(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111000126.5 (22)申请日 2021.08.26 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 韩红桂　焦政　任坤　伍小龙　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 代理人 刘萍 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01) B01D 65/10(2006.01) G06Q 10/04(2012.01) (54)发明名称 一种基于级连神经网络的膜污染多指标辨 识方法 (57)摘要 本发明提出了一种基于级连神经网络的膜 污染多指标辨识方法， 其特征在于， 该方法考虑 不相关输入变量对输出指标的干扰， 基于级 连结 构可以避免不相关变量对输出的影 响， 并通过分 层学习算法调整级连神经网络的参数， 实现膜污 染多指标的预测， 解决了膜污染多指标预测精度 不能满足要求的问题， 具有较高的预测精度和辨 识效果。 权利要求书4页 说明书8页 附图3页 CN 114139434 A 2022.03.04 CN 114139434 A 1.一种基于级连神经网络的膜污染多指标辨识方法， 其特 征在于， 包括以下步骤： (1)确定膜污染多指标辨识模型的输入与输出变量 以膜生物反应器污水处理过程为研究对象， 对污水处理过程变量进行特征分析， 选取 与膜透水率、 膜孔半径和膜寿命相关的过程变量作为辨识模型的输入： 产水压力、 产水流 量、 好氧区硝酸盐、 缺氧区氧化还原电位、 曝气量、 跨膜压差、 浊度、 电导率、 总有机碳、 硫酸 盐、 产水流量、 累积氯接触值、 出水化学需氧量、 出水总磷、 出水总氮； 输入变量x(t)按公式 (1)归一化至[0,1]， x(t)＝(A(t) ‑Amin)/(Amax‑Amin)                       (1) 其中A(t)为输入变量t时刻的实际值， Amin为输入变量的最小值， Amax为输入变量的最大 值； 辨识模型的输出为膜透水率、 膜孔半径和膜寿命； 输出变量y(t)按公式(2)归一化至 [0,1]， y(t)＝(B(t) ‑Bmin)/(Bmax‑Bmin)                     (2) 其中B(t)为输出变量t时刻的实际值， Bmin为输出变量的最小值， Bmax为输出变量的最大 值； (2)建立基于级连神经网络的多变量智能辨识模型 多变量智能辨识模型的拓扑结构包含三个子网络， 每个子网络共三层： 输入层、 隐含层 和输出层； 智能辨识模型中各层的数 学描述如下： 子网络1:输入层： 该层有5个节点， 该输入层的输出值表示 为 其中 是输入层第i个神经元的输出值， 是第i个输入值， 表示产水流量(m3/ h)， 表示产水压力(kPa)， 表示好氧区硝酸盐(mg/l)， 表示缺氧区氧化还原电 位(mV)， 表示曝气量(m3/h)； 隐藏层： 该层有4个节点， 输出为 其中θ1(t)是隐藏层的输出， 它的维度为1 ×4， 输入向量x1 (t)表示为 W1(t)是连接输入层和隐藏层的权重矩阵， 在 区间(0,1]中随机取值， 它的维度为5 ×4； 输出层： 该层有1个节点， 输出值 为 其中 是子网络1的输出， 输出值为膜透水率(LHM/bar)， v1(t)是连接隐藏层和输出 层的权重向量， 它的维度为 4×1， 在区间(0,1]中随机取值； 子网络2:输入层： 该层有6个节点， 该输入层的输出值表示 为 其中 是输入层第k个神经元的输出值， 是第i个输入值, 表示权　利　要　求　书 1/4 页 2 CN 114139434 A 2跨膜压差(kPa)， 表示浊度(NTU)， 表示电导率( μs/cm)， 表示总有机 碳(mg/l)， 表示硫酸盐(mg/l)； 隐藏层： 该层有5个节点； 输出为 其中θ2(t)是隐藏层的输出， 它的维度为1 ×5， 输入 向量x2(t)表示为 W2(t)是连接输入层和隐藏层的 权重矩阵， 它的维度为6 ×5， 在区间(0,1]中随机取值； 输出层： 该层有1个节点， 输出值 为 其中 是子网络2的输出， 输出值为膜孔半径(nm)， v2(t)是连接隐藏层和输出层的权 重向量,它的维度为5 ×1， 在区间(0,1]中随机取值； 子网络3:输入层： 该层有8个节点， 该输入层的输出值表示 为 其中 是输入层第 j个神经元的输出值， 是输入层第 j个输入值,且 即 前一部分输出的膜孔半径值， 表示累积氯接触值(ppm ·h)， 表示出水化学需氧量 (mg/l)， 表示出水总磷(mg/l)， 表示出水总氮(mg/l)， 表示产水流量(mg/l)， 表示膜透水率(LH M/bar)， 表示跨膜压差(kPa)； 隐藏层： 该层有7个节点； 输出为 其中θ3(t)是隐藏层的输出， 它的维度 为1×7， 输入向量X3(t)表示为 W3(t)是 连接输入层和隐藏层的权 重矩阵， 在区间(0,1]中随机取值， 它的维度为8 ×7； 输出层： 该层有1个节点， 输出值 为 其中 是级连神经网络中子网络3的输 出， 输出值为膜寿命(mouths)， v3(t)是连接隐 藏层和输出层的权 重向量,它的维度为7 ×1， 在区间(0,1]中随机取值； (3)利用分层学习算法调整 多变量辨识模型的参数 ①级连神经网络的参数初始化： N表示迭代的次数， 取值 为500， 时刻t初始值 为1； ②确定级连神经网络的损失函数J(t)， 级连神经网络的损失函数如下： 其中h＝1,2,3,Jh(t)表示级连神 经网络第h个部分的损失函数， yh(t)和 分别是级权　利　要　求　书 2/4 页 3 CN 114139434 A 3