本發(fā)明基于膜污染過(guò)程的高度不確定性和模糊神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)特性，利用基于自組織的模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種膜透水率智能預(yù)測(cè)方法，實(shí)現(xiàn)了存在外部擾動(dòng)下膜透水率的的準(zhǔn)確預(yù)測(cè)。膜透水率是指單位時(shí)間內(nèi)通過(guò)單位膜面積的水流量，是評(píng)價(jià)膜污染程度的重要指標(biāo)?；谧越M織魯棒神經(jīng)網(wǎng)絡(luò)的膜透水率智能檢測(cè)方法能夠降低網(wǎng)絡(luò)對(duì)不確定輸入的敏感性，在外部擾動(dòng)下仍能保持穩(wěn)定的性能，準(zhǔn)確預(yù)測(cè)膜透水率，獲得更加精準(zhǔn)的預(yù)測(cè)效果，屬于水科學(xué)領(lǐng)域。

背景技術(shù)：

1、當(dāng)前，水資源短缺和水污染問(wèn)題已成為全球性的環(huán)境難題，嚴(yán)重威脅著人類的生存與發(fā)展。隨著工業(yè)化和城市化進(jìn)程的加快，水資源的需求量不斷增加，然而，許多水體卻因污染變得無(wú)法使用。因此，發(fā)展高效的污水處理技術(shù)已成為解決這一問(wèn)題的關(guān)鍵。膜生物反應(yīng)器技術(shù)作為一種先進(jìn)的污水處理方法，逐漸受到廣泛關(guān)注。

2、然而，膜生物反應(yīng)器技術(shù)在實(shí)際應(yīng)用中也面臨著一些挑戰(zhàn)，其中最突出的就是膜污染現(xiàn)象。膜污染指的是污水中的顆粒物、微生物及其代謝產(chǎn)物在膜表面或孔隙內(nèi)的積聚，導(dǎo)致膜的通量下降和分離效果減弱。膜污染不僅會(huì)縮短膜的使用壽命，增加運(yùn)營(yíng)成本，還會(huì)影響出水水質(zhì)，降低污水處理的整體效率。因此，設(shè)計(jì)相應(yīng)的方法來(lái)識(shí)別膜污染顯得尤為重要，具有極高的現(xiàn)實(shí)意義。

3、本發(fā)明設(shè)計(jì)一種基于自組織模糊神經(jīng)網(wǎng)絡(luò)的膜污染識(shí)別方法，利用模糊神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)特性，通過(guò)自組織策略調(diào)節(jié)網(wǎng)絡(luò)結(jié)構(gòu)，使網(wǎng)絡(luò)適應(yīng)噪聲和異常輸入，提高模糊神經(jīng)網(wǎng)絡(luò)的魯棒性，降低外部干擾對(duì)預(yù)測(cè)性能的影響，完成污水處理過(guò)程的安全和穩(wěn)定運(yùn)行。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明獲得了一種基于自組織魯棒神經(jīng)網(wǎng)絡(luò)的膜污染識(shí)別方法，主要利用基于數(shù)據(jù)免疫機(jī)制的自組織策略來(lái)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，使模型以更緊湊的結(jié)構(gòu)適應(yīng)異常的輸入數(shù)據(jù)，從而準(zhǔn)確識(shí)別膜污染，保證了污水處理過(guò)程的安全和穩(wěn)定運(yùn)行；

2、本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟：

3、1.一種基于自組織魯棒神經(jīng)網(wǎng)絡(luò)的mbr膜透水率智能檢測(cè)方法，其特征在于，建立了基于魯棒神經(jīng)網(wǎng)絡(luò)的智能檢測(cè)模型，設(shè)計(jì)了數(shù)據(jù)免疫機(jī)制動(dòng)態(tài)調(diào)整模型結(jié)構(gòu)，利用了自適應(yīng)梯度下降算法更新模型參數(shù)，解決了在水質(zhì)水量波動(dòng)等干擾條件下mbr膜透水率難以檢測(cè)的問(wèn)題，包括以下步驟：

