水质评价的人工神经网络方法
BP神经网络在青弋江水质评价上的应用
BP神经网络在青弋江水质评价上的应用
李峻;孙世群
【期刊名称】《安徽建筑》
【年(卷),期】2008(000)003
【摘要】文章根据青弋江芜湖市区段水质特点构建了合适的BP神经网络评价模型,并通过插值的方法增加了样本数量.训练和评价的结果说明BP网络模型在青弋江水质的评价方面是一种简单有效的方法.
【总页数】3页(P167-168,172)
【作者】李峻;孙世群
【作者单位】合肥工业大学资源与环境工程学院,安徽,合肥,230009;芜湖市环境保护局,安徽,芜湖,241000;合肥工业大学资源与环境工程学院,安徽,合肥,230009【正文语种】中文
【中图分类】TU17
【相关文献】
1.高压定喷灌浆技术在青弋江灌区堤防加固工程上的应用 [J], 王冬如;王炜;魏广平
2.加权优序法和BP神经网络在水质评价中的应用比较 [J], 胡星;孔舒;赵晓旭;李晓霜;李伟
3.BP神经网络模型在新疆焉耆县浅层地下水水质评价中的应用 [J], 李玲;周金龙;赵斐
4.基于粒子群算法优化的BP神经网络在海水水质评价中的应用 [J], 李海涛;王博
睿
5.青弋江流域水质评价及时空变化特征分析 [J], 吴转璋;耿天召;伍震威;王欢因版权原因，仅展示原文概要，查看原文内容请购买。
自适应变步长BP神经网络在水质评价中的应用
和分析 ，在此 基 础上 判断 其 与 哪 一 级 分 类 标 准 更 接 近 。 因 此 ，水 质 综 合 评 价 属 于模 式 识 别 问题 。 当 前 ，迅 速 发 展 的人工 神 经 网络 已在模 式 识 别 中广 泛应 用 。 人 工 神经 网 络是 近几 年来 发 展 起 来 的一 门新 兴 学 科 ，它 是 一 种 大 规 模 并 行 分 布 处 理 的 非 线 性 系 统 ，可 以处理 那 些难 以用 数 学模 型描 述 的 系统 ，可 以逼 近 任何 非线 性 的特 性 ，具 有 很强 的 自适 应 、 自 学 习 、联 想记 忆 、高度 容错 和并 行处 理 能力 ，使得 神 经 网络理 论 的应 用 已经 渗透 到 了各 个 领域 。近 年 来 ，人 工 神经 网络在 水 质分 析 和评 价 中的 应用 越来 越 广泛 ，并 取得 良好效 果 。在 这 些应 用 中 ，纵 观
～
１９ ～ １
维普资讯
传播 ” 一 “ 差 逆 传播 ”一 “ 忆 训 练 ” 一 “ 习 收 敛 ”４个 过 程 进 行 网络 权 值 （ 括 阈 值 ） 的 训 误 记 学 包 练 ］ 。在 网络 的工 作 阶段 ，根 据训 练好 的网络 权 值及 给定 的输 入 向量 ，按 照 “ 模式 顺 传播 ” 方式 求 得 与 输入 向量 相对 应 的输 出 向量 的解 答 。
结 果 、单 因子 评 价 结 果 进 行 了 比 较 分 析 。结 果 表 明 ，Ａ Ｐ 神 经 网络 方 法 收 敛 速 度 较 快 ，预 测 精 度 很 高 ，为 水 质 ＢＭ
基于模糊神经网络的海水水质综合评价
第 ２期
海
洋
通
报
Ｖｏ． ３Ｉ． ＮＯ ２ １ ． Ａｐ ．２ ２ ｒ ０１
２１ ０ ２年 ４月
Ｍ Ａ Ｎ Ｓ Ｅ Ｅ ＵＬ Ｅ Ｉ ＲＩ Ｅ ＣＩ ＮＣ Ｂ Ｌ Ｔ Ｎ
基于模糊神经 网络 的海水 水质综合评价
刁美娜 ，温小虎 ， 一 ，刘有 刚 ３ ，王德 ，高猛
３ Ｑｎｄ ｏＨ ａ ｈｉ ｒｉ ｅＥ ｇｎｅｉｇＰｏｐｃｉｇＩｓｉ ｔ，Ｓ Ａ，Ｑｎｄ ｏ２ ６３ ，Ｃ ｉａ ． ｉｇｎ ｕ ｎ ａ Ｍａｉｍ ｎ ｉｅｒｎ ｒｓｅｔ ｎｔｕｅ Ｏ ｔ ｎ ｔ ｉｇ ａ ６ ０ ３ ｈｎ ）
Ａｂ ｔ ａ ｔ Ｉ ｉ ｓｕ ｙ ｗ ｔ ２ ｗａｅ ｕ ｌ ｙ ｄ ｔ ｏ ｓ ｍｐ ｉ ｇ ｓ ｅ ｆＬ ｄ ｏ ｈ ｎ Ｂ ｙ ｈ ｕ ｌ ｙ ｏ ｅ ｔ ｒｂ ｓ ｄ ｓｒ ｃ ： ｎ ｔ ｓ ｔｄ ， ｉ ２ ｔｒｑ ａｉ ａ ａｆ ｍ ａ ｌ ｉ ｓｏ ｉ ａ ｚ ｅ ａ ，ｔ ｅ ｑ ａｉ ｆ ａｗａｅ ａ ｅ ｈ ｈ ｔ ｒ ｎ ｔ ｔ ｓ
ｏ ｕ ｚ ｅ ｒｌｎ ｔ ｏｋ ｗ ｓ ａｓ ｓｅ ．Ｔ ｅ ｒｓ ｌ ｈ ｗ ｔａ ０９ ％ ｏ ｈ ｓｍｐｅ ｅｏ ｇ ｔ ｌｓ １ｗａｅ ｕ ｌｙ ｎ ｆｚｙ ｎ ｕａ ｅｗ ｒ ａ ｓｅ ｓｄ ｈ ｅｕｔ ｓｏ ｈ ｔ４ ．１ ｓ ｆｔｅ ａ ｌｓｂ ｌｎ ｏ ｃａ ｓ ｔｒｑ ａｉ ｔ
