一种基于动态前馈神经网络的生化需氧量在线软测量方法
阅读：1006发布：2020-11-05
专利汇可以提供一种基于动态前馈神经网络的生化需氧量在线软测量方法专利检索，专利查询，专利分析的服务。并且本 发明 一种基于动态 前馈神经网络 的 生化需 氧 量 在线软测量方法，通过设计用于污 水 曝气池 生化需氧量软测量的动态前馈神经网络拓扑结构，确定动态前馈神经网络的输入样本，并对输入样本进行在线归一化处理；采用标准化后的数据训练神经网络，计算神经网络中与隐 节点 相连的所有权连接值在每次训练过程中的变化情况，判断该隐节点的活跃性，对活跃度较大的隐节点进行分裂；通过计算隐节点在训练过程中绝对输出的变化情况，判断该隐节点学习信息的能 力 ，删除没有学习能力的隐节点；对神经网络参数进行调整；动态前馈神经网络训练过程结束后，确定曝气池出水生化需氧量BOD；本发明具有实时性好、 稳定性 好、 精度 高、神经网络的泛化能力强的优点。，下面是一种基于动态前馈神经网络的生化需氧量在线软测量方法专利的具体信息内容。
1.一种基于动态前馈神经网络的生化需氧量在线软测量方法，其特征在于：包括以下步骤：
步骤1、设计用于污水曝气池生化需氧量软测量的动态前馈神经网络拓扑结构；其中，网络分为三层：输入层、隐含层和输出层；所述的输入层为污水曝气池进水水质指标，所述的输出层为出水生化需氧量BOD；
步骤1-1、初始化神经网络结构：确定神经网络结构为l-1-1的连接方式，即输入层神经元为l个，在网络开始训练的时刻，隐含层的神经元为1个，输出层神经元1个；
T
步骤1-2、对神经网络的权值进行随机赋值；神经网络的输入表示为x=(x1,x2,…,xl)，T
其中(x1,x2，…,xl) 为(x1,x2,…,xl)的转置，神经网络的期望输出表示为yd；k时刻的训T
练样本为x(k)=(x1(k),x2(k),…，xl(k)) ；
假设k时刻动态动态前馈神经网络的隐含层中有m个隐节点，则用k时刻的训练样本训练神经网络时，动态前馈神经网络的输出描述为：
其中，m表示k时刻当前动态前馈神经网络中隐含层中的神经元数；
xi(k)表示k时刻第i个输入节点的输入，其等于k时刻中x(k)=(x1(k),x2(k),…T
,xl(k)) 的第i个分量；
vji表示k时刻第j个隐节点与第i个输入节点之间的权连接值；
wj(k)表示k时刻第j个隐节点与输出节点之间的权连接值；
表示k时刻动态前馈神经网络中隐含层中第j个隐节点的输出，且有
所述的隐节点输出f(·)的函数表达式为：
步骤1-3、定义误差函数为：
其中，M为训练样本总数；
y(k)和yd(k)分别表示k时刻神经网络的实际输出和期望输出；步骤2、确定动态前馈神经网络的输入样本，并对输入样本进行在线归一化处理；步骤2-1、确定动态前馈神经网络的输入样本，包括曝气池进水溶解氧浓度DO、化学需氧量COD、悬浮物SS浓度和曝气池PH值；输出为曝气池出水生化需氧量BOD；
步骤2-2、对动态前馈神经网络的输入样本进行在线归一化处理；
设k时刻的输入样本和输出样本对为：
z(k)=(x1(k),x2(k),x3(k),x4(k),x5(k))（4）
其中，x1(k),x2(k),x3(k),x4(k)表示输入样本在k时刻的值，作为k时刻神经网络的输入；
x5(k)表示k时刻表示曝气池出水生化需氧量的目标值，作为k时刻神经网络的期望输出；
在线递归法对输入输出数据进行标准化方法如下：
j＝[1,5]，k＝2,3,4，… （5）
其中，zj(k)表示k时刻z(k)中的第j个分量；
表示k时刻第j个分量的平均值；
δj(k)表示k时刻第j个分量之间的标准差；
Zj(k)表示标准化之后的k时刻第j个分量；
通过在线递归计算 和
δj(1)=0（7）
步骤3、采用标准化后的数据训练神经网络，计算神经网络中与隐节点相连的所有权连接值在每次训练过程中的变化情况，判断该隐节点的活跃性，对活跃度较大的隐节点进行分裂；通过计算隐节点在训练过程中绝对输出的变化情况，判断该隐节点学习信息的能力，删除没有学习能力的隐节点；对神经网络参数进行调整；
