污水处理中BP神经网络与Elman神经网络的预测比较 4页

控制理论与应用自动化技术与应用》2014年第33卷第10期ControlTheoryandApplications污水处理中BP神经网络与EIman神经网络的预测比较关学忠．宋韬略t．徐延海2．刘扬(1．东北石油大学电气信息工程学院，黑龙江大庆163318；2．辽宁大唐国际阜新煤制天然气有限责任公司，辽宁阜新123000)摘要：以活性污泥污水处理过程为背景，介绍并比较了BP神经网络与Elman神经网络对于污水处理输出化学需氧量(COD)~9预测。实验结果表明，Elman神经网络训练时间要比BP神经网络训练时间长，但是Elman神经网络预测的精确度要比BP神经网络预测的精确度高，Elman神经网络能够更好的预测污水处理的进程。关键词：污水处理；BP卒I}经网络；Ehnan神经网络中分类号：TP183文献标识码：A文章编号：1003—7241(2014)10—0001—04ComparisonofPredictionOnBPNeUraINetworksandElmanNeuralNetworksinWastewaterTrealmentGUANXue。zhong，SoNGTao—he，XUYan-hai，LIUYang‘(1．ElectricalandInformationEngineeringCollege，NortheastPetroleumUniversity，Daqing163318China；2．LiaoningDatangInternationalFuxinCoalGasCo．，Ltd．，Fuxin123000China)Abstl’act：ThiSpapcl’takesactivatedsludgeW1．I．stcwaIel’treatmentpi‘OCeSSaSthebackgl‘ound．inn‘oducesandcompa’esthepi‘ediction01’ChemicalOxygenDemand(COD)onBPneul‘alnetworksandElII11．111neui‘alnetworksinwastewatm’lrcatn3ellt．Expel‘imentalresuhsshowthatthetl’ainingtimeofEhnanneuralnetwol’ksislongerthanBPneuralIIOtWOI’ks．buttheprecisit)noI‘EImanneuralnetworksishighel’thanBPletll‘alnetworks．ElmanIqeUl‘alnetworksCallpl’edictwastcwatertieatl!lCltpl’ocessbette~’．Keywords：W'．IS[C＼Va[CI’treatment：BPneurallet；vol‘ks：elmanneuralNet,a，orks1引言术工艺，抗干扰能力强，处理范围广，处理速度快，成本虽然我国淡水资源比较丰富，总量位居世界第六相对较低，目前已成为我国应用最多的污水处理方法【81。位，但是我国人口众多人均水量仅为世界平均水平的化学需氧量(COD)是污水处理的重要指标之一，曝气池l／4，属于严重缺水的国家之一⋯。随着我国经济的快污水中的悬浮固体浓度(MLSS)、进水COD、水的PH值、速发展，水污染问题日趋严重，使得我国水资源形势更溶解氧(DO)含量以及总磷(TP)含量是与之紧密相关的相加严峻。关变量【9】。本文将采用MLSS、进水COD、PH、DO、TP近年来，国内众多学者将BP和Elman神经网络预作为输入量，出水COD作为输出量，分别采用BP神经测应用到污水处理过程中，取得了一定的成果。_2l1网络和Elman神经网络对同一组污水处理数据进行训活性污泥法作为主要的二级污水生物化学处理技练和预测，对比分析两种方法的优劣。收稿日期：2013—12—162神经网络\n《自动化技术与应用2014年第33卷第10期控$1J理论与应用ControlTheoryandApplications2．18P神经阑络节，简化Elman神经网络结构如图2所示。误差反向传播(errorbackpropagation)的思想最输入层隐藏层输出层早由Bryson等人与1969年提出，l974年Werbos在哈佛大学的博士论文也是研究误差反向传播，Parker于1985年发表的技术报告也论述了误差反向传播，直到1986年Rumelhart及其研究小组在Nature杂志上发表其研究成果时反向传播网络和反向传播算法才得到人们的关注【ml。