一种基于EDDESN的出水NH4-N预测方法

本发明涉及水处理，特别是涉及一种基于eddesn的出水nh4-n预测方法。

背景技术：

1、在污水处理过程中，nh4-n浓度是衡量污水处理工艺(wwtp)性能的一个重要参数，氨氮的超标排放是导致河流呈富营养化，水体发黑发臭的主要原因。为解决这一问题，一些基于化学和生物的实验室检测方法被广泛应用，但这些方法存在检测时间长，易受环境因素影响等问题。

2、另一方面，由于传感器和信息技术的不断发展，污水处理厂可以记录并保存大量的历史数据，因此数据驱动的方法被广泛的应用于出水nh4-n预测。然而由于污水处理过程是一个具有高度非线性、大滞后、大时变等特点的复杂系统，综上，现有技术中对于出水nh4-n预测存在预测精度低、稳定性弱和维护成本高的问题。

技术实现思路

1、为了克服现有技术的不足，本发明的目的是提供一种基于eddesn的出水nh4-n预测方法，本发明解决了现有技术中对于出水nh4-n预测存在预测精度低、稳定性弱和维护成本高的问题。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于eddesn的出水nh4-n预测方法，包括：

4、获取待测数据；

5、将所述待测数据输入训练好的深度回声状态网络，得到预测的nh4-n的浓度；

6、其中，所述深度回声状态网络的构建方法包括：

7、构建原始网络，所述原始网络包括：多个输入变量和储备池；相邻的所述储备池之间加入有pca映射层；

8、对所述原始网络进行初始化设置，得到初始化网络；

9、利用奇异值分解的矩阵生成方法和cso算法对所述初始化网络进行参数优化，得到优化网络；

10、对所述优化网络进行训练和测试，得到训练好的深度回声状态网络。

11、优选地，所述输入变量包括：

12、温度、氧化还原电位、溶解氧浓度、总悬浮物含量、ph值、出水总磷和进水总磷。

13、优选地，所述初始化设置包括：

14、原始网络参数设置和原始网络结构设置。

15、优选地，所述原始网络结构设置包括：

16、利用主成分分析法将所有所述输入变量转化为5个输入节点；

17、根据输入节点和出水nh4-n浓度，确定原始网络结构。

18、优选地，所述原始网络参数设置包括：

19、利用tanh函数作为神经元的激活函数，对所述原始网络参数进行初始化设置。

20、优选地，所述利用奇异值分解的矩阵生成方法和cso算法对所述初始化网络进行参数优化，得到优化网络包括：

21、利用奇异值分解的矩阵生成方法构建所述初始化网络的输入权重矩阵和储备池权重；

22、根据所述初始化网络的输入权重矩阵、储备池权重和延迟因子确定决策变量；

23、基于所述cso算法，根据决策变量对所述初始化网络进行优化，得到优化网络。

24、优选地，所述利用奇异值分解的矩阵生成方法构建所述初始化网络的输入权重矩阵包括：

25、构建第一奇异值；

26、根据所述第一奇异值构建第一对角矩阵；

27、根据所述第一对角矩阵构建随机矩阵；

28、根据所述随机矩阵生成两个正交矩阵；

29、根据所述两个正交矩阵得到所述初始化网络的输入权重矩阵。

30、优选地，所述利用奇异值分解的矩阵生成方法构建所述初始化网络的储备池权重包括：

31、构建第二奇异值；

32、根据所述第二奇异值构建第二对角矩阵；

33、根据所述第二对角矩阵随机生成两个旋转矩阵；

34、根据所述两个旋转矩阵构建所述初始化网络的储备池权重。

35、优选地，所述基于所述cso算法，根据决策变量对所述初始化网络进行优化，得到优化网络包括：

36、将所述决策变量划分为结构相关超参数和权重相关变量；

37、基于所述cso算法，将预测精度作为目标函数，并根据所述结构相关超参数和随机生成的权重变量进行优化，得到第一最优参数；

38、基于所述cso算法，将预测精度作为目标函数，并根据所述权重相关变量和所述第一最优参数进行优化，得到第二最优参数；

39、根据所述第一最优参数和所述第二最优参数对所述初始化网络的参数进行优化，得到所述优化网络。

40、根据本发明提供的具体实施例，本发明公开了以下技术效果：

41、本发明提供了一种基于eddesn的出水nh4-n预测方法，本发明通过向网络中加入pca映射层和延迟因子，构建深度回声状态网络，并利用svdmds-cso算法优化网络中的参数，得到训练好的深度回声状态网络，利用其网络对污水处理过程中的氨氮浓度进行预测，提升了预测的精度和稳定性，降低了预测结果得误差和维护成本。

技术特征：

1.一种基于eddesn的出水nh4-n预测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于eddesn的出水nh4-n预测方法，其特征在于，所述输入变量包括：

3.根据权利要求2所述的一种基于eddesn的出水nh4-n预测方法，其特征在于，所述初始化设置包括：

4.根据权利要求3所述的一种基于eddesn的出水nh4-n预测方法，其特征在于，所述原始网络结构设置包括：

5.根据权利要求3所述的一种基于eddesn的出水nh4-n预测方法，其特征在于，所述原始网络参数设置包括：

6.根据权利要求1所述的一种基于eddesn的出水nh4-n预测方法，其特征在于，所述利用奇异值分解的矩阵生成方法和cso算法对所述初始化网络进行参数优化，得到优化网络包括：

7.根据权利要求6所述的一种基于eddesn的出水nh4-n预测方法，其特征在于，所述利用奇异值分解的矩阵生成方法构建所述初始化网络的输入权重矩阵包括：

8.根据权利要求6所述的一种基于eddesn的出水nh4-n预测方法，其特征在于，所述利用奇异值分解的矩阵生成方法构建所述初始化网络的储备池权重包括：

9.根据权利要求6所述的一种基于eddesn的出水nh4-n预测方法，其特征在于，所述基于所述cso算法，根据决策变量对所述初始化网络进行优化，得到优化网络包括：

技术总结
本发明提供了一种基于EDDESN的出水NH<subgt;4</subgt;‑N预测方法，包括：获取待测数据；将待测数据输入训练好的深度回声状态网络，得到预测的NH<subgt;4</subgt;‑N的浓度；其中，深度回声状态网络的构建方法包括：构建原始网络，原始网络包括：多个输入变量和储备池；相邻的储备池之间加入有PCA映射层；对原始网络进行初始化设置，得到初始化网络；利用奇异值分解的矩阵生成方法和CSO算法对初始化网络进行参数优化，得到优化网络；对优化网络进行训练和测试，得到训练好的深度回声状态网络。本发明解决了现有技术中对于出水NH<subgt;4</subgt;‑N预测存在预测精度低、稳定性弱和维护成本高的问题。

技术研发人员：杨翠丽,杨晟,乔俊飞
受保护的技术使用者：北京工业大学
技术研发日：
技术公布日：2024/1/13