步骤4、动态前馈神经网络训练过程结束后，确定曝气池出水生化需氧量BOD；
将测试样本数据按照公式（5）、（6）（7）进行标准化处理，标准化处理后的测试样本数据作为训练好的神经网络的输入样本，神经网络的输出按照公式（8）进行反标准化处理：
反标准化后的值即为出水BOD的软测量结果。
2.根据权利要求1所述的基于动态前馈神经网络的生化需氧量在线软测量方法，其特征在于：步骤3所述的采用标准化后的数据训练神经网络，包括以下步骤：
步骤3-1、采用标准化后的输入样本对网络进行训练，计算神经网络训练k时刻的输入数据时第j个隐节点的活跃度Afj(k)：
其中，△vji(k)表示第j个隐节点与第i个输入节点的权连接值在训练第k个输入数据时的变化情况；
△wj(k)表示第j个隐节点与输出节点的权连接值在训练第k个输入数据时的变化情况；
表示网络训练第k个输入数据时，与第j个隐节点相连的所有权连
接值变化的绝对值；
表示网络训练第k个输入数据时，整个网络权连接值变化的
绝对值；
步骤3-2、判断第j个隐节点的活跃度Afj(k)与活跃度阈值Afo的大小，其中Afo∈[0.01,0.2]；若Afj(k)大于活跃度阀值Afo，则执行步骤3-3；若Afj(k)小于活跃度阀值Afo，则执行步骤3-4；
步骤3-3、将第j个隐节点分裂成j1和j2两个隐节点，调整网络结构，设定新分裂的隐节点初始参数：
其中， 和 分别表示k时刻新分裂的第j1和j2两个隐节点与第i个输入节点之间的权连接值；
和 分别表示k时刻新分裂的第j1和j2两个隐节点与输出节点之间的权连
接值；
μ表示：变异因子，其取值范围为0~1；
步骤3-4、计算隐节点当前时刻对信息的学习能力，假设神经网络训练了Nd步，其中Nd是一个计数器，其值是5到10之间的整数，若计数器计到设定值，则执行步骤3-5；若计数器未计到设定值，则执行步骤3-6；
步骤3-5、设定Nd=0，重新开始计数并计算第j个隐节点在训练Nd个输入数据时的平均变化量Avj(k)：
其中，hj(i)和hj(i-1)分别表示第j个隐节点在i时刻的输出；
步骤3-6、判断第j个隐节点的学习能力Avj(k)与学习能力阈值Avo的大小，其中Avo∈[0.01,0.05]；若Avj(k)小于给定的学习能力阈值Avo，则执行步骤3-7；若大于给定的阀值Avo，则执行步骤3-8；
步骤3-7、删除第j个隐节点，在隐含层中找出与第j个隐节点相邻的隐节点p，并对隐节点p与输出节点之间的权连接值进行调整：
其中，wp(k)表示没有删除第j个隐节点之前的第p个隐节点与输出节点的连接权值；
w′p(k)表示删除第j个隐节点之后的第p个隐节点与输出节点的连接权值；
hj(k)和hj-1(k)表示第j个隐节点在k和k-1时刻的输出；
wj(k)表示被删除的第j个隐节点在k时刻与输出节点之间的权连接值；步骤3-8、采集下一时刻的输入数据，返回执行步骤3-1。
一种基于动态前馈神经网络的生化需氧量在线软测量方法
技术领域
背景技术
[0002] 国务院在《中华人民共和国国民经济和社会发展第十二个五年规划纲要》中提出了城市污水处理率达到85%的总体目标，并对污水处理行业提出了提高污水处理率、污水
排放标准等要求。这些要求在“质”和“量”的方面对污水处理行业提出了更高的要求。但目前我国污水处理厂的实际运行状况并不乐观。据环保部门统计，运行负荷不足、出水水质超标或运行异常的污水处理厂约占50%。因此国家中长期科技发展规划中明确提出要抑制
异常工况发生，确保污水处理质量达标；研究并推广高效、低能耗的污水处理新技术。因此，本发明的研究成果具有广阔的应用背景。
排放标准等要求。这些要求在“质”和“量”的方面对污水处理行业提出了更高的要求。但目前我国污水处理厂的实际运行状况并不乐观。据环保部门统计，运行负荷不足、出水水质超标或运行异常的污水处理厂约占50%。因此国家中长期科技发展规划中明确提出要抑制
