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,很难求得全局极小点邻域。由于误差函数存在很多局部极小点,因此,程序必须具有能够随机改变网络初始连接权值的功能。可根据下列公式修改权值和阀值[1]：
a:利用输出层各单元的一般化误差 与中间层各单元的输出bj 来修正连接权值 vjt和阈值yi [2] 。
t=1,2…,q j=1,2…,P, 0 b:利用中间层各单元的一般化误差ekj ，输入层各单元的输入Pk=(a1,a2,...,an) 来修正连接权值 wij和阀值 。
i=1,2…,q j=1,2…,P, 0< <1
2.试验数据预处理
本文数据选取了河北承德某污水处理厂的150组数据（表1给出了部分实验数据），为提高网络的学习速度和泛化能力,首先对输入数据进行随机排序,这样有利于网络获得更好的泛化能力,也可以有效避免网络陷入局部最小值的危险。
表1 部分实验数据
由于输入样本的数据相对比较分散，不利于误差的调整，同时可能引起各层之间权值和阈值的饱和。所以为了提高预测模型的精度和训练速度，我们首先对数据进行标准化处理，使输入数据归一到[0.1，0.9]范围内。对数据进行归一化方法有很多，在本文中通过下列公式来对数据进行处理：
Lmin为所有输入样本中的最小值，Lmax为所有输入样本中的最大值，经过这样换算以后，网络的输入值接近于正态分布。
4.仿真结果分析
本文数据选取了150组数据，其中134组作为训练网络的样本数据，为了验证网络的有效性将剩余的16组作为网络模型的检测数据，分析实际值和模型预测值的拟合度。
图1 COD的误差变化曲线
（1）通过图1可以得出，虽然BP网络在迭代次数较少时，误差较大，但模型经过6500次循环之后，网络误差趋于平稳。虽然训练速度是比较慢的，但是训练结束时网络均方误差为0.00999982，达到了预先的设定值。经过多次试验发现，所构建网络的整体性能是比较稳定的，网络最小误差都能达到设定值0.01。
图2 COD的实际输出值和预测输出值
图3 网络的误差曲线
（2）通过图2可以看到，我们运用训练成熟的神经网络对16组未学习过的数据进行了检测，输出曲线显示模型的预测值和实际值拟合度还是比较理想的, 另外通过图3，我们可以看到相对误差在3%以内，说明该BP网络模型良好的非线性逼近能力和泛化能力。所以综上所述，神经网络经过学习后所建立起来的BP网络是比较成功的，基于BP神经网络的污水处理模型是有效、可行的。
四、小结
对于高度非线性、工作机理不是很清楚的污水处理过程进行建模,采用适用于非线性、黑箱系统建模的神经网络技术,理论上能取得较好的效果, 可以很方便地利用已经建立的神经网络模型,实现对出水水质的预测,具有较高的研究价值和较好的实践意义。
参考文献
[1] 葛哲学,孙志强.神经网络理论与MATLABR2007实现[M].电子工业出版社
[2] 董长虹. MATLAB神经网络与应用 [M].国防工业出版社
[3] 楼文高,刘遂庆.基于神经网络的活性污泥系统建模及其控制[J]. 环境污染治理技术与设备，2006,(8)
[4] 崔玉理.基于神经网络的污水处理过程建模及仿真的研究[J].山东科技大学硕士论文.
作者简介：迟明杰 男 山东轻工业学院在读硕士，研究方向：智能检测及仪器
联系方式：电话13969159761 邮箱 qymingjie@sina.com
|
