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）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114331788B(45)授权公告日2025.07.04

(21)申请号202111679707.6

(22)申请日2021.12.31

(65)同一申请的已公布的文献号申请公布号CN114331788A

(43)申请公布日2022.04.12

(73)专利权人北京工业大学

地址100124北京市朝阳区平乐园100号

(72)发明人蒙西段滈杉乔俊飞

(74)专利代理机构北京思海天达知识产权代理有限公司11203

专利代理师刘萍

(51)Int.CI.

GO6F30/27(2020.01)

GO6N3/048(2023.01)

GO6N3/045(2023.01)

G06Q10/04(2023.01)

GO6Q50/26(2024.01)

(56)对比文件

CN

CN

108510534

108510741

A,2018.09.07

A,2018.09.07

审查员吴国庆

权利要求书4页说明书7页附图4页

(54)发明名称

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

(57)摘要

CN114331788B本发明涉及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。首先，通过互信息选择模型的输入变量，建立模块1来预测出水NH4-N;然后，考虑到出水NH4-N和出水TN之间的高度相关性，将模块1中出水NH?-N的预测值与其他易于测量的变量相结合，设计出用于预测出水TN的模块2。此外，为了保证整个基于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-RBF)网络构建，通过节点生长合并策略和二阶学习算法，提高了模型的计算效率和泛化能力。最后，通过实际工业数据评估基于HMN的软测量模型的有效性，本发明有效解决了受环境或仪器的

CN114331788B

模块1

x

CN114331788B权利要求书1/4页

2

1.一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，其特征在于，包括如下步骤：

步骤1:建立级联模块化神经网络；

模块1:模块1由RBF神经网络建立，根据不同的任务处理不同的输入信号，模块1的输入表示为

u=[u?,u?,.…,u](1)

其中{u,42,…ua}={x?,x?…,x},x?,X?,...,x、表示影响出水含氮量的全部辅助变量，这些变量包括：进水PH(PH_in),出水PH(PH_ef),进水固体悬浮物浓度(SS_in),出水固体悬浮物浓度(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(MLSS),生化池溶解氧(D0),进水油类(0il_in),出水油类(0il_ef),进水氨氮(NH4-N_in),出水氨氮(NH4-N_ef),进水色度(Colour_in),出水色度(Colour_ef),进水总氮(TN_in),出水总氮(TN_ef),进水总磷(TP_in),出水总磷(TP_ef),进水水温(T_in),出水水温(T_ef),N表示辅助变量的总个数，u?,U?,...,u表示影响出水氨氮的辅助变量，包括：进水水温(T_in)、出水水温(T_ef)、进水总磷(TP_in)、生物池混合液悬浮固体(MLSS)、进水总氮(TN_in)和进水NH4-N(NH4-N_in),n表示模块1中输入变量个数；之后，基于RBF神经网络建立的模块1的输出表示为：

(2)

其中u表示输入向量，φ(·)表示径向基核函数，exp(·)表示以e为底的指数函数，c;和σ;为模块1中RBF神经网络第j个隐层节点的中心和宽度，w;表示相应的输出权重，J?为RBF神经网络的隐含层节点个数；

模块2:同样，模块2也由RBF神经网络建立，与以往模块化神经网络构造不同的是，模块2的输入除了包括来自外界环境的输入信号之外，还包括模块1的输出，因此，输入层表示为：

r=[2,r,r?…,m