4、(1)建立基于魯棒神經(jīng)網(wǎng)絡(luò)的膜透水率智能檢測(cè)模型，具體如下：

5、膜透水率可以反應(yīng)膜生物反應(yīng)器污水處理運(yùn)行狀態(tài)，然而，受到入水水質(zhì)水量波動(dòng)等外界干擾因素的影響，操作人員難以有效檢測(cè)膜透水率，因此，建立基于自組織魯棒神經(jīng)網(wǎng)絡(luò)的智能檢測(cè)模型，實(shí)現(xiàn)對(duì)膜透水率的動(dòng)態(tài)檢測(cè)；基于自組織魯棒神經(jīng)網(wǎng)絡(luò)的智能檢測(cè)模型分為四層：輸入層、徑向基函數(shù)層、歸一化層、輸出層；模型為4-10-10-1的初始連接方式，即輸入層神經(jīng)元數(shù)為4，對(duì)應(yīng)物理量分別為產(chǎn)水流量、產(chǎn)水壓力、單池膜擦洗氣量、產(chǎn)水濁度，徑向基函數(shù)層神經(jīng)元數(shù)為10，歸一化層神經(jīng)元數(shù)為10，徑向基函數(shù)層和歸一化層之間連接權(quán)值的初值為1，輸出層神經(jīng)元數(shù)為1，對(duì)應(yīng)物理量為膜透水率，歸一化層和輸出層之間連接權(quán)值的初值為1；設(shè)定神經(jīng)網(wǎng)絡(luò)智能檢測(cè)模型的訓(xùn)練數(shù)據(jù)樣本為n個(gè)，測(cè)試數(shù)據(jù)樣本為m個(gè)，其中n＞m；基于自組織魯棒神經(jīng)網(wǎng)絡(luò)的檢測(cè)模型中各層表示為：

6、輸入層：該層由4個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：

7、xi(t)＝ui(t)?(1)

8、其中，xi(t)為第t時(shí)刻輸入層第i個(gè)神經(jīng)元的輸出，i＝1,...,4；ui(t)為第t時(shí)刻輸入層第i個(gè)神經(jīng)元的輸入，u1(t)表示t時(shí)刻產(chǎn)水流量，u2(t)表示t時(shí)刻產(chǎn)水壓力，u3(t)表示t時(shí)刻單池膜擦洗氣量，u4(t)表示t時(shí)刻產(chǎn)水濁度；

9、徑向基函數(shù)層：該層由10個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：

10、

11、其中，為t時(shí)刻徑向基函數(shù)層第j個(gè)神經(jīng)元的輸出值，j＝1,...,10；mij(t)為t時(shí)刻第j個(gè)神經(jīng)元的第i個(gè)隸屬函數(shù)的中心，在區(qū)間(0,1]之間隨機(jī)取值，σij(t)為t時(shí)刻第j個(gè)神經(jīng)元的第i個(gè)隸屬函數(shù)的寬度，在區(qū)間(0,1]之間隨機(jī)取值；

12、歸一化層：該層由10個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元的輸出為：

13、

14、其中，vj(t)為t時(shí)刻歸一化層第j個(gè)神經(jīng)元的輸出值，wvj(t)為t時(shí)刻徑向基函數(shù)層與歸一化層之間的權(quán)值連接；

15、輸出層：該層由1個(gè)神經(jīng)元組成，輸出為：

16、

17、其中，為t時(shí)刻神經(jīng)網(wǎng)絡(luò)智能檢測(cè)模型的輸出，wj(t)為t時(shí)刻第j個(gè)歸一化層神經(jīng)元與輸出層之間的權(quán)值連接；

18、(2)設(shè)計(jì)數(shù)據(jù)免疫機(jī)制動(dòng)態(tài)調(diào)整模型結(jié)構(gòu)，具體如下：

19、定義損失函數(shù)為：

20、

21、其中，表示模型在t時(shí)刻的誤差；其損失函數(shù)邊界為：

22、

23、其中，zb(t)為t時(shí)刻的損失函數(shù)邊界，μ用于定義損失函數(shù)邊界，要求t時(shí)刻的損失函數(shù)邊界大于t時(shí)刻的損失函數(shù)值，在(0,0.15]之間隨機(jī)取值；

24、基于自組織魯棒神經(jīng)網(wǎng)絡(luò)的檢測(cè)模型結(jié)構(gòu)動(dòng)態(tài)調(diào)整具體為：

25、①增長(zhǎng)階段：如果z(t)大于zb(t)，且第j個(gè)徑向基函數(shù)層神經(jīng)元滿足如下條件：

26、wvj(t)≥max(wv(t-1))?(7)

27、則增加一個(gè)新的徑向基函數(shù)神經(jīng)元，其中，wv(t-1)＝[wv1(t-1),…,wvp(t-1)]；該神經(jīng)元的參數(shù)可表示為：

28、

29、其中，mnew(t)和σnew(t)分別為該徑向基函數(shù)層神經(jīng)元的中心和寬度，mj(t)為t時(shí)刻第j個(gè)徑向基函數(shù)層神經(jīng)元的中心矩陣，x(t)為t時(shí)刻的輸入變量矩陣，σj(t)為t時(shí)刻第j個(gè)徑向基函數(shù)層個(gè)神經(jīng)元的寬度矩陣；wvnew(t)和wnew(t)分別為該徑向基函數(shù)層神經(jīng)元的權(quán)重，wv(t)為t時(shí)刻所有徑向基函數(shù)層神經(jīng)元的權(quán)重矩陣，g(t)為t時(shí)刻的期望輸出，為t時(shí)刻的預(yù)測(cè)輸出，xi(t)為t時(shí)刻第i個(gè)神經(jīng)元的輸入，minew(t)為t時(shí)刻新的神經(jīng)元的第i個(gè)隸屬函數(shù)的中心，σinew(t)為t時(shí)刻新的神經(jīng)元的第i個(gè)隸屬函數(shù)的寬度；

