一种基于双层PSO的模块化神经网络出水氨氮浓度多步预测方法

技术特征：
1.一种基于双层粒子群的模块化神经网络出水氨氮多步预测方法，其特征在于，包括以下步骤：步骤1：选取出水氨氮历史数据，生成预测样本；获取污水处理厂获得的氨氮历史数据y＝[y1,
…
,y
l
]
t
，对其进行重建，生成m步预测的样本a；其中y是时间序列数据，l是历史数据y的长度，d是最大的输入维度；a
i
和a
o
是预测模型的输入和输出矩阵；步骤2：设计模块化神经网络模型；根据“分而治之”原则，将一个多步预测任务划分为多个较为简单的子任务，各子任务分别计算；根据“合作共赢”原则，将各子任务的计算结果进行整合，还原整个任务的输出；由此构建一个模块化神经网络；它由四层组成：输入层、任务分解层、子网层和集成输出层；各层的计算功能如下：
①
输入层：输入层将当前和历史时间序列导入模型；该层共有d个神经元，代表输入的维数为d，输入层的输入为y
i
(t)＝[y
t-d 1
,y
t-d 2
,
…
,y
t
]
t
，其中y
t
代表当前时刻；
②
任务分解层：该层将多步预测的任务分解为几个独立的子任务；对于m步时间序列预测，它生成n个子任务，其中s
n
表示第n个子任务的预测范围数；因此，第n个子任务的预测范围来自l
n-1
1到l
n
，其中这里l0＝0；
③
子网络层：子网络层由几个模块组成，每个模块处理一个子任务，因此子网络的数量等于子任务的数量；使用径向基神经网络神经网络作为每个子网络的模型；对于第n个子网络，假设它预测s
n
，则第n个径向基神经网络神经的输出神经元数相应设置为
④
集成输出层：这一层集成了每个子网络的输出，以获得m步预测结果，即其中y
o
为模型的输出；步骤3：设计用于模块化神经网络的双层粒子群优化算法；步骤3.1：双层粒子群算法的外层算法；
①
初始化；初始化参数，包括惯性权重w
ext
、两个加速度系数和种群大小q
ext
和最大迭代次数k
ext
；设置初始迭代次数k
ext
＝1；所有粒子的位置x
ext
随机生成，相应的速度v
ext
限制在[-4,4]；其中至是随机生成的0或1；
②
解码二进制粒子；将代表m步预测任务的二进制粒子转换成个n个子任务；将其分给
子网络进行学习；
③
计算适应度函数；根据子网络分别计算输出，根据公式(3)，计算m步预测范围内的平均均方根误差rmse计算所有粒子的适应值；其中，y
t m
和是第m个预测范围的期望输出值和预测输出值，这里1≤m≤m；p是训练样本数；第n个子网络预测范围内的rmse之和表示为：由此，可将适应度函数f重写为：其中n是模块化神经网络中的子网络数量；适应度值由子网络的预测精度决定；在计算每一代中所有粒子的适应度值后，得到群体最佳位置和个体最佳位置如果满足终止条件：适应度函数收敛或k
ext
达到k
ext
，则输出否则，设置k
ext
＝k
ext
1，并转至步骤
④
；
④
更新；首先根据(6)更新每个粒子的速度，然后使用sigmoid函数映射到[0,1]的区间更新；首先根据(6)更新每个粒子的速度，然后使用sigmoid函数映射到[0,1]的区间其中k
ext
是迭代次数，w
ext
∈[0，1]是惯性重量；和是两个加速度系数；和是均匀分布在[0,1]内的随机数；是第q个粒子的第k
ext
代的速度向量；是第q个粒子的第k
ext
1代的速度向量；是第q个粒子的位置向量；是第k
ext
代的个体最佳位置；是第k
ext
代的群体最佳位置；v
q,j
是速度向量的第j个分量的值；s是sigmoid函数；这里v
q,j
被限制在[-v
max
,v
max
]之间,通过如下公式：这里，v
max
是一个常数值，设置为4；随后，第q个粒子的第j个分量的位置为：其中ζ是随机生成的实数，均匀分布在0和1之间；然后返回步骤
②
；
通过迭代执行上述步骤，最终输出一个最优二进制粒子它表示多步预测的最优任务分解；然后，通过将模块化神经网络中n个子网络的输出集成，可以生成m步提前预测值；步骤3.2：双层粒子群算法的内层算法；
①
初始化；初始化超参数，包括惯性权重w
int
、两个加速度系数和种群大小q
int
和最大迭代次数k
int
；将初始迭代次数k
int
＝1和初始pareto解集a设置为空集；子网络中的最大隐藏神经元数设置为h
max
，分别在[-6,6]和[-1,1]范围内随机初始化粒子在活动空间中的位置和相应的速度
②
对于第n个子网络n∈[1，2，
…
，n]，基于两个目标函数g
n,1
和g
n,2
评估种群中的粒子，并根据每个粒子的最佳非支配解更新然后，对所有粒子的进行非支配排序，并将非支配解存储在pareto解集a中；然后从a中随机选择一个粒子作为如果满足终止条件即k
int
达到k
int
，则输出否则，设置k
int
＝k
int
1，并转至步骤
③
；目标函数g
n,1
为子网络在预测范围内的平均预测精度，其计算公式如下：其中，f
n
由(4)定义，s
n
是第n个子网络的预测范围；目标函数g
n,2
为子网络的复杂度：g
n,2
＝h
n
*s
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)其中，h
n
和s
n
分别表示第n个子网络中隐藏层神经元和输出层神经元的数量；
③
更新；粒子的更新包括h
n
的变化以及粒子位置x
q
(k)和速度v
q
(k)的更新；粒子的位置x
int
的定义如下：其中分别代表x中各个隐含层节点的向量；c
i
,σ
i
,ω
i
分别代表第i个隐含层节点的中心宽度和与输出层的权值；子网络隐含层大小h的更新公式：其中h
q
(k
int
)是第q个粒子第k
int
代对应的子网络隐含层大小；h
q
(k
int
1)是第q个粒子第k
int
1代对应的子网络隐含层大小；h
best
(k
int
)是第k
int
代中最佳粒子的对应的子网络隐含层大小；位置和速度更新；对于第q个粒子，根据(14)和(15)更新；然后返回步骤
②
；
步骤3.3：输入训练样本数据，根据步骤3.2中的公式(3)-(15)更新内外层粒子的值，选择满足终止条件时的的值作为模型的参数设定；步骤4：出水氨氮多步预测；将测试样本数据作为训练好的模块化神经网络的输入，得到神经网络的输出后将其反归一化，得到出水氨氮的多步预测值。

技术总结
基于多步预测技术可以对污水处理过程的出水氨氮溶度实现软测量，掌握氨氮浓度的变化趋势，本发明获得了一种基于双层粒子群的模块化神经网络出水氨氮多步预测方法，根据污水处理过程采集的数据实现了出水氨氮的多步测量，解决了难以掌握污水处理过程出水氨氮浓度变化趋势的问题，提高了城市污水处理厂控制决策的灵活性。为了提高多步时间序列预测的精度，提出了一种基于双层粒子群算法的模块化神经网络。为外部层设计的粒子群算法可以优化预测范围的任务划分，为内部层设计的多目标粒子群算法可以权衡模块化网络中每个子网络的预测精度和隐含层结构大小。本发明利用MATLAB平台完成。完成。完成。


技术研发人员：李文静 刘永雷 乔俊飞
受保护的技术使用者：北京工业大学
技术研发日：2022.10.23
技术公布日：2023/1/31