中 图分 类 号 ：Ｘ ２ ８４ 文 献 标 识 码 ：Ａ 文 章编 号 ： １０ — ９ ２ ２ １ ）２ ０ ２ — ５ ０ １ ６ ３ （ ０ ２ ０ — ２ ８ ０
Ｉ ｔ ｇ ａ ｅ ａ ｓ ｓ ｍ ｅ ｎ ｅ ｔ ｒ ｑｕ ｌｔ ｎ ｅ ｒ ｔ ｄ ｓ ｅ ｓ ｎｔｏ ｓ ａ ｗａ ｅ ａ ｉｙ ｂ ｓ ｄ ｏ ｈ ｕ ｚ ｕｒ ｌｎｅ ｗｏ ｋ ａ ｅ ｎ ｔ ｅ ｆ ｚ ｙ ｎｅ ａ ｔ ｒ
基于CSO优化模糊神经网络的污水处理出水COD预测模型
基于CSO优化模糊神经网络的污水处理出水COD预测模型基于CSO优化模糊神经网络的污水处理出水COD预测模型随着工业化和城市化的快速发展，污水处理成为了保护环境和人类健康的重要任务。
而污水处理过程中，COD（化学需氧量）是一个重要的指标，它可以反映污水中有机物的含量和水体的污染程度。
因此，准确预测污水处理出水COD浓度对于有效的水质管理和资源利用至关重要。
神经网络是一种通过模拟生物神经紧密相连的大量简单的处理单元之间的相互作用实现信息处理的数学模型。
神经网络的一个重要组成部分是模糊神经网络（FNN），它可以模拟人类模糊推理的过程。
模糊神经网络具有灵活性和适应性强的特点，可以处理输入参数之间的不确定性和模糊性，因此在污水处理出水COD预测中具有很高的应用潜力。
然而，传统的神经网络对于多参数优化问题中的收敛速度和最优解搜索存在一些问题。
针对这个问题，我们引入了CSO （Cuckoo Search Optimization）算法来优化模糊神经网络的权重和阈值。
CSO算法是一种群体智能算法，模拟了布谷鸟觅食的过程，通过随机漫步和布谷鸟蛋的交换来搜索最优解。
通过引入CSO算法，我们可以提高神经网络的收敛速度和优化结果的准确性。
该研究首先收集了大量的污水处理系统历史数据，包括进水COD浓度、溶解氧、污泥浓度以及处理时间等参数。
然后，利用这些数据建立了基于模糊神经网络的污水处理出水COD预测模型。
在模型中，进水COD浓度、溶解氧、污泥浓度以及处理时间作为输入变量，而出水COD浓度作为输出变量。
为了优化模型的性能，我们引入了CSO算法对神经网络的权重和阈值进行优化。
通过数值实验，我们评估了优化后的模型的预测性能。
结果显示，基于CSO优化的模糊神经网络模型能够准确预测污水处理出水COD浓度。
相比于传统的神经网络模型，优化后的模型具有更高的预测精度和收敛速度。
此外，我们还对模型进行了灵敏度分析，分析了不同输入变量对污水处理出水COD浓度的影响程度。
基于深度学习的水质监测与预警
基于深度学习的水质监测与预警随着人类对环境保护的意识不断提高，水质监测与预警已成为一项至关重要的工作。
当前，国内外许多水厂采用传统的模式进行水质监测，但由于监测数据量大且效率低下，难以及时发现异常情况。
而基于深度学习的水质监测与预警技术，则具有更高的精度和效率，在实践中可以更好地支撑水处理厂的工作。
一、深度学习技术在水质监测中的优势深度学习是当前人工智能领域的热门技术，其应用已经扩展到许多领域。
深度学习技术的三大优势：1. 更高的精度深度学习技术通过多层神经网络的搭建，可以自动学习大量数据中隐藏的模式，从而提高模型的精度。
对于水质监测，深度学习技术可以更快捷地识别出异常情况，准确预测水质波动。
2. 更高的效率传统的水质监测工作需要人工采集大量数据，并进行逐一分析，费时费力且效率不高。
而深度学习技术可以通过模型训练，快速分析数据，减少人力成本、提高效率。
3. 更好的适应性不同的水域环境有不同的因素影响水质，不同因素之间也互相影响。
传统的模式难以适应不同环境之间的特征，而深度学习技术可以从大量数据中学习规律，提高模型的适应性。
二、深度学习技术在水质监测中的应用基于深度学习技术的水质监测系统一般由数据采集、数据处理、特征提取、模型训练和预测等几个环节组成。
1. 数据采集在水质监测前，需要采集大量的监测数据。
传感器、数据索引、网络通信、传输协议和数据库等技术已成为当前主要数据采集技术。
2. 数据处理采集到的数据如水温、溶解氧、浊度、酸碱度等需要进行分类处理。
这个阶段的目的是为后续的特征提取和模型训练提供数据基础。
3. 特征提取深度学习技术的核心是特征提取。
数据的高维度、长序列和复杂噪声是深度学习技术面临的挑战，传统的特征提取方法不可行。
基于深度学习的特征提取技术可以通过自动提取特征，减少人工干预。