30、②修剪階段：如果zb(t-1)大于z(t)，且第h個(gè)徑向基函數(shù)層神經(jīng)元的權(quán)重滿足如下條件：

31、

32、則第h個(gè)徑向基函數(shù)層神經(jīng)元將會(huì)被修剪；同時(shí)，第h個(gè)和第h’個(gè)徑向基函數(shù)層神經(jīng)元參數(shù)設(shè)置為：

33、

34、其中，第h’個(gè)徑向基函數(shù)層神經(jīng)元為與第h個(gè)徑向基函數(shù)層神經(jīng)元的歐氏距離最近的神經(jīng)元，m’h(t)和m’h’(t)分別為修剪神經(jīng)元后第h個(gè)和第h’個(gè)徑向基函數(shù)層神經(jīng)元的中心，mh’(t)為修剪神經(jīng)元前h’個(gè)徑向基函數(shù)層神經(jīng)元的中心；σ’h(t)和σ’h’(t)分別為修剪神經(jīng)元后第h個(gè)和第h’個(gè)徑向基函數(shù)層神經(jīng)元的寬度，σh’(t)為修剪神經(jīng)元前第h’個(gè)徑向基函數(shù)層神經(jīng)元的寬度；w’vh’(t)和w’h’(t)分別為修剪神經(jīng)元后第h’個(gè)徑向基函數(shù)層神經(jīng)元和歸一化層神經(jīng)元的權(quán)重，wvh’(t)和wh’(t)分別為修剪神經(jīng)元前第h’個(gè)徑向基函數(shù)層神經(jīng)元和歸一化層神經(jīng)元的權(quán)重，wvh(t)和wh(t)分別為修剪神經(jīng)元前第h個(gè)徑向基函數(shù)層神經(jīng)元和歸一化層神經(jīng)元的權(quán)重，；w’vh(t)和w’h(t)分別為修剪神經(jīng)元前后第h個(gè)徑向基函數(shù)層神經(jīng)元的權(quán)重；mih(t)和mih’(t)分別為修剪神經(jīng)元前第h個(gè)和第h’個(gè)徑向基函數(shù)層神經(jīng)元的中心，σih(t)和σih’(t)分別為修剪神經(jīng)元前第h個(gè)和第h’個(gè)徑向基函數(shù)層神經(jīng)元的寬度；

35、(3)利用自適應(yīng)梯度下降算法更新模型參數(shù)，具體如下：

36、基于自組織魯棒神經(jīng)網(wǎng)絡(luò)的檢測(cè)模型參數(shù)更新梯度為：

37、

38、(4)膜透水率的檢測(cè)

39、利用訓(xùn)練好的魯棒神經(jīng)網(wǎng)絡(luò)模型檢測(cè)膜透水率，使用采集到的產(chǎn)水壓力，產(chǎn)水流量，產(chǎn)水濁度和單池膜擦洗氣量作為模型的輸入變量，得到模型的膜透水率預(yù)測(cè)輸出值。

40、利用上述模型結(jié)構(gòu)自組織機(jī)制和參數(shù)更新策略，降低檢測(cè)模型對(duì)外界干擾的敏感性，提高檢測(cè)模型的魯棒性，實(shí)現(xiàn)膜透水率的準(zhǔn)確檢測(cè)，完成膜生物反應(yīng)器狀態(tài)的動(dòng)態(tài)監(jiān)測(cè)，保證城市污水處理過(guò)程的安全穩(wěn)定運(yùn)行。本發(fā)明的創(chuàng)造性主要體現(xiàn)在：

41、(1)本發(fā)明針對(duì)城市污水處理過(guò)程中的外部擾動(dòng)引起的異常輸入數(shù)據(jù)，會(huì)導(dǎo)致模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度和有效性下降，設(shè)計(jì)了具有懲罰評(píng)估機(jī)制的參數(shù)學(xué)習(xí)算法來(lái)更新網(wǎng)絡(luò)參數(shù)，降低模型對(duì)異常輸入數(shù)據(jù)的敏感性。

42、(2)本發(fā)明設(shè)計(jì)了基于數(shù)據(jù)免疫機(jī)制的網(wǎng)絡(luò)結(jié)構(gòu)自組織策略，通過(guò)動(dòng)態(tài)調(diào)整神經(jīng)元數(shù)量和網(wǎng)絡(luò)結(jié)構(gòu)，使網(wǎng)絡(luò)以更緊湊的結(jié)構(gòu)適應(yīng)異常的輸入數(shù)據(jù)，從而增強(qiáng)模型的魯棒性，使模型在外部擾動(dòng)下仍然有良好的預(yù)測(cè)精度和性能。