异常工况发生，确保污水处理质量达标；研究并推广高效、低能耗的污水处理新技术。因此，本发明的研究成果具有广阔的应用背景。
[0003] 污水处理过程是一个典型的非线性时变系统，其关键的生化反应阶段涉及复杂微生物反应过程。由于测量技术的局限，污水处理过程中的一些重要参数是无法或很难进行
在线测量（生化需氧量BOD、如氨氮NH3-N、化学需氧量COD等）。这些参数对于出水指标的控制、过程的优化及故障的诊断起着重要的作用，是污水处理中必须监测的变量。其中水质参数BOD是指在规定时间内分解单位有机物所需要的氧量，目前污水处理厂多通过使用稀
释接种法、微生物传感器快速测定法测定不同类型水中生化需氧量BOD，其BOD分析测试定
周期一般为5天，不能及时反映污水处理实际情况，不能实现对BOD实时测量，直接导致污
水处理过程难以实现闭环控制。另外，污水中污染物的数量多、含量各异，对检测是一大挑战。研制新型硬件形式的过程测量仪表，虽然可以直接解决各种污水处理过程中变量及水
质参数检测问题，但由于污水中有机物非常复杂，研制这些传感器将是一个耗时费力的工
程。因此，研究新的测量方法解决过程参数的实时测量问题，已经成为污水控制工程领域研究的重要课题，并具有重要的现实意义。
在线测量（生化需氧量BOD、如氨氮NH3-N、化学需氧量COD等）。这些参数对于出水指标的控制、过程的优化及故障的诊断起着重要的作用，是污水处理中必须监测的变量。其中水质参数BOD是指在规定时间内分解单位有机物所需要的氧量，目前污水处理厂多通过使用稀
释接种法、微生物传感器快速测定法测定不同类型水中生化需氧量BOD，其BOD分析测试定
周期一般为5天，不能及时反映污水处理实际情况，不能实现对BOD实时测量，直接导致污
水处理过程难以实现闭环控制。另外，污水中污染物的数量多、含量各异，对检测是一大挑战。研制新型硬件形式的过程测量仪表，虽然可以直接解决各种污水处理过程中变量及水
质参数检测问题，但由于污水中有机物非常复杂，研制这些传感器将是一个耗时费力的工
程。因此，研究新的测量方法解决过程参数的实时测量问题，已经成为污水控制工程领域研究的重要课题，并具有重要的现实意义。
发明内容
[0005] 一种基于动态前馈神经网络的生化需氧量在线软测量方法，包括以下步骤：
[0006] 步骤1、设计用于污水曝气池生化需氧量软测量的动态前馈神经网络拓扑结构；其中，网络分为三层：输入层、隐含层和输出层；所述的输入层为污水曝气池进水水质指
标，所述的输出层为出水生化需氧量BOD；
标，所述的输出层为出水生化需氧量BOD；
[0007] 步骤1-1、初始化神经网络结构：确定神经网络结构为l-1-1的连接方式，即输入层神经元为l个，在网络开始训练的时刻，隐含层的神经元为1个，输出层神经元1个；
[0008] 步骤1-2、对神经网络的权值进行随机赋值；神经网络的输入表示为x=(x1,x2,…T T
,xl)，其中(x1,x2，…,xl) 为(x1,x2,…,xl)的转置，神经网络的期望输出表示为yd；k时T
刻的训练样本为x(k)=(x1(k),x2(k),…，xl(k)) ；
,xl)，其中(x1,x2，…,xl) 为(x1,x2,…,xl)的转置，神经网络的期望输出表示为yd；k时T
刻的训练样本为x(k)=(x1(k),x2(k),…，xl(k)) ；
[0009] 假设k时刻动态动态前馈神经网络的隐含层中有m个隐节点，则用k时刻的训练样本训练神经网络时，动态前馈神经网络的输出描述为：
[0010]
[0011] 其中，m表示k时刻当前动态前馈神经网络中隐含层中的神经元数；
[0012] xi(k)表示k时刻第i个输入节点的输入，其等于k时刻中x(k)=(x1(k),x2(k),…T
,xl(k)) 的第i个分量；
,xl(k)) 的第i个分量；
[0013] vji表示k时刻第j个隐节点与第i个输入节点之间的权连接值；
