CN114331788B 一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法 （北京工业大学）_第1页
CN114331788B 一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法 （北京工业大学）_第2页
CN114331788B 一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法 （北京工业大学）_第3页
CN114331788B 一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法 （北京工业大学）_第4页
CN114331788B 一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法 （北京工业大学）_第5页
已阅读5页，还剩22页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于级联模块化神经网络的城市污水本发明涉及一种基于级联模块化神经网络于HMN的软测量模型的效率和泛化性能，两个模块由基于增长和合并机制的径向基函数(GM-后，通过实际工业数据评估基于HMN的软测量模2其中x1,x2,...,xN表示影响出水含氮量的全部辅助变量，这物浓度(SS_ef)，进水生化需氧量(BOD_in)，出水生化需氧量(BOD_ef)，进水化学需氧量(COD_in)，出水化学需氧量(COD_ef)，生物池污泥沉降比(SV)，生物池混合液悬浮固体第j个隐层节点的中心和宽度，wj表示相应的输出权重，J2为RBF神3为了保证子网络和级联模块化神经网络的紧凑其中z和分别为第p个样本的期望输出和网络的实际输出，e表示第p其中".和分别表示第jmax个样本对应的输入向量和期望输出，cj和wj分别表示第j隐含层节点的宽度根据新添加的节点和其他现有RBF果将两个RBF隐含层节点调到最近距离，这两个节点可能对某些输入信息提供大致相同的其中dist(ck,cl)表示中心向量ck和cl之间的欧氏距离，ck和cl分别表示k个节点和第l示第k个节点和第l个节点的宽度，wk和wl分别表示第k个节点和第l个节点的连接权值，第4为了降低计算复杂度，将类海森矩阵Q表示为p个类海pppppppRBF隐含层中第j个神经元对应的中心向p①将从真实城市污水处理厂采集到的数据进行预处理后表示为D＝{(x1,y1),(x2,5其中P表示样本个数，分别表示模块1中P个输入样本对应变量和模块1中子网络实际输出共同构成了模块2的输入向量对相应6[0003]本发明的目的在于提出一种基于级联模块化神经网络(Hierarchicalmodularneuralnetwork,HMN)的城市污水处理过程出水含氮量智能检测方法，采用HMN构建出水含[0008]其中之后，基于RBF神经网络建立的模块1的输出表示72为RBF神经网络的隐含层节点个数；c,=u(7)[0025]隐含层节点的宽度根据新添加的节点和其他现有RBF节点之间的最小欧氏距离计算果将两个RBF隐含层节点调到最近距离，这两个节点可能对某些输入信息提供大致相同的8[0036]为了加快收敛速度并提高HMN的训练精度，使用二阶学习算法来调整子网络的参t为t时刻梯度向量；[0043]q,=i,(17)9[0061]2HMN预测模型具有紧凑的结构，模型的紧凑性通过RBF子网络隐含层节点个数来[0071]本发明利用训练数据集建立用于出水含氮量浓度预测的HMN神经网络模型；利用测试数据集验证HMN神经网络预测模型对[0088]为了进一步评估所提出的HMN框架和GM-RBF网络的有效性，选择目前较为常见的[0092]为了说明HMN的有效性，将模块2GM-RBF神经网络输入中的出水NH4-N预测值剔除模型通过18个RBF节点表现出优于ErrCor的预

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论