4. 模型训练特征提取完成后，需要进行模型训练。
深度学习技术使用反向传播算法进行训练，通过多个层的学习和卷积神经网络的优化，可以得到更加准确的模型。
机器学习算法在水质监测中的应用
机器学习算法在水质监测中的应用随着科技的不断进步和应用范围的扩大，机器学习算法被广泛应用于各个领域，其中包括了水质监测。
水质监测是指对水体中的物理、化学、生物和微生物特征的监测和评价，以保护和改善水质。
利用机器学习算法进行水质监测可以有效提高监测的准确度和效率，本文将对其应用进行探讨。
一、机器学习算法在水质监测中的意义传统的水质监测通常是由专业检测人员采用传统的实验室检测设备进行监测，在现场采集水样后，再进行化验分析，以得出水体的指标数据，这种方式存在着一些问题，如：1.有些指标在现场检测时难以准确检测，如细菌、毒素等，只能通过收集样本回实验室进行检测。
2.数据量大、检测周期长，不能及时反映实际状况，不能满足需要实时监控的要求。
3.人为因素较大，不同检测人员或不同实验室间的判别标准和误差存在差异，对于结果的判断和评价存在不确定性。
4.工作量大，不利于提高效率。
而机器学习算法能克服以上问题，具有以下优势：1.能够实现监测数据的实时采集，处理和存储，有效提高了监测数据的采样周期。
2.采用数据挖掘技术能够从庞大数据中发掘隐含的规律和规律性，精准预测水质状况和变化趋势。
3.减少了人为因素的干扰，相对传统的方法，机器学习算法更为客观和可靠。
4.可以自主学习，不断提高智能水平，逐步达到自动化和智能化的目标。
二、1.神经网络算法神经网络是一种模拟人类大脑神经细胞之间相互作用、相互影响的信息处理系统。
神经网络属于非线性的系统，因此能够处理非线性问题。
在水质监测中应用神经网络可以识别复杂的水质特征和模式，预测未来的水质变化趋势。
这种算法可应用于预测化学物质浓度、pH值、溶解氧、悬浮物浓度等指标。
2.支持向量机（SVM）算法SVM是一种新兴的分类算法，它基于统计学习理论和结构风险最小化原则等，通过建构最优超平面来进行分类和预测。
在水质监测中应用SVM算法可以识别水质监测数据中的异常数据，并进行预警。
除此之外，SVM能够处理非线性问题，还能够支持多元分类任务和高维数据点，所以在复杂场景下应用也非常合适。
BP神经网络在青弋江水质评价上的应用
法、 增长法 、 试算法等 ， 采用遗传 算法 、 自适应算法 等方法来确
定隐层节点数的文 献也有 报道 。 次研究 隐蔽层节点数采用增 本
长法确定。 最后确定各层结点数为 ：— １— １ ８ ３ 。
不确定性 、 非线性理论方法 的出现和计算机技术 的推广应用而
逐步形成 的， 目前也是水 质评 价方法研究领域 的热点 。常用 的 评价方法有模糊综合评价法 、 色系统评价法 、 灰 物元分析法 、 人 工神经网络法等。 人工神 经网络（ ｒｆ ａ Ｎ ｕａ Ｎ ｔｏ ｓ简称 Ａ Ｎ是 一种 Ａ ｄｉ ｅｒ ｅ ｒ ， ｃ ｌ ｌ ｗｋ Ｎ） 由大量简单的人工神经元广泛连接而成 的， 用于模拟人脑神经 网络 的复杂网络系统 ， 具有较强 的 自适应能力 。 目前见诸 于水 质评 价研 究领域的有 Ｂ Ｐ多层前 向网络 、径 向基 函数神经 网络 （ Ｂ ）Ｈ ｐ ｅ Ｒ Ｆ 、 ｏｆ ｌ ｉ ｄ网络等 。 中以 Ｂ 其 Ｐ神经 网络 的应用研究最多 ，
１ 工程概 况
青弋江是长江 的重要一级支 流 ，横贯 芜湖市区进入长江。 入江 口上 、 下游 １ ０公里范 围内分 布有 ３ 个饮 用水源保护区 ， 为 芜湖市百万人 口提供饮用水 。据文献 报道 ， 当青弋江水质超过 Ⅲ类半时 ， 饮用水源地水质将受到影 响。 因此 ， 加强青 弋江水质 评价方面 的研究 ， 具有 十分重要 的意义 。 水质评价 方法可 以分为确定 性方法 和不确定性 方法两大 类 。确定性方法主要指综合指数法 ， 目前 国内外 已经提 出几 十 种模式 ； 确定性方法 主要是 由于 ２ 不 ０世纪 ８ ０年代开始 的一些
李
摘
峻 ， 一孙世群
合肥 ２ ０ ０ ；． ３０ ９ ２芜湖市环境保护 局 ， 安徽 芜湖 ２ １０ ） ４ ０ ０
基于Elman神经网络的城市污水处理水质参数软测量