[0014] wj(k)表示k时刻第j个隐节点与输出节点之间的权连接值；
[0015] 表示k时刻动态前馈神经网络中隐含层中第j个隐节点的输出，且有
[0016] 所述的隐节点输出f(·)的函数表达式为：
[0017]
[0018] 步骤1-3、定义误差函数为：
[0019]
[0020] 其中，M为训练样本总数；
[0021] y(k)和yd(k)分别表示k时刻神经网络的实际输出和期望输出；
[0022] 步骤2、确定动态前馈神经网络的输入样本，并对输入样本进行在线归一化处理；
[0023] 步骤2-1、确定动态前馈神经网络的输入样本，包括曝气池进水溶解氧浓度DO、化学需氧量COD、悬浮物SS浓度和曝气池PH值；输出为曝气池出水生化需氧量BOD；
[0024] 步骤2-2、对动态前馈神经网络的输入样本进行在线归一化处理；
[0025] 设k时刻的输入样本和输出样本对为：
[0026] z(k)=(x1(k)，x2(k),x3(k),x4(k),x5(k)) （4）
[0027] 其中，x1(k),x2(k),x3(k),x4(k)表示输入样本在k时刻的值，作为k时刻神经网络的输入；
[0028] x5(k)表示k时刻表示曝气池出水生化需氧量的目标值，作为k时刻神经网络的期望输出；
[0029] 在线递归法对输入输出数据进行标准化方法如下：
[0030] j=[1,5]，k＝2,3,4，… （5）
[0031] 其中，zj(k)表示k时刻z(k)中的第j个分量；
[0032] 表示k时刻第j个分量的平均值；
[0033] δj(k)表示k时刻第j个分量之间的标准差；
[0034] Zj(k)表示标准化之后的k时刻第j个分量；
[0035] 通过在线递归计算 和
[0036]
[0037] δj(1)=0（7）
[0038] 步骤3、采用标准化后的数据训练神经网络，计算神经网络中与隐节点相连的所有权连接值在每次训练过程中的变化情况，判断该隐节点的活跃性，对活跃度较大的隐节点进行分裂；通过计算隐节点在训练过程中绝对输出的变化情况，判断该隐节点学习信息的
能力，删除没有学习能力的隐节点；对神经网络参数进行调整；
能力，删除没有学习能力的隐节点；对神经网络参数进行调整；
[0039] 步骤4、动态前馈神经网络训练过程结束后，确定曝气池出水生化需氧量BOD；
[0040] 将测试样本数据按照公式（5）、（6）（7）进行标准化处理，标准化处理后的测试样本数据作为训练好的神经网络的输入样本，神经网络的输出按照公式（8）进行反标准化处理：
[0041]
[0042] 反标准化后的值即为出水BOD的软测量结果。
[0043] 步骤3所述的采用标准化后的数据训练神经网络，包括以下步骤：
[0044] 步骤3-1、采用标准化后的输入样本对网络进行训练，计算神经网络训练k时刻的输入数据时第j个隐节点的活跃度Afj(k)：
[0045]
[0046] 其中，△vji(k)表示第j个隐节点与第i个输入节点的权连接值在训练第k个输入数据时的变化情况；
[0047] △wj(k)表示第j个隐节点与输出节点的权连接值在训练第k个输入数据时的变化情况；
[0048] 表示网络训练第k个输入数据时，与第j个隐节点相连的所有权连接值变化的绝对值；
[0049] 表示网络训练第k个输入数据时，整个网络权连接值变化的绝对值；
[0050] 步骤3-2、判断第j个隐节点的活跃度Afj(k)与活跃度阈值Afo的大小，其中Afo∈[0.01,0.2]；若Afj(k)大于活跃度阀值Afo，则执行步骤3-3；若Afj(k)小于活跃度
阀值Afo，则执行步骤3-4；
阀值Afo，则执行步骤3-4；
[0051] 步骤3-3、将第j个隐节点分裂成j1和j2两个隐节点，调整网络结构，设定新分裂的隐节点初始参数：
[0052]
[0053]
[0054] 其中， 和 分别表示k时刻新分裂的第j1和j2两个隐节点与第i个输入节点之间的权连接值；
[0055] 和 分别表示k时刻新分裂的第j1和j2两个隐节点与输出节点之间的权连接值；
