时刻温度，单位摄氏度，d7(t)为t时刻出水总磷浓度，单位毫克/升，d
i,min
为第i个变量的最小值，d
i,max
为第i个变量的最大值；i＝1,
…
,7；x1(t)＝z1(t)为t时刻归一化溶解氧，x2(t)＝z2(t)为t时刻归一化氧化还原电位，x3(t)＝z3(t)为t时刻归一化固体悬浮物，x4(t)＝z4(t)为t时刻归一化进水小室ph，x5(t)＝z5(t)为t时刻归一化氨氮，x6(t)＝z6(t)为t时刻归一化温度，为t时刻归一化总磷浓度，t＝1,2,...,1000；
[0084]
(2)建立出水总磷智能检测模型
[0085]
出水总磷智能检测模型利用区间二型模糊神经网络进行建立，区间二型模糊神经网络包括输入层、隶属函数层、激活层、后件层和输出层；
[0086]
输入层：由6个神经元组成，输入变量为x1(t),x2(t),x3(t),x4(t),x5(t),x6(t)；
[0087]
隶属函数层：由p个神经元组成，p为[2,20]中的整数，隶属函数层每个神经元输出是一个区间：
[0088][0089][0090]
其中，μ
1ij
(t)是t时刻第i个输入第j个神经元上界输出，μ
2ij
(t)是t时刻第i个输入第j个神经元下界输出，m
ij
(t)是t时刻第i个输入第j个神经元的上中心，c
ij
(t)是t时刻第i个输入第j个神经元的下中心，σ
ij
(t)是t时刻第i个输入第j个神经元的宽度，i＝1,
…
,6；j＝1,
…
,p；
[0091]
激活层：由q个神经元组成，且q＝p，激活层上界输出和下界输出表示为：
[0092][0093][0094]
其中，f
1j
(t)是t时刻第j个神经元的上界输出，f
2j
(t)是t时刻第j个神经元的下界
输出；
[0095]
后件层：由2个神经元组成，后件层输出表示为：
[0096][0097][0098][0099]
其中，y1(t)是t时刻上输出值，y2(t)是t时刻下输出值，w
j
(t)是t时刻第j个神经元的权重，a
ij
(t)是t时刻对应第j个神经元的第i个输入的权重系数，b
j
(t)是t时刻第j个神经元的偏差；
[0100]
输出层：由1个神经元组成，输出层输出表示为：
[0101]
y(t)＝q(t)y2(t) (1
‑
q(t))y1(t)
ꢀꢀꢀ
(31)
[0102]
其中，y(t)为t时刻区间二型模糊神经网络的预测输出，q(t)是t时刻比例系数；
[0103]
(3)基于信息融合的出水总磷智能检测模型参数调整
[0104]
①
基于区间二型模糊神经网络的检测模型初始化：
[0105]
设当前时刻t＝1，区间二型模糊神经网络的初始上中心m
ij
(1)在[0,1]中随机取值，初始下中心c
ij
(1)＝0.5m
ij
(1)，初始宽度σ
ij
(1)＝1，初始权重a
ij
(1)在[
‑
1,1]中随机取值，初始偏差b
j
(1)在[
‑
1,1]中随机取值，i＝1,
…
,6；j＝1,
…
,p；初始比例系数q(1)＝0.5；阈值为e
d
，e
d
＝0.01；
[0106]
②
优化区间二型模糊神经网络的参数：
[0107]
定义区间二型模糊神经网络的规则激活函数为：
[0108][0109]
其中，f
j
(t)＝0.5f
1j
(t) 0.5f
2j
(t)，g(t)为t时刻规则激活函数；利用二阶算法更新前件参数
[0110][0111]
其中，t时刻规则激活函数参数θ
i
(t)＝[m
11
(t),
…
,m
6p
(t),c
11
(t),
…
,c
6p
(t),σ
11
(t),
…
,σ
6p
(t)]，t 1时刻规则激活函数参数θ
i
(t 1)＝[m
11
(t 1),
…
,m
6p
(t 1),c
11
(t 1),
…
,c
6p
(t 1),σ
11
(t 1),
…
,σ
6p
(t 1)]，(t 1)]，m
ij
(t)是t时刻第i个输入第j个神经元的上中心，c
ij
(t)是t时刻第i个输入第j个神经元的下中心，σ
ij
(t)是t时刻第i个输入第j个神经元的宽度，i＝1,
…
,6；j＝1,
…
,p；i为单位矩阵，λ
i
(t)是t时刻规则激活函数的学习率，其计算方式为：
[0112][0113]
其中，| |表示绝对值，|| ||表示二范数，t表示向量转置；