第36卷增刊(I )2006年7月东南大学学报(自然科学版)JOURNA L OF SOUTHEAST UNI VERSITY (Nat ural S cience Edition )V ol 136Sup (I )July 2006基于Elman 神经网络的城市污水处理水质参数软测量杨马英1 周芳芹1,2 李 军3(1浙江工业大学信息学院,杭州310032)(2衢州学院数理系,衢州324006)(3浙江工业大学建工学院,杭州310032)摘要:在介绍序批式活性污泥法(SBR )的城市生活污水处理工艺的基础上,针对反应过程所具有的多变量、非线性和动态复杂反应的特点,利用水质参数与多个过程可测参数间的关联关系,提出了基于Elman 递归人工神经网络的水质参数软测量模型.以ORP ,DO 浓度和pH 值作为输入参数,可实现对CO D ,NH 3,TP 水质参数的软测量.基于污水处理实验数据建立软测量模型,结果表明,上述软测量模型对污水处理水质指标C O D ,NH 3,TP 具有理想的预测效果.关键词:污水处理;软测量;神经网络中图分类号:TP274 文献标识码:A 文章编号:1001-0505(2006)增刊(I )20119205Soft sensing model for city w aste w ater tr eatment pr ocess par ameterba sed on Elman neural net w or kY ang Maying 1 Zh ou Fangqin 1,2 Li J un 3(1In form ation Engineeri ng C ollege ,Z hejiang University of Technol ogy ,H angzhou 310032,C hi na )(2Departm ent of Mathem atics and P hysics ,Quzhou C ollege ,Quzhou 324006,C hi na)(3Architectural and C ivil Engi neering C ollege ,Zhejiang Univers ity of T echn ology ,Hangzhou 310032,C hina)Abstract : An Elman recursive neural netw ork based water quality param eters ’s oft sensi ng m odel is pr oposed for the sequential wastewater treatm ent pr ocesses ,regardi ng the characteristics of multivar iable ,nonlinear ,dy 2nam ic and com plicated reactions in the treatment pr ocess ,and utilizing t he relationship betw een water quality parameters and the measurable pr ocess parameters.DO(dissolved oxygen),ORP (oxidation reduction poten 2tial )and pH are selected as input parameters ,w hich can realize t he soft sensing of the w ater quality parame 2ters of CO D (chem ical oxygen demand ),NH 3and TP (total phosphorus ).The wastew ater treatm ent pr ocess ex 2periment s and the training and simulation of the s oft sensing model based on the experimental data w ere con 2ducted ,and the result s indicate that the s oft sensing m odel proposed has g ood predictive effect for the w ater quality indices CO D ,NH 3and TP in t he w astew ater treatment process.K ey w or ds : w astew ater treatment ;s oft sensing;neural netw ork 收稿日期622 作者简介杨马英(66—),女,博士,教授,yy @z j 序批式活性污泥法(sequential batch reactor ,S BR)是一种按间歇曝气方式来运行的活性污泥污水生化处理技术.