和聲改進RBF神經網絡在污水出水COD軟測量中的應用

李晉賢+李少甫+李洪

摘 要 針對污水處理過程中出水COD傳統檢測技術的滯后性，不能及時反饋污水出水水質COD指標，本文了采用一種基于軟測量技術的方法。本文充分利用和聲算法的全局逼近能力和RBF神經網絡的非線性映射能力等優勢，將兩者結合起來，組成在功能上更完善的和聲改進RBF神經網絡，并以此建模，實現對出水水質難測指標COD進行檢測。

【關鍵詞】和聲算法 RBF 軟測量 COD

1 引言

目前，傳統的測量COD的方法為回流滴定法，但該方法存在測定時間長、成本高、運行不安全等缺點。近年來，軟測量技術逐漸興起。軟測量技術主要由輔助變量的選擇、數據采集與于處理、軟測量模型幾部分組成。其基本思想是把自動控制原理與生產過程有機地結合起來，運用計算機技術，預先選擇其他一些較容易測量的變量，通過數學建模來推斷或者估計難以測量的重要變量，以達到實現過程控制的目的。

2 出水COD軟測量模型的建立

軟測量建模有兩種方式：機理建模和辨識建模。從理論上講，機理模型是最最精確的模型，但它要求對被測對象的內部特性完全了解。但由于污水處理過程中的復雜性使得研究者難以通過機理模型方式進行精確建模。辨識建模，將對象看作個黑箱，通過輸入輸出數據建立與過程外特性等價的模型，這種方法上午優點在于，不需要研究對象的內部規律，只需要獲得足夠多的數據，即可建立對象的軟測量模型。

2.1 RBF神經網絡

1988年，Moody和Darken共同提出了徑向基函數（RBF）神經網絡。徑向基神經網絡具有收斂速度塊、較強的輸入和輸出特性、唯一最佳逼近且無局部極小問題存在的特點，使得它非常適合于非線性系統的建模。RBF是一種三層前向網絡。第一層為輸入層，由各輸入信號源節點組成。第二層為隱含層，該層單元數量根據描述的問題再具體確定。第三層為輸出層，它對輸入模式的作用做出響應。RBF神經網絡結構如圖1所示。

2.2 和聲搜索算法改進RBF神經網絡

以RBF神經網絡為基礎，利用和聲搜索算法通用性好，全局搜索能力和魯棒性強的特點，優化RBF網絡隱含層的數據中心和擴展常數。具體改進HS-RBF算法如下：

2.2.1 Step1 初始化參數

和聲算法初始化的參數主要有和聲庫大小（Harmony memory Size，HMS），記憶庫取值概率（Harmony memory considering rate， HMCR），微調概率（Pitch adjusting rate， PAR），音調微調帶寬 bw，創作的次數 Tmax。HMS的大小影響著全局尋優的能力，一般來說，HMS越大，全局尋優能力也就越強，但相應地會加大計算量，影響全局尋優的速度。

2.2.2 Step2初始化和聲庫和尋求目標函數

隨機產生m個優化問題的初始解放入和聲記憶庫HM中，每個解中的每個參數對應RBF網絡隱含層的數據中心和擴展常數。

2.2.3 Step3更新和聲記憶庫

判斷新解是否優于HM和聲庫內的最差解，若是，則最差解將被新解替換，從何得到新的和聲記憶庫。

2.2.4 Step4 終止循環條件

重復Step3、Step4，直到達到最大的迭代次數或滿足停止準則后結束循環，輸出最優解。本文采用設定最大迭代次數來結束迭代過程。

3 軟測量模型仿真與分析

本文基于綿陽某污水處理廠的出水數據。鑒于該污水處理廠采用的氧化溝污水處理工藝，原始輔助變量采用對處理過程產生影響同時易于監測的出水參數如下，日處理水量、氨氮NH3-N、濁度SS、總磷TP、總氮TN、氧化溝污泥濃度、污泥沉降比、污泥指數。本文采集到的原始水質數據共150組，100組用于訓練，50組用于驗證。對于8組易測量進行PCA降維處理，把歸一化和標準化處理后的數據按累計方差貢獻率不小于90%的原則來進行主元選取，將原來的8維輸入變量降到了5維，提高了神經網絡的運算速度。PCA主元分析法去除了原輸出變量間的線性相關性，降低了輸入維數。下面用HS來訓練RBF神經網絡。按照上節說明的具體算法設計，在matlabR2016a平臺上編程實現，根據文獻[7]經驗設計，HS參數設置為：HMS=5，HMCR=0.9，PAR=0.3，bw=0.01，最大迭代次數為1000次。RBF神經網絡隱含層數據中心的數量為10。

從仿真結果可以看出，經和聲算法優化后的RBF神經網絡表現出了比標準RBF神經網絡更好的性能。圖2為100組訓練樣本出水COD的仿真結果，模型訓練的網絡輸出值與污水廠實際采集值的對比說明該模型具有較高的擬合精度；圖3為50組預測樣本出水COD的仿真結果，預測模型的輸出較好地反映出污水處理過程中出水COD的含量。造成誤差的主要原因是樣本數量不足以及實際采集過程中的測試誤差，通過采集更多的樣本可以更好地減小誤差。從仿真結果可以看出，經和聲算法優化后的RBF神經網絡表現出了比標準RBF神經網絡更好的性能，該模型具有較好的泛化能力和較高的軟測量精度。

4 結論

本文提出的基于和聲算法改進的RBF神經網絡污水出水COD模型具有較好的預測能力。充分利用和聲搜索算法的全局搜索能力的特點，對RBF網絡的隱含層參數進行動態調整，建立污水處理出水水質預測模型，取得了較好的效果。仿真結果分析表明，該模型具有很好的預測精度和泛化能力。

參考文獻

[1]姜達勝.水質COD測定中問題淺析[J].中國科技博覽，2013：586-586.

[2]張弼澤，臧春華，郭小萍.軟測量技術的發展及應用[J].科技信息，2012（07）.

[3]潘崢嶸.王群.基于模糊神經網絡的COD軟測量技術的研究[J].計算機測量與控制，2011.19（07）.

[4]曹鵬飛.羅雄麒.化工過程軟測量建模方法研究進展[J].化工學報，2013（03）.

[5]李明河.許俊杰.基于神經網絡的污水處理軟測量模型研究應用[J].工業控制計算.2012，25（06）.

[6]雍龍泉.和聲搜索算法研究進展[J].計算機系統應用，2011，20（07）：244-248.

[7]安愛民.祁麗春.丑永新.張浩琛.宋厚彬.基于神經網絡的溶解氧濃度軟測量方法研究[J].計算機與應用化學，2016.33（01）.