反向传播(BackPropagation，BP)学习图1简化BP神经网络结构算法简称BP算法，采用BP算法的前馈型神经网络简称BP网络。输入层隐藏层~latN-从功能划分，BP神经网络基本可以分为输入层、输出层以及隐含层组成，其中隐含层至少具有一层结构，信号由输入节点进入神经网络，经过一至多层的隐含层，并由输出层的输出节点传出。BP两层网络多输入单输出前向传播如图1所示。BP算法主要由两部分组成：信息的正向传递与反向传播。在正向传播过程中输入信息经过隐含层逐层图2简化Elman神经网络结构计算传向层输出，每一层的神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则Elman神经网络相对于BP神经网络多了一个关联计算输出层的误差变化值，然后转向方向传播，通过网层，关联层单元用来记忆隐含层单元前一时刻的输出络将误差信号沿原来的链接通路反向回来修改各层神值，它从隐含层接受反馈信号，相当于一步延时算子，应经元的权值直至达到期望目标。用于当前时刻的计算。当隐层神经元足够多时，ElmanBP算法信息正向传递过程中隐含层第i个神经元网络的这种结构可以保证网络以任意精度逼近任意的的输出为：非线性函数。厂，、Elman网络的数学模型为：以li=fll、、~wl0pj+bll'(i：1，2，⋯’r)，=‘x(k)=f(WU(k-1)+Wx。(k))(1)其中，wlij为输入层第j个神经元到隐含层第i个神x。(k)=X(k-1)+a球x。(k-1)(2)经元的权值，为输入层第j个输入量，bli为隐含层第y(k)=g(WX(k))(3)i个神经元的偏置。其中，u(k—1)为输入层节点的输入，x(k)为隐含输出层第k个神经元的输出为：层节点的输出，y(k)为输出节点的输出，x(k)为反厂1、馈状态向量，w、w、W分别为输入层到隐含层、承a2厂2I∑w2~al+b2l'(k2，⋯'S1)i=1／／接层到隐含层以及隐含层到输出层的连接权值，g()为输其中，w2舡为隐含层第i个神经元到输出层第k个出神经元的传递函数，f()为隐含层神经元的传递函数，神经元的权值，b2k为输出层第k个神经元的偏置。常采用s函数；a为自反馈增益。BP神经网络有着自身的优点和缺点，各国专家学者递归神经网络算法上具有复杂性和多样性，使得网也对BP神经网络展开了许多改进研究，在此不作赘述。络输出状态的运行轨迹存在着稳定性问题，只要满足2．2Elman$~经网络’Elman网络的学>-j速率11满足0<11<_二_即可保证Elman是一种典型的动态递归神经网络，Elman网gmax络由若干个隐层和输出层构成，并且在隐层存在反馈环Elman网络的稳定。\n控制理论与应用《自动化技术与应用》2014年第33卷第10期3ControlTheoryandApplications比．Elman神经5网●6v络^j的ev6●t．0．O本神茹文以析改进后的BP神经网络和Elman神经网络对某污水经处理厂的曝气池中150组数据进行学习预测，数网据包括MLSS、进水COD、PH、DO、TP、出水COD，将络前l30组数据作为训练对象，后20组数据作为预测比较。与P~form’ceis00O4701∞Ga60005、＼I＼、。图5BP网络训练及预测仿真曲线024e81012正函画丑幢呻图3BP网络训练结果●_●●_f●●●020柏团80100120140__-_‘一-图6Elman网络训练及预测仿真曲线为了更直观的对比，给出了连续5组预测值与实际图4Elman网络训练结果输出数据及误差百分比，如表l所示。将BP网络与Eiman网络训练精度设置为同一值0．005，图3和图4分别为BP网络和Elman训练结果。由4结束语图可知，两种训练方式都达到了预设的精度，BP网络训本文以BP神经网络预测与Elman神经网络预测在练要比Elman网络训练用时少。污水处理中的应用为背景，对污水处理过程中的部分数BP网络训练及预测仿真曲线如图5所示，Elman网据进行仿真预测。经过实验仿真发现：BP网络的训练络训练及预测仿真曲线如图6所示，图形显示了网络训时间要比Elman网络训练时间短，Elman网络预测比BP练曲线和网络预测曲线，由BP网络预测和Elman网络网络预测精度更高。由于污水处理对于时间的要求不预测曲线对比可知Elman网络预测比BP网络预测更逼高，相比之下，Elman神经网络能够提供更精确的预测，近于实际的输出曲线。(下转第25页)\nT业控制与应用《自动化技术与应用》2014年第33卷第10期~dustryControlandApplications5．