实际的污水处理过程中,需根据不同的处理要求,对各阶段采用针对性的运行方式,从而达到脱氮、除磷、抑制污泥膨胀等更复杂的工艺要求.对污水处理过程实行自动化控制和管理,一直是世界各国普遍关注的问题[1].在国内,有学者对污水处理过程建模和控制作了相应的研究[2-4].同时这一领域的研究也颇具挑战性,因为目前城市污水处理大都采用生物氧化工艺.从控制论角度考虑,这类生化污水处理过程是典型的非线性、时变、不确定、大时滞的复杂系统,对其建模、控制并非易事.而且,当前污水处理领域的检测传感器、仪表尤其是专用传感器、专用仪表发展相对落后,复杂系统建模所需的大量过程参量无法用常规方法在线获得.另一方面,软测量技:2000420.:19m ang ut.e .术已成为当前过程控制和过程检测领域的一大研究热点和主要的发展趋势之一,可借助该技术来提高污水处理过程的测控水平.就污水生化处理工艺过程来看,其被处理的水体要在工艺构筑物内停留一段时间,在这段时间内,各过程参数存在事实上的相关性.这样,在理论上就存在着由可测或易测的过程参数(如PH 等)来估计不便测量的过程参数(如C OD 等)的可行性.软测量技术的成功应用主要体现在石油化工领域.近年来也出现不少将软测量技术引入污水水质参数监测方面[5-6],但这方面的研究大多处于理论和仿真实验阶段,尚未见在污水厂实际运行中应用软测量技术解决污水处理过程的实时估计与实时控制的报道.且文献中采用的建模方法多为线性统计分析模型或BP 网络技术,对于生化污水处理这样的多变量、非线性、动态复杂反应过程,不一定能取得理想的软测量效果.本文在对污水处理工艺分析的基础上,针对S BR 污水处理工艺,提出用Elman 动态神经网络来建立水质软测量模型,并通过实验及数据建模仿真和分析证明所得到的模型具有较好的参数拟合效果.1 S BR 污水处理过程及水质参数指标S BR 污水处理是在一个设有曝气或搅拌装置的反应池内,按照规定的程序进行充水、生化反应、沉淀、排水、闲置等5个阶段的操作.从充水开始到闲置结束作为一个周期.工艺如图1所示.图1 SBR 污水处理工艺示意图S BR 法传统的控制方法主要是时间程序控制和流量程序控制[7].时间程序控制主要是根据S BR 法的5个运行阶段即进水、反应、沉淀、排放、闲置所需时间进行预先设定后实施的自动控制.但是工业废水的水质水量随时间变化很大,有时其有机物浓度相差几倍甚至十几倍,如果按某一相同的反应时间控制S BR 法运行,当进水浓度高时出水水质不合格,当进水浓度低时反应时间过长,既浪费能耗又易于发生污泥膨胀.流量程序控制是根据废水流量的变化调整各个阶段所需时间,并进行自动控制.这2种控制方法的缺点在于不能根据废水水质的实际变化情况及时调整某些运行参数,从而难于实现自适应的自动控制.S BR 法或其他活性污泥污水处理法虽然工艺各不相同,但反应机理大致相同.自1987年以来,国际水协会(IW A )先后推出了3个活性污泥数学模型:AS M1,AS M2,ASM3[8].以AS M1为例,主要用于模拟有机碳的降解和生物脱氮,即生化脱除有机物、硝化和反硝化过程.上述AS M 模型能准确描述活性污泥过程的一些特征,在工艺设计、仿真等方面已经得到广泛认同.但是在这些机理模型中,除引入许多有明确物理意义的物理、化学和生物物质和参数外,还包括了一些概念意义上的物质,其状态变化几乎不可测,给机理模型推广应用带来了难度.而且在固定框架下建立的机理模型缺乏灵活性、应变性,不能胜任污水生化处理过程的时变性、不确定性、动态特性.因此实际生产和控制需要建立能反映污水生化处理系统动态特性的简化数学模型.城市污水处理经常用下述水质指标来表示污水受污染程度及净化程度[9]:生物化学需氧量(BOD ),是一个反映水中可生物降解的含碳有机物的含量以及排到水体后所产生的耗氧影响的指标,间接地反映能为微生物分解的有机物的总量,该指标目前难以直接测定,通常采用化验值表示;化学需氧量(C OD),用以反映水中有机物的量,污水处理过程中C O D 的变化反映污水中有机物的降解情况,C O D 在测定过程中,要加热回流2h ,测定所花的时间较长,对同一水源来讲,在一定条件下,生化需氧量与化学需氧量有一定的关系;悬浮固体(SS ),在污水处理中,悬浮物的去除率是衡量沉淀效果的重要指标;总磷(TP),包括溶解的、颗粒的、有机的和无机磷的含量.TP 值的变化反映污水中除磷的情况.