[0056] μ表示：变异因子，其取值范围为0~1；
[0057] 步骤3-4、计算隐节点当前时刻对信息的学习能力，假设神经网络训练了Nd步，其中Nd是一个计数器，其值是5到10之间的整数，若计数器计到设定值，则执行步骤3-5；若计数器未计到设定值，则执行步骤3-6；
[0058] 步骤3-5、设定Nd=0，重新开始计数并计算第j个隐节点在训练Nd个输入数据时的平均变化量Avj(k)：
[0059]
[0060] 其中，hj(i)和hj(i-1)分别表示第j个隐节点在i时刻的输出；
[0061] 步骤3-6、判断第j个隐节点的学习能力Avj(k)与学习能力阈值Avo的大小，其中Avo∈[0.01,0.05]；若Avj(k)小于给定的学习能力阈值Avo，则执行步骤3-7；若大于给定
的阀值Avo，则执行步骤3-8；
的阀值Avo，则执行步骤3-8；
[0062] 步骤3-7、删除第j个隐节点，在隐含层中找出与第j个隐节点相邻的隐节点p，并对隐节点p与输出节点之间的权连接值进行调整：
[0063]
[0064] 其中，wp(k)表示没有删除第j个隐节点之前的第p个隐节点与输出节点的连接权值；
[0065] w′p(k)表示删除第j个隐节点之后的第p个隐节点与输出节点的连接权值；
[0066] hj(k)和hj-1(k)表示第j个隐节点在k和k-1时刻的输出；
[0067] wj(k)表示被删除的第j个隐节点在k时刻与输出节点之间的权连接值；
[0068] 步骤3-8、采集下一时刻的输入数据，返回执行步骤3-1。
[0069] 本发明优点：
[0070] 1、本发明根据前馈神经网络可以逼近任意非线性映射的特点，采用了动态前馈神经网络实现辅助变量与生化需氧量BOD之间的映射，对生化需氧量BOD进行在线软测量，具有实时性好、稳定性好、精度高等特点，省去了研制传感器的复杂过程以及降低运行成本；
[0071] 2、本发明依据前馈神经网络隐节点的活跃度及信息学习能力的强弱实现前馈神经网络结构的在线自适应调整，不但能够增加隐节点以保证网络的学习能力，同时还能够
删除网络中没有学习能力的隐节点以保证网络的泛化性能，解决了前馈神经网络结构难以
确定的问题；
删除网络中没有学习能力的隐节点以保证网络的泛化性能，解决了前馈神经网络结构难以
确定的问题；
[0073] 图1为本发明一种实施例的软测量神经网络拓扑结构图；
[0074] 图2为本发明一种实施整体工作流程图；
[0075] 图3为本发明一种实施例步骤工作3流程图；
[0076] 图4为本发明一种实施例的隐节点分裂操作图；
[0077] 图5为本发明一种实施例动态前馈神经网络训练过程中，神经网络隐节点数动态变化图；
[0078] 图6为本发明一种实施例的拟合结果图；
[0079] 图7为本发明一种实施例的软测量结果图；
[0080] 表1～12为本发明一种实施例实验数据；
[0081] 其中，表1～4为训练样本；表5为BOD实测值；表6为神经网络拟合值；表7～10为测试样本；表11为BOD实测值；表12为软测量值。
具体实施方式
[0082] 下面结合附图对本发明实施例做进一步说明。
[0083] 本发明选取进行软测量BOD的辅助变量为DO、SS、PH、COD，其中DO是曝气池进水水质中溶解氧浓度，SS是曝气池进水水质中固体悬浮物浓度，PH是曝气池进水水质的酸碱
度，COD是曝气池进水水质中被氧化的物质在被化学氧化剂氧化时所需要的氧量，除PH没
有单位外，其它辅助变量的单位均为毫克/升；
度，COD是曝气池进水水质中被氧化的物质在被化学氧化剂氧化时所需要的氧量，除PH没
有单位外，其它辅助变量的单位均为毫克/升；
[0084] 本发明实施例采用某污水处理厂2010年水质分析数据，全部实验数据样本为200组：其中100组数据作为训练数据，其余100组数据作为测试数据，实验数据如表1～6和表
7～11所示；图1为BOD动态前馈神经网络软测量模型，其输入分别是DO、SS、PH和COD。