垫≯I-C-，：-：控-1*B-系统在规则波下的仿真实验．哈尔滨工程大学20l3．【6】骆海民，张洪雨，兰波．气垫船操纵运动建模与仿真⋯．本节针对一级规则海浪的情况，对设计的垫升压力船舶．2009(4)：1—8控制器，进行仿真验证。气垫船的初始航速为10m／s，航[7】付明玉，张洪雨，施小成．气垫船操纵性能理论分析⋯．向0度，垂向初始位置为1．52m；一级规则波参数：波高中国造船2006(3)：卜60．15m，波长2．04m，仿真结果如图5所示。[8]HEBERTTSIRA—RAMiREZ．DynamicSecond—OrderS~dingModeControloftheHovercrafVessel[J1．IEEETrans根据和图6可以看出，在规则波浪的作用下，本文actionsOnControlSystemsTechnology，2002，10(6)：860865．提出的垫升压力控制算法能够很好地对垫升压力进行[9】B．PORTENS，A．H．JONES．Genetictuningofdigital控制，使其震荡幅值明显地减少，从而达到了减少全垫PIDContro1．ElectronicsLetters[J]．1992．28(9)：834844．升气垫船升沉加速度的目的，使得垂向的位置震荡受到[10]G．BENI，wANG，J．SwarmIntelligenceinCellular良好的控制效果。RoboticSystems[J】．Proceed．NATOAdvancedWorkshoDonRobotsandBiologicalSystems．1989．(6)：2630．1llIDERVISKARABOGA．Artificialbeecolony芍贫；甜：algorithm[J】．Scholarpedia．2010．5(3)：l5-69．【1】郭值学．高性能船的发展与前景之管见(一)．中国造船．【12】LIANGYUN．Theory&DesighofAirCushion2001，42(4)：73—82Craft．ButterworthHeinemann，2000：112一l20．[2l胡妍妍．气垫船特有操纵装置在航向控制中的应用研究．[131AmeKristianDah1．AnalysisofshipMotionHigh哈尔滨工程大学硕士学位论文【D】．201l：卜16．—SpeedPentamaranFe~ry．2001．No．601900．02．[3]李宁．气垫船航行控制特性的非线性分析方法研究．哈尔滨工程大学硕士学位论文[D】．2011：6一l8．【4]李舂文，冯元琨．多变量非线性控制的逆系统方法IN】．北京：清华大学出版社．1991．作者简介：刘伟，本科，学士学位，工程师，研究方向：航海专【5]刘振业．全垫升气垫船安全航行自抗扰控制策略研究[D】业。(上接第3页)表1BP预测及Elman预测与实际COD输出对比(mcl／L)实际输出BP预测输出1El鼬n预测毒出BP误整(nElrrLan谡整44．4O43．27143．542．55卫．94毒6．4945．31l45．482．52．1743．234342I43．890441．53472O46．O5l4了．3了2．44O．36451746．92l46．173．872．2卫更适合于污水处理的模型预测。处理水质参数软测量⋯．东南大学学报，2006，增刊(I)一l19—5．[7】殷实．浅谈活性污泥在废水处理中的应用[J1．环境研究与监测，2010，52(3)：20-22．参考文献：【81赵恩海，朱文亭．我国污水处理发展趋势[【J1．城市环境与[1]张翔．基于模糊PID控制的SBR污水处理系统[D】．武汉：城市生态，2000，13(4)：39—41．武汉科技大学，2009．【9】史忠植．神经网络IN]．高等教育出版社，2009．【2】王瑞．基于遗传优化BP神经网络的污水处理水质预测[10]张德丰．MATLA踯申经网络编程【M】．化学工业出版社，研究【DJ．广州．华南理工大学，20112．20l1．[3]张燕聪，万金泉，马邕文．BP神经网络预测废水处理过程的研究⋯．自动控制，2006，(2)：0060-03．[4】徐哲，邬玲懿，杨成忠等．基于BP神经网络的城市污水泵站预测模型[J]．控制工程，2010(4)：0501-03。[5】聂勋科．基于神经网络的污水出水COD预测模型【J]．重庆工学院学报，2008(8)：0156—06．作者简介：关学忠(1962一)，男，教授，研究方向：基于神经网[6】杨马英，周芳芹，李军．基于Elman神经网络的城市污水络的控制及故障诊断技术