生活污水和大部分工业废水没有有机磷的问题;NH 3,N O 2,N O 3———水中氨氮的来源主要为生活污水中含氮有机物受微生物作用的分解产物,是反映污水硝化与反硝化反应的指标,测定水中各种形态的氮化合物,有助于评价水体被污染和“自净”状况;氧化还原电位(OR ),能表明该溶液氧化或还原另一种物质的能力;氢离子浓度(),=(+)是一个重要的水质参数,微生物的生长、繁殖和环境中的021东南大学学报(自然科学版)第36卷P pH pH -log 10H .pH pH值关系密切,另一方面,有机物降解的产物(如C O 2、有机酸)也会引起pH 值的波动;溶解氧(DO),是环境监测中重要的水质指标之一.在有氧条件下污水中的微生物通过分解作用,生成CO 2,H 2O 等,所以,污水的生物处理,特别是好氧微生物的培养与溶解氧的关系很大.如果环境中严重缺氧,厌氧微生物将大量繁殖,好氧微生物受到抑制而大量死亡,导致厌氧微生物生长占优势.在这种情况下,反应器中的活性污泥或生物膜恶化变质,发黑发臭出水水质下降.污水处理厂的出水水质指标BO D 5,CO D ,NH 32N ,NO 32N ,TP 等浓度系数大多靠人工化验来确知,尤其是BO D 5需经过5d 之后才能得到化验结果.显然,化验结果大大滞后于污水的排放过程.在国外,针对此情况,少量则采用在线分析仪表进行测量.然而,在线分析仪表由于设备投资大、维护困难以及分析周期长、准确性不高,以至于难以提供实时质量信息作为质量控制的反馈信号.实践表明,ORP ,DO 浓度和pH 值变化规律与有机物降解、硝化与反硝化、微生物过量摄取磷和释放磷4个生化反应存在着密切的关系,可望通过选择能够在线检测、响应时间短、精确度较高的ORP ,D O 浓度和pH 值作为SBR 法反应过程的状态变量,来反映有机物降解,硝化与反硝化,生物除磷等4个生化反应进程,实现对出水水质的测量[6].2 基于Elman 网络的动态建模方法多变量统计过程控制(MSPC )是在线监视生产过程和检测过程故障的一种经验方法.基本的主元分析(PC A )和部分最小二乘(P LS )法都是以“样本观测相互独立”作为假设前提条件,没有考虑到时间序列相关性的影响,因此从其本质上都是一种静态建模技术,不能有效地监视动态多变量过程.S BR 法污水处理的生化反应有着自身的变化规律,每个水质参数的检验数据具有序列相关性,所以,基本PCA 和P LS 方法的假设前提条件在SBR 过程中通常不成立.为此,探讨适合序列相关数据的动态建模方法是非常必要的.下面介绍一种能适应非线性动态系统的建模方法———Elman 网络.Elman 回归神经网络是Elman 于1990年提出的一种典型的动态神经网络[10],它是在BP 神经网络基本结构的基础上,通过在隐含层中增加一个承接层,作为一步延时算子,使其具备映射动态特征的功能,从而使系统具有适应时变特性的能力,能直接反映动态过程系统的特性.Elman 型回归神经网络一般分为4层:输入层、隐含层、承接层、输出层,其结构如图2所示.图2 E lman 神经网络结构其输入层、隐含层、输出层类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用.隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一步延时算子.Elman 型回归神经网络的特点是隐含层的输出通过承接层的延时与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的.此外Elman 网络的动态特性仅由内部的连接提供,无需使用状态作为输入或训练信号,这也是E1man 网络相对于静态前馈网络的优越之处.下面对Elman 网络所表达的数学模型进行分析.如图2所示,设网络的外部输入u (k -1)∈R r ,输出为y (k )∈R m ,若记隐层的输出为x (k )∈R n ,则有如下非线性状态空间表达式成立:x (k )=f (W 1x c (k )+W 2u (k -1))(1)x c (k )=x (k -1)(2)y ()=(W 3x ())(3)式中,为维输入层节点单元向量,x 为维中间层节点单元向量,y 为维输出节点向量,x 为反馈状态向量W ,W ,W 3分别为承接层到中间层、输入层到中间层以及中间层到输出层的连接权,()为输出神121增刊(I )杨马英,等:基于Elman 神经网络的城市污水处理水质参数软测量k g k u r n m c .12g经元的传递函数,是中间层输出的线性组合,f ()为中间层神经元的传递函数,常采用S 函数.