论文部分内容阅读
为了使RBF神经网络具有良好性能,必须同时考虑神经网络的结构调整算法和学习算法,近年来,相继有一些神经网络结构优化方法以及学习算法被提出,但是有关RBF神经网络结构设计仍是当前神经计算科学中人们共同关注的问题。
活性污泥污水处理法是利用活性污泥中微生物来清除污水中污染物质的一种有效方法,是目前世界上工业有机废水和城市污水二次处理的最常用的方法。由于污水处理过程进水水质水量变化剧烈,微生物生长特征复杂,使得污水处理过程具有多变量、非线性、强耦合、大滞后和不确定性等特点,导致了其建模非常困难。而RBF神经网络能够根据输入/输出的数据直接对系统进行建模,不需要对象的先验知识及复杂的数学公式推导。因此,为提高污水处理的出水质量、降低污水处理成本、保障污水处理系统的高效平稳运行,RBF神经网络可以在污水处理过程建模中发挥巨大作用。利用RBF神经网络进行污水处理过程的智能建模研究具有重要的理论和现实意义,并且可为其它非线性、大滞后的复杂系统建模与控制问题提供有益的借鉴。
本文在深入分析现有研究成果的基础上,对RBF神经网络的参数学习算法及结构调整算法进行深入研究,并且将其应用于活性污泥污水处理COD软测量建模中,主要工作如下:
1、本文提出了一种使用熵聚类的算法来首先确定RBF神经网络隐节点的个数及其初始值,实现初始化的基础上使用常规算法调整RBF神经网络的中心和训练宽度,解决了K均值聚类算法对聚类中心初值选择的敏感问题。该算法通过非线性函数逼近的例子与K均值聚类算法进行了比较,仿真结果表明该算法是有效的,且学习速度快、逼近精度高。
2、在综合分析RBF神经网络隐含层神经元对网络性能影响的基础上,利用信息熵的原理对隐含层神经元相关性进行计算,确定隐含层神经元的个数,从而在线调整RBF神经网络的结构,获取满足当前研究对象的合适RBF神经网络结构。通过对非线性函数的逼近以及非线性系统的建模证明了该动态结构RBF神经网络的有效性,并且与其它结构动态神经网络算法作了比较,证明了所提出算法的有效性。
3、在深入分析活性污泥法污水处理机理的基础上,确定污水处理过程的关键水质参数,运用基于熵原理的RBF神经网络建立了污水处理过程的出水水质COD软测量的预测模型,通过仿真证明了该模型是有效的,并且与其他神经网络建模方法作了比较,该模型表现出良好的性能。
本文的研究工作对于我国污水处理的智能建模研究具有一定借鉴意义。