模糊神经网络的出水氨氮软测量系统的设计(附件)
目前在污水处理过程中出水氨氮难以被实时测量，且实验室取样时间较长、精度低。但随着城市污水处理厂自动化技术需求的增长，迫切需要研究出水氨氮浓度的实时检测方法。因此本文提出了基于模糊神经网络的出水氨氮软测量模型研究。首先用灰色关联分析法选出对出水氨氮浓度影响较大的5个辅助变量，然后利用梯度下降法对RBF网络的结构和参数进行优化。将采集到的数据一部分用来建立模型，一部分用来检测模型。检测结果表明，该设计能快速有效的对出水氨氮浓度进行预测。关键词 RBF型模糊神经网络，氨氮，梯度下降，伪在线
目 录
1 绪论 1
1.1 课题研究背景及意义 1
1.2 模糊神经网络基本原理 2
1.3 模糊数学方法 3
2 MATLAB 4
2.1 matlab概述 4
2.2 matlab 优点 5
2.3 matlab发展历程 5
3 企业水环境评价应用 6
3.1 网络初始化 6
3.2 模糊神经网络训练 6
3.3 模糊神经网络企业水环境评价 7
4 梯度下降法算法详解 7
4.1 梯度下降的直观解释 7
4.2 梯度下降的相关概念 8
4.3 梯度下降的详细算法 8
4.4 梯度下降法的代数方式描述 8
4.5 梯度下降法的算法调优 10
5 氨氮软测量设计 11
5.1 氨氮软测量设计组成 11
5.1.1 辅助变量的选择 11
5.1.2 模糊神经网络拓扑结构设计 11
5.1.3 网络结构和学习算法 14
5.1.4 出水氨氮浓度预测 15
6 实验仿真和结果 15
结论 17
致谢 18
参考文献 19
附录 20
1 绪论
1.1 课题研究背景及意义
当今世界，水资源问题已经成为各国政府最关注的议题，《2015 年全球风险报告》一文中这样写道:“供水危机会 *好棒文|www.hbsrm.com +Q: *351916072*
成为未来10年社会风险的核心风险之一”。一旦发生这种情况，全球经济和社会将有极大的可能从根本上遭到破坏。联合国《2014年世界水综合评估报告》也同样指出：水资源短缺将直接导致21世纪全球经济和社会的可持续发展受到严重的制约，并有几率引发国家间的冲突。众所周知，中国是一个严重缺水的国家，人均占有水资源约占世界人均占有量的四分之一。改革开放以来，随着城市化和工业化进程的飞速发展，社会对淡水资源的需求量日益提升，然而却在同时对水环境的破坏也越来越严重。因此，国家中长期发展规划中提出要尽量抑制异常工况的发生，确保污水处理合格、水质达标；研究并推广高效、低能耗的污水处理新技术，所以，本设计具有的应用前景十分广阔。污水的存在大大影响着所谓的“市容”，因此很多城市污水处理厂无视其对于环境的危害，一股脑儿地把它们排放到河流中。如果是未经处理过的话，那么污水中含量极高的氮、磷就将成为导致水体富营养化的罪魁祸首，类似于水藻这样的水生植物会大量繁殖，也就间接产生水华这种生态现象。而中国在污水处理过程中采用的生物脱氮法依靠的主要是硝化和反硝化过程，但废水中氨的浓度很高，又会反过来抑制生物脱氮的过程。所以，现如今国家对于污水处理厂出水水质的要求越来越严格，抑制氮、磷的浓度更是其中不可忽视的一个环节。
目前测定和分析出水氮浓度有各种不同的方法，基本上分为：纳氏试剂法、水滴定法和电极法等一些比较常见实用的方法。目前国内应用范围比较广，用来测定磷的方法主要是离子色谱法和钼酸铵分光光度法这两种。但这两种方法存在的弊端也很明显，测定过程的操作过于繁琐，不适用于大批量测定的项目，并且它们测定的效率也十分低，在成本不变的情况下，它们就显得不划算。普遍存在的一个问题是：一些可用于在线测量数据的传感器价格高昂，不是一般的污水处理厂所能够承受得了的，像一些小型厂家甚至会因此入不敷出，因此它们的应用注定不会普及。为了及时获得出水氮浓度测定的结果，本课题研究出一种以模糊神经网络为基础构建的软测量设计，封装方法以后将之试运行，会发现该测量模型对于氨氮浓度的检测具有精度高、效率高等优点。
