基于RBF神经网络的出水COD预测模型研究
来源：https://www.shuizhifenxi.com/ 作者：余氯检测仪 时间：2019-09-02
摘 要：本文主要研究了基于RBF神经网络出水COD预测模型。首先通过数据处理提高数据质量，以利于后续处理，利用蚁群算法和最小二乘法训练RBF神经网络中心和权值，最后通过仿真测试验证了模型的有效性，并给出了模型的具体实现方案。
关键词：自动控制;RBF神经网络;出水COD
在污水处理中，出水COD在线检测具有重要的作用：第一，它是衡量出水水质的重要标准;第二，它是调节回流污泥量的主要依据。本文主要研究如何利用RBF神经网络技术来建立出水COD的预测模型。
1 建模数据的采集与处理
建模数据的采集：
本文以鞍山活性污泥法水处理厂污水处理过程为研究对象，根据该厂的生产工艺可知，污水从进厂到出厂的HRT(水力平均停留时间)为20小时，水力平均停留时间为23小时。利用同一时刻的水质参数和运行参数，这一点尤为重要，否则建立的模型是伪模型，没有实际意义。依据上面的要求，我们采集了鞍山污水处理厂400条生产数据信息。
从工业现场采集的数据信息通常含有随机误差甚至过失误差，这些错误数据将导致系统预测模型工作性能的下降，严重情况会导致工作失败。因此，我们必须对收集到的各种测量数据进行前期予处理，方可作为神经网络模型的输入。在一次操作中通过对异常数据进行剔除，总删除了70条噪声数据;处理完过失误差后，还要处理样本数据内的随机误差，我们以7点滑动平均方法处理建模数据的随机误差，能够有效消除数据中的随机误差。前面对建模数据采取正规化处理后，可以供神经网络建模使用，保证模型工作的准确性。
2 基于 RBF神经网络出水COD预测模型
径向基函数RBF神经网络(简称径向基网络)是由J.Moody和C.Darken于20世纪80年代末提出的，这种神经网络结构具有单隐层的三层前馈网络。
RBF神经元的核心结构就是径向基函数构成的，RBF神经元模型如图1所示。
其输出表达式为
(1)
其中：radbas为径向基函数，且：
(2)
称之为欧几里德距离。
RBF神经网络(简称径向基网络)是由RBF神经元构成的多层前馈网络，它具有其它BP网络一样的网络结构，是一种三层静态前向网络。其网络拓扑结构如下图2所示。
由图可以看出，拓扑结构第一层为数据输入层，含有多个输入结点：第二层为隐含层，含有多个神经元，神经元数由所描述问题的具体需要决定;第三层为数据输出层，也有多个输出，针对输入模式作出系统响应。
在RBF网络中，隐含层完成非线性变换，将输入数据空间映射到一个新的空间，输出层在该新的空间中对输入进行线性组合，通过调节线性组合器的权重系数改变系统模型参数。构造和训练一个RBF神经网络就是要使映射函数通过学习，确定出每个隐层神经元基函数的中心，宽度以及隐层到输出层的权值这些参数的过程，从而可以完成所需的输入到输出的映射。RBF网络的三部分参数在映射中起不同的作用，这点与BP网络单纯由权参数构成是不同的，隐含层的中心和宽度代表了样本空间模式及各中心的相对位置，完成的是从输入空间到隐含层空间的非线性映射，而输出层的权值是实现从隐含层空间到输出空间的线性映射。RBF网络隐含层的设计是模型的核心，中心和宽度的选取合适与否影响RBF网络的最终性能。
RBF网络的学习包括网络中心参数的确定和权值的学习，权值学习方法比较简单，一般采用最小二乘法极其改进算法。实际工作中，确定RBF网络中心参数很复杂，这是因为RBF网络从输入空间到隐含层空间进行非线性变换依赖于RBF中心的数目、位置以及作用域宽度。在RBF网络中采取何种非线性函数形式对网络性能的影响不同，而RBF中心的数目、位置和作用宽度对RBF网络的性能影响至关重要。
3 模型仿真测试
这里我们使用MATLAB软件对建立好的出水COD值的RBF神经网络模型进行仿真研究。首先随机选取了预处理后数据中的280组对模型进行训练，下图给出了网络训练误差下降曲线。(图3)
模型训练完毕后，这里选择了剩余的50组数据对模型进行测试，下图给出了测试结果：(图4)
从上面的预测结果可以知道，此模型的预测误差分布在±4%之间，可以满足现场要求。
这里研究的出水COD预测模型是一个复杂的神经网络算法，要想将该模型应用到实际生产中去，必须编写预测模型软件。这里采用VC编写程序，可以实现复杂算法，而且功能较强。如查采和WINCC编写VB或者C程序的脚本，由于其功能不是很强，难以适合复杂数据管理工作。
——本文由丰临科技整理发布，内容供参考，如有侵权，请联系删除，谢谢！上海丰临科技有限公司为你提供浊度仪(浊度计)、在线浊度仪、余氯仪、余氯分析仪、工业在线pH计、cod测定仪、pH计等多种水质检测仪，水质分析仪，欢迎您前来选购，丰临科技竭诚为您服务！