[0114]
定义区间二型模糊神经网络的t时刻误差函数e(t)为：
[0115]
[0116]
利用二阶算法更新规则参数
[0117][0118]
其中，t时刻误差函数的参数向量θ
e
(t)＝[m
11
(t),
…
,m
6p
(t),c
11
(t),
…
,c
6p
(t),σ
11
(t),
…
,σ
6p
(t),a
11
(t),
…
,a
6p
(t),b1(t),
…
,b
p
(t),q(t)]，t 1时刻误差函数的参数向量θ
e
(t 1)＝[m
11
(t 1),
…
,m
6p
(t 1),c
11
(t 1),
…
,c
6p
(t 1),σ
11
(t 1),
…
,σ
6p
(t 1),a
11
(t 1),
…
,a
6p
(t 1),b1(t 1),
…
,b
p
(t 1),q(t 1)]，(t 1),q(t 1)]，a
ij
(t)是t时刻对应第j个神经元的第i个输入的权重系数，b
j
(t)是t时刻第j个神经元的偏差，i＝1,
…
,6；j＝1,
…
,p；λ
e
(t)是t时刻误差函数的学习率，其计算方式为：
[0119][0120]
③
调整区间二型模糊神经网络的结构：
[0121]
模糊规则的区间贡献度为：
[0122][0123][0124]
其中，m
j
(t)＝[m
1j
(t),m
2j
(t),
…
,m
6j
(t)]
t
，c
j
(t)＝[c
1j
(t),c
2j
(t),
…
,c
6j
(t)]
t
，o
j1
(t)是t时刻输入区间贡献度，o
j2
(t)是t时刻输出区间贡献度，f
j
(t)＝[q(t
‑
9)f
2j
(t
‑
9) (1
‑
q(t
‑
9))f
1j
(t
‑
9),
…
,q(t)f
2j
(t) (1
‑
q(t))f
1j
(t)]，y(t)＝[y(t
‑
9),y(t
‑
8),
…
,y(t)]；
[0125]
模糊规则的区间相关性为：
[0126][0127][0128]
其中α
ij
(t)是t时刻第i个神经元和第j个神经元的区间相关信息；
[0129]
当神经元满足以下条件时：
[0130][0131]
区间二型模糊神经网络将增加一个神经元，p增加1，q增加1；t时刻输入贡献度矩阵o1(t)＝[o
11
(t),o
21
(t)
…
,o
p1
(t)]，t时刻输出贡献度矩阵o2(t)＝[o
12
(t),o
22
(t),
…
,o
p2
(t)]，t时刻相关性贡献度矩阵α(t)＝[α
12
(t),α
13
(t),
…
,α
(p
‑
1)p
(t)]；
[0132]
当神经元满足以下条件时：
[0133][0134]
区间二型模糊神经网络将删除一个神经元，p减少1，q减少1；
[0135]
④
当t<1000时，时刻t增加1，转向步骤
②
；否则，转向步骤
⑤
；
[0136]
⑤
计算区间二型模糊神经网络的性能：
[0137][0138]
若e(t)>0.01，设t＝1，转向步骤
②
；否则，则结束该循环，得到出水总磷智能检测模型；
[0139]
(4)利用智能检测模型实现出水总磷浓度检测
[0140]
出水总磷浓度智能检测方法训练结果如图2所示，x轴：训练样本数，单位是个，y轴：出水总磷训练输出，单位是毫克/升，实线为出水总磷实际输出，虚线是出水总磷预测输出；出水总磷实际输出与训练输出的误差如图3，x轴：训练样本数，单位是个，y轴：出水总磷训练误差，单位是毫克/升；
[0141]
利用训练好的出水总磷智能检测模型，以溶解氧浓度、氧化还原电位、固体悬浮物浓度、进水小室ph、氨氮浓度、温度作为出水总磷智能检测模型的输入，根据公式(24)
‑
(31)计算出水总磷智能检测模型的输出即为出水总磷浓度的检测值。
[0142]
出水总磷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，y轴：出水总磷预测输出，单位是毫克/升，实线是出水总磷实际输出，虚线为出水总磷预测输出；出水总磷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，y轴：出水总磷预测误差，单位是毫克/升。实验结果表明了基于信息融合
‑
区间二型模糊神经网络的出水总磷智能检测方法的有效性。