1.2 模糊神经网络基本原理
人工智能有两大研究领域，一个是模糊理论依据，还有一个是神经网络技术。人工神经网络是指对人脑结构的思维功能进行模拟构造出的神经系统，它可以像人一样进行自主学习和发散性思维，对专业知识的运用很准确，也无须过多的人工干预。然而有利必有弊，对于本身连人类都无法识别和描述的模糊数据，该系统同样束手无策，无法利用已有的知识解决这些问题，其工作无法进行解释，且对样本有着更高层次的要求，模糊系统比神经网络更容易理解。当前需要解决的问题有两个：如何实现适应学习的能力以及如何自动生成并调整隶属函数规则的能力。如果这两个要素有机结合，它们可以最大限度地发挥有效的互补作用。神经网络和模糊系统是两个方向课题，神经网络则是将它们二者的优点都融合在一起，弥补了模糊数据处理中神经网络的不足以及学习中模糊逻辑的缺陷。它是一个语言设计，逻辑推理，分布式处理和非线性动态过程的系统。模糊神经网络（Fuzzy Neal Network，简称模糊神经网络）是将用模糊神经方面所需逻辑来推理的系统化表达知识的效果与神经网络相对来说更容易进行自我学习的能力相结合的一种新技术，属于神经网络和模糊逻辑推理有机地结合在一起而得出的成果。
三种表现形式主要占据了模糊神经网络，它们分别为:逻辑模糊类神经网络、算术模糊类神经网络以及混合模糊类神经网络。它们说到底就是一种拥有模糊输入特性的神经网络，而且常常用于执行不同的操作。模糊神经网络需要学习和优化权系数作为逼近器或模式记忆，完成这一条件要迈出的第一步就是学习算法，用于改良网络权值。对于逻辑型模糊神经网络而言，它选择的算法只要满足误差允许即可，也就是监控学习算法。若是想对算术模糊神经网络有一个更为深入的了解，首先要完成的就是对模糊BP算法以及遗传算法等多种算法有一个大体上的学习，它们的应用相当普遍。可惜对于混合模糊神经网络而言，当前还没有任何一种算法可以完全适用于它。一般来说，混合模糊神经网络用来计算而不是用来学习，并且暂时不需要研究。
目 录
1 绪论 1
1.1 课题研究背景及意义 1
1.2 模糊神经网络基本原理 2
1.3 模糊数学方法 3
2 MATLAB 4
2.1 matlab概述 4
2.2 matlab 优点 5
2.3 matlab发展历程 5
3 企业水环境评价应用 6
3.1 网络初始化 6
3.2 模糊神经网络训练 6
3.3 模糊神经网络企业水环境评价 7
4 梯度下降法算法详解 7
4.1 梯度下降的直观解释 7
4.2 梯度下降的相关概念 8
4.3 梯度下降的详细算法 8
4.4 梯度下降法的代数方式描述 8
4.5 梯度下降法的算法调优 10
5 氨氮软测量设计 11
5.1 氨氮软测量设计组成 11
5.1.1 辅助变量的选择 11
5.1.2 模糊神经网络拓扑结构设计 11
5.1.3 网络结构和学习算法 14
5.1.4 出水氨氮浓度预测 15
6 实验仿真和结果 15
结论 17
致谢 18
参考文献 19
附录 20
1 绪论
1.1 课题研究背景及意义
当今世界，水资源问题已经成为各国政府最关注的议题，《2015 年全球风险报告》一文中这样写道:“供水危机会 *好棒文|www.hbsrm.com +Q: *351916072*