从上面的式子可得x c (k )=x (k -1)=f (W 1k-1x c (k -1)+W 2k-1u (k -2))(4)又由于x c (k -1)=x (k -2),上式可继续展开.这说明x c (k )依赖于过去不同时刻的连接权W 1k-1,W 2k-1…,也即x c (k )是一个动态递推过程.相应地,用于E1man 网络训练的反向传播算法称为动态反向传播学习算法.Elman 网络的动态反向传播学习算法可归纳如下:Δw 3ij =ηδ0l x i (k ) i =1,2,…,m ;j =1,2,…,n (5)Δw 2jq =ηδh j u q (k -1) i =1,2,…,n ;q =1,2,…,r (6)Δw 1jl =η∑m i =1(δ0l w 3ij )5x j (k )5w 1il j =1,2,…,n ;l =1,2,…,r (7)5x j (k )5w 1il=f ()x l (k -1)+∑n l =1w 1ji 5x l (k -1)5w ji(8)式中,δ0l =(y di (k )-y l (k ))g (),δh j=∑m i =1(δ0l w 3ij )f ().3 E lman 网络用于SBR 法污水处理过程建模实例实验室序批式活性污泥法的污水处理系统工艺如图1所示.进水ρNH 3=361416mg/L ,ρC OD =204mg/L ,ρTP =618mg/L ,试验结果如图3所示.图3 进水ρNH 3=36.4mg /L ,ρCO D =204mg/L ,ρTP =6.8mg/L 时试验结果观察试验结果,可以看到CO D ,TP ,NH 3等参数的变化趋势与D O ,PH ,ORP 变化的相关性.图中ORP ,pH ,D O 曲线的一些标志点(用圆圈表示)是了解污水生化反应中有机物降解、硝化结束与反硝化结束、生物除磷中释磷的关键点.表1 COD ,NH 3,T P 预测模型隐含层神经元个数模型预测误差平方和/10-4隐含层神经元个数CO D368NH 3 4.710TP 9.210把训练数据分成K 段长度为N +M 的有一定重叠的数据段,每一段的前N 个数据作为网络的输入,后M 个数据作为网络的输出.分别以氧化还原电位(ORP)酸碱度(pH )和溶解氧(D O)为模型输入,经过大量实验后得到CO D ,NH 3和TP 的Elman 动态网络预测模型.其中,训练步数为1000次,隐含层神经元个数如表1所示.仿真结果如图4所示.从图4可看出利用E lman 网络建立的模型预测能力和精度都较好,能较好地体现C O D ,NH 3,TP 随处理时间变化而变化的动态特性;能及时、准确地反映微生物状态变化信息可用所建模型来确定有机物降解结束、硝化与反硝化结束、生物除磷释磷、吸磷等生化反应的特征点,从而由水质指标O D ,N 3,T 作为控制参数来构造新的控制策略,使S BR 法污水处理系统的在线控制更加直接、有效图的模型仿真结果显示,在好氧阶段水中可降解有机物的充分氧化221东南大学学报(自然科学版)第36卷.C H P .4分解、硝化反应的结束及磷的快速吸收到快速释放等阶段,模型输出与实际值基本吻合.图4 NH 3,TP ,C OD 仿真结果4 结 语对于缺乏专用参数在线测量仪表的过程,软测量技术作为从能够测量的数据去推断未被测量的变量的数值的一种技术,为系统建模与控制、故障诊断等提供了新的可能性,因而受到了人们的重视.但软测量技术的普及程度及应用效果尚不理想.这里的关键是要根据对工艺过程、参数之间相互关系的了解,选用适合的软测量方法及模型结构,以取得良好的参数预测效果.从上面的S BR 法污水处理过程实验及建模可以看到,污水处理的生化反应与诸多影响因素之间是一种多变量、严重非线性的关系,且这种关系具有动态性.传统方法,如主元回归,部分最小二乘建立的都是线性的、静态的模型,应用于这类过程的模型误差就比较大,预测精度不高,而动态回归神经网络,Elman 网络,能更生动、更直接地反映系统的动态特性.