《人工神经网络设计 》 课件 第10章 人工神经网络应用.pptx

人工神经网络设计10人工神经网络应用

目录基于人工神经网络的污染物排放智能检测0102基于人工神经网络的污染治理过程智能控制

01基于人工神经网络的污染物排放智能检测随着全球生态文明建设的推进，污染治理过程的智能化成为重要发展方向。而人工神经网络在这一领域展现出巨大潜力，在污染物排放智能检测方面应用广泛。?城市污水处理系统智能检测城市污水处理系统分析：城市污水处理系统是一个复杂的、大滞后的生物化学反应过程数据收集与预处理：数据预处理是构建可靠模型最关键的基础。人工神经网络设计：径向基函数（RBF）神经网络因其良好的非线性映射能力而被广泛应用。图10-1人工神经网络结构示意图3

01基于人工神经网络的污染物排放智能检测城市污水处理利用微生物的凝聚、吸附和氧化功能分解去除污水中的有机污染物，是一个复杂的、大滞后的生物化学反应过程。活性污泥工艺是当前城市污水处理中较成熟且应用最为广泛的一种生物处理工艺，下图为活性污泥法城市污水处理工艺流程。?城市污水处理系统图10-2城市污水处理工艺流程图4

01基于人工神经网络的污染物排放智能检测活性污泥工艺基本流程由初沉池、曝气池、二沉池、曝气设备以及回流设备组成。?城市污水处理系统工艺分析初沉池：清除污水中的部分有机物和悬浮物，降低后续处理工艺的负荷。曝气池：作为工艺核心部分，主要进行好氧和厌氧生物降解，使污水得到净化。二沉池：实现出水泥水分离以及活性污泥浓缩和回流。曝气设备：向曝气池供氧，使池内有机物与溶解氧充分接触。回流设备：将二沉池中的部分污泥送回曝气池，保持污泥活性的同时提高系统稳定性。生化需氧量(Biochemicaloxygendemand,BOD)和总磷(TotalPhosphorus,TP)是反映出水水质的关键指标参数，对其进行实时检测至关重要。5

01基于人工神经网络的污染物排放智能检测基于获取到的北京某污水厂(活性污泥处理工艺)2014年的数据，对其进行预处理后按每天一组进行采样，得到365组数据。将365组数据分为三组：183组作为训练样本；91组作为验证样本；91组作为测试样本。?数据收集与预处理表10-1软测量模型候选变量注：固体悬浮物浓度(Suspendedsolids,SS)；污泥沉降比(Settlingvelocity,SV)；混合悬浮固体浓度(Mixedliquidsuspendedsolid,MLSS)；溶解氧(Dissolvedoxygen,DO)。6

01基于人工神经网络的污染物排放智能检测由于城市污水处理过程呈现出高度的非线性特征，经典的线性相关性分析方法难以有效变量间的相关性，因此引入互信息对参数变量间的相关性进行度量。?数据收集与预处理给定两个随机变量X和Y，假定其边缘概率分布和联合概率分布分别为p(x)，p(y)和p(x,y)，则两变量间的互信息I(X;Y)可计算如下：(10-1)选取进水TP、出水H4-N、曝气池SV、出水油类、曝气池MLSS、进水油类作为出水BOD的特征变量(蓝色框)；选取出水NH4-N、出水温度、进水TP、曝气池DO、出水油类以及进水油类作为出水TP的特征变量(红色框)。7

01基于人工神经网络的污染物排放智能检测本节将选用RBF神经网络分别构建面向城市污水处理过程的出水BOD智能检测模型和出水TP智能检测模型。?人工神经网络设计图10-3RBF建模策略图8

?网络结构对神经网络性能的影响当采用RBF神经网络建立出水BOD智能检测模型时，随着神经元数量增加到11个，网络的验证误差和测试误差不再降低反而出现了上升，因此最终隐含层选用10个神经元。当采用RBF神经网络建立出水TP智能检测模型时，神经元数量增加到6个后，网络的验证误差和测试误差不再降低反而增加，因此最终选用隐含层选用5个神经元。隐含层神经元数量的增加会提高网络的学习精度，但过大的网络结构又会导致网络出现过拟合。因此在神经网络实际应用中，应根据具体任务选择合适的网络结构，以平衡网络的学习能力和泛化能力。图10-4出水BOD智能检测网络性能与结构间的关系图10-5出水TP智能检测网络性能与结构间的关系01基于人工神经网络的污染物排放智能检测9

?出水BOD智能检测效果上图分别给出了用于出水BOD检测的RBF神经网络输出与期望输出的拟合效果以及相应的拟合误差。从图中可以看出，网络实际输出值能够较好拟合期望输出值，拟合误差在±1之间。图10-6出水BOD智能检测效果图图10-7出水BOD智能检测误差图01基于人工神经网络的污染物排放智能检测10

?出水TP智能检测效果上图分别给出了用于出水TP检测的RBF神经网络输出与期望输出的拟合效果以及相应的拟合误差。从图中可以看出，网络实际输出值同