成为未来10年社会风险的核心风险之一”。一旦发生这种情况，全球经济和社会将有极大的可能从根本上遭到破坏。联合国《2014年世界水综合评估报告》也同样指出：水资源短缺将直接导致21世纪全球经济和社会的可持续发展受到严重的制约，并有几率引发国家间的冲突。众所周知，中国是一个严重缺水的国家，人均占有水资源约占世界人均占有量的四分之一。改革开放以来，随着城市化和工业化进程的飞速发展，社会对淡水资源的需求量日益提升，然而却在同时对水环境的破坏也越来越严重。因此，国家中长期发展规划中提出要尽量抑制异常工况的发生，确保污水处理合格、水质达标；研究并推广高效、低能耗的污水处理新技术，所以，本设计具有的应用前景十分广阔。污水的存在大大影响着所谓的“市容”，因此很多城市污水处理厂无视其对于环境的危害，一股脑儿地把它们排放到河流中。如果是未经处理过的话，那么污水中含量极高的氮、磷就将成为导致水体富营养化的罪魁祸首，类似于水藻这样的水生植物会大量繁殖，也就间接产生水华这种生态现象。而中国在污水处理过程中采用的生物脱氮法依靠的主要是硝化和反硝化过程，但废水中氨的浓度很高，又会反过来抑制生物脱氮的过程。所以，现如今国家对于污水处理厂出水水质的要求越来越严格，抑制氮、磷的浓度更是其中不可忽视的一个环节。
目前测定和分析出水氮浓度有各种不同的方法，基本上分为：纳氏试剂法、水滴定法和电极法等一些比较常见实用的方法。目前国内应用范围比较广，用来测定磷的方法主要是离子色谱法和钼酸铵分光光度法这两种。但这两种方法存在的弊端也很明显，测定过程的操作过于繁琐，不适用于大批量测定的项目，并且它们测定的效率也十分低，在成本不变的情况下，它们就显得不划算。普遍存在的一个问题是：一些可用于在线测量数据的传感器价格高昂，不是一般的污水处理厂所能够承受得了的，像一些小型厂家甚至会因此入不敷出，因此它们的应用注定不会普及。为了及时获得出水氮浓度测定的结果，本课题研究出一种以模糊神经网络为基础构建的软测量设计，封装方法以后将之试运行，会发现该测量模型对于氨氮浓度的检测具有精度高、效率高等优点。
1.2 模糊神经网络基本原理
人工智能有两大研究领域，一个是模糊理论依据，还有一个是神经网络技术。人工神经网络是指对人脑结构的思维功能进行模拟构造出的神经系统，它可以像人一样进行自主学习和发散性思维，对专业知识的运用很准确，也无须过多的人工干预。然而有利必有弊，对于本身连人类都无法识别和描述的模糊数据，该系统同样束手无策，无法利用已有的知识解决这些问题，其工作无法进行解释，且对样本有着更高层次的要求，模糊系统比神经网络更容易理解。当前需要解决的问题有两个：如何实现适应学习的能力以及如何自动生成并调整隶属函数规则的能力。如果这两个要素有机结合，它们可以最大限度地发挥有效的互补作用。神经网络和模糊系统是两个方向课题，神经网络则是将它们二者的优点都融合在一起，弥补了模糊数据处理中神经网络的不足以及学习中模糊逻辑的缺陷。它是一个语言设计，逻辑推理，分布式处理和非线性动态过程的系统。模糊神经网络（Fuzzy Neal Network，简称模糊神经网络）是将用模糊神经方面所需逻辑来推理的系统化表达知识的效果与神经网络相对来说更容易进行自我学习的能力相结合的一种新技术，属于神经网络和模糊逻辑推理有机地结合在一起而得出的成果。
三种表现形式主要占据了模糊神经网络，它们分别为:逻辑模糊类神经网络、算术模糊类神经网络以及混合模糊类神经网络。它们说到底就是一种拥有模糊输入特性的神经网络，而且常常用于执行不同的操作。模糊神经网络需要学习和优化权系数作为逼近器或模式记忆，完成这一条件要迈出的第一步就是学习算法，用于改良网络权值。对于逻辑型模糊神经网络而言，它选择的算法只要满足误差允许即可，也就是监控学习算法。若是想对算术模糊神经网络有一个更为深入的了解，首先要完成的就是对模糊BP算法以及遗传算法等多种算法有一个大体上的学习，它们的应用相当普遍。可惜对于混合模糊神经网络而言，当前还没有任何一种算法可以完全适用于它。一般来说，混合模糊神经网络用来计算而不是用来学习，并且暂时不需要研究。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/1559.html