从模型的良好预测性、特别是特征点一致性,说明Elman 网络是一种新颖、可靠、速度快,精度高的预测方法,通过系统输入与输出数据即可获得较为可靠的模型,模型的通用性及时效性只取决于输入数据.这为污水生物活性污泥法工艺系统实现在线智能化控制提供了一条简便的途径.Elman 动态网络作为一种新兴的建模技术,它必将在时间序列动态系统、非线性系统的控制领域中具有广阔的应用前景.参考文献(References )[1]Olss on G,N ew ell B.污水处理系统的建模、诊断和控制[M].高景峰,彭永臻,译.北京:化学工业出版社,2005.[2]高大文,彭永臻,王淑莹,等.污水处理智能控制的研究、应用与发展[J ].中国给水排水,2002,18(6):35-39.G ao Dawen ,Peng Y on gzh en ,W ang Shuy ing ,et al.W astewater treatmen t ’s intelligen ce control research ,application and developmen t[J ].China Water and Wastewater ,2002,18(6):35-39.(in Ch inese)[3]杜树新.污水生化处理过程建模与控制[J ].控制理论与应用,2002,19(5):660-664.Du Shuxin.M odelin g and con trol of b iolog ical wastewater treatment processes [J ].Contro l Theory and App licatio ns ,2002,19(5):6602664.(in Chinese)[4]袁德成,于海斌.活性污泥脱氮过程的建模与控制[J ].控制理论与应用,2004,21(3):4832487.Y uan Decheng ,Y u H aib in.M odeling and control of activated s ludge nitrogen rem oval processes [J ].Contro l Theory and App lica 2tion s ,2004,21(3):4832487.(in Ch inese )[5]高景峰,彭永臻,王淑莹,等.以D O 、ORP 、pH 控制SBR 法的脱氮过程[J ].中国给水排水,2001,17(4):6211.G ao Jing fen g ,Peng Y ongzhen ,W ang Shuying ,et in g d iss olved oxyg en ,ox idati on reduction potential and pH value for control nitrog en rem oval in SBR process [J ].China Water a nd Wastewater ,2001,17(4):6211.(in Ch inese )[6]任敏,王万良,李探微,等.基于神经网络的污水处理软测量系统的研究[J ].自动化仪表,2001,22(10):829.Ren Min ,W ang W anliang ,Li T anw ei.The study on neural netw ork based s oft measuring s ystem for sewag e handling [J ].Proces s Automatio n Instrumentation ,2001,22(10):829.(in Ch inese )[7]彭永臻.SBR 法的五大优点[J ].中国给水排水,1993,9(2):29231.Peng Y ong zhen.T he five merits of SBR[J ].Ch ina Water and Waste water ,1993,9(2):29231.(in Chin ese )[8]国际水协废水生物处理设计与运行数学模型课题组.活性污泥数学模型[M ].张亚雷,李咏梅,译.上海:同济大学出版社,[]姚重华废水处理计量学导论[M ]北京化学工业出版社,[]F []S ,,,2321增刊(I )杨马英,等:基于Elman 神经网络的城市污水处理水质参数软测量2002.9..:2002.10Elman J.inding structure in time J .Co g n itiv e cience 199014179211.。