bp神经网络在污水处理建模中的应用研究.docVIP

BP神经网络在污水处理建模中的应用研究 导语：?本文介绍了BP人工神经网络在污水处理中的应用，对BP算法进行了简单介绍，同时对网络的创建及实现过程进行了详细的介绍。 摘要：本文介绍了BP人工神经网络在污水处理中的应用，对BP算法进行了简单介绍，同时对网络的创建及实现过程进行了详细的介绍。对仿真结果做了较为详细的分析。仿真结果表明：BP网络的自学习功能很适合污水处理过程的建模，很好的预测了出水水质COD的含量。 关键词：BP网络；污水处理； 建模 Modeling Study of Activated Sludge Process Based on BP Neural Network CHI Ming-jie , QI Xing-guang (School of Electronic Information and Control Engineering, Shandong Institute of Light Industry , Jinan 250353,China) Abstract： This paper introduced the application of BP artificial neural network in the wastewater treatment and give a detailed description of the realization progress. The simulation results showed that: the BP network, self-learning function is very suitable for sewage treatment process modeling and the quality of COD was predicted very well. Key words: BP network; Wastewater treatment; modeling; 一：引言 污水处理过程模型是模拟各类微生物、有机养料在处理过程中的主要动态行为和系统工艺特性的数学模型，由于污水处理过程具有非线性、大滞后、时变性和随机性等特点,因此很难建立精确的数学模型。同时,污水处理系统又是一个多变量相互影响的耦合系统，需要同时控制多个变量。所以基于机理的数学模型涉及参数众多，有些参数很难或无法进行直接测量，进而通过动力学模型描述污水生物处理的动态特性存在很大的困难。本文引入具有很强的自适应、自学习性的BP神经网络对污水处理系统的出水COD进行预测。仿真结果显示：所建模型较好的预测出水COD的含量。 二：算法简介 误差反向传播BP（back-propagation）算法由两部分构成[3]，信息的正向传递与误差的反向传播。在正向传递的过程中，BP网络的信号由输入层经隐含层向输出层传播，在输出层的神经元获得网络的输入响应。每一层神经元的状态只影响下一层神经元的状态。BP网络工作时前馈的信息处理方式是前向型网络的特征。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，从输出层反向经过各中间层回到输入层，从而逐层修正各连接权值，直至达到期望的目标值。 三：BP网络的设计与训练 1.BP神经网络模型结构的确立 （1）隐含层的确定 在训练神经网络模型时，我们首先要确定网络的层数，最重要的是隐层的个数。理论证明，具有偏差、S型隐含层和一个线性输出层的网络能够逼近任何有理函数。这就说明：增加隐含层的层数可以降低误差，但是会导致BP网络训练时间过长、误差过大；所以我们也可以考虑通过增加隐含层神经元的个数来提高训练的精度，并且训练的效果具有更直观性。鉴于上述，在本模型中我们选用一个隐含层。 （2）隐含层神经元数目的确定 污水处理厂出水COD浓度受多个因素的影响。主要包括pH值、进水COD浓度、混合液悬浮固体浓度（SS）、氨氮等。因此神经网络选择4个输入神经元，1个输出神经元为污水处理厂出水COD浓度。 到目前为止，BP网络隐含层神经元数的确定尚没有成熟的理论指导[2]，一般常用Trial-and-error法确定，即从较少的神经元数开始依次递增，反复试验从中选取最优的神经元数目。本文采用的是参考部分经验公式来选择最佳隐含层神经元数目[1]，参考公式如下： 其中n1 为隐含层神经元数；m为输入层神经元数；n输出单元数；a 为0～10之间的常数。本文输入层神经元数为4个，输出神经元数为1个，a 选取4，综上所述，本文隐含层神经元数选取为6个。 （3）随机改变网络初始权值 如果网络初始连接权值相同,则每次训练只能搜索到相同的极值点,很难求得