7～11所示；图1为BOD动态前馈神经网络软测量模型，其输入分别是DO、SS、PH和COD。
[0085] 一种基于动态前馈神经网络的生化需氧量在线软测量方法，如图2所示，包括以下步骤：
[0086] 步骤1、设计用于污水曝气池生化需氧量软测量的动态前馈神经网络拓扑结构；其中，网络分为三层：输入层、隐含层和输出层；所述的输入层为污水曝气池进水水质指
标，所述的输出层为出水生化需氧量BOD；
标，所述的输出层为出水生化需氧量BOD；
[0087] 步骤1-1、初始化神经网络结构：确定神经网络结构为4-1-1的连接方式，即输入层神经元为4个，在网络开始训练的时刻，隐含层的神经元为1个，输出层神经元1个；
[0088] 步骤1-2、对神经网络的权值进行随机赋值；
[0089] 本发明实施例中，对神经网络的权值进行随机赋值，其值为0到1的随机数。其中，隐节点与输入节点的连接权值为：v11=0.12，v12=0.26，v13=0.39，v14=0.08；隐节点与输出节点的连接权值为：w1=0.26；输入分别为DO、SS、PH、COD，输出为BOD的值；
[0090] 神经网络的输入表示为x=(x1,x2,…,xl)T，其中(x1,x2，…,xl)T为(x1,x2,…,xl)的转置，神经网络的期望输出表示为yd；k时刻的训练样本为x(k)=(x1(k),x2(k),…,xl(k))T；
[0091] 假设k时刻动态动态前馈神经网络的隐含层中有m个隐节点，则用k时刻的训练样本训练神经网络时，动态前馈神经网络的输出描述为：
[0092]
[0093] 其中，m表示k时刻当前动态前馈神经网络中隐含层中的神经元数；
[0094] xi(k)表示k时刻第i个输入节点的输入，其等于k时刻中x(k)=(x1(k),x2(k),…T
,xl(k)) 的第i个分量；
,xl(k)) 的第i个分量；
[0095] vji表示k时刻第j个隐节点与第i个输入节点之间的权连接值；
[0096] wj(k)表示k时刻第j个隐节点与输出节点之间的权连接值；
[0097] 表示k时刻动态前馈神经网络中隐含层中第j个隐节点的输出，且有
[0098] 所述的隐节点输出f(·)的函数表达式为：
[0099]
[0100] 本 发 明 实 施 例 中，从 表 1 ～ 4 读 取 k 时 刻（k=1） 的 输 入 数(1.9541,31.7294,6.7620,70.2258)，从表5读取k时刻（k=1）的实测BOD输出为7.5948，
将k时刻的输入输出数据组成输入输出数据对为（1.9541,31.7294,6.7620,7.5948,70.22
58,7.5948），用公式（5）、（6）、（7）对该数据进行标准化处理，结果为（0.0522,-0.3513,0.1
049,1.1439,0.0236），其中神经网络的输入数据为（0.0522,-0.3513,0.1049,1.1439）；
将k时刻的输入输出数据组成输入输出数据对为（1.9541,31.7294,6.7620,7.5948,70.22
58,7.5948），用公式（5）、（6）、（7）对该数据进行标准化处理，结果为（0.0522,-0.3513,0.1
049,1.1439,0.0236），其中神经网络的输入数据为（0.0522,-0.3513,0.1049,1.1439）；
[0101] 步骤1-3、定义误差函数为：
[0102]
[0103] 其中，M为训练样本总数；
[0104] y(k)和yd(k)分别表示k时刻神经网络的实际输出和期望输出；
[0105] 训练动态前馈神经网络的目的就是使得式（3）定义的误差函数达到期望值。本发明实施例中，神经网络的期望输出数据为0.0236；
[0106] 步骤2、确定动态前馈神经网络的输入样本，并对输入样本进行在线归一化处理；
[0107] 步骤2-1、确定动态前馈神经网络的输入样本，包括曝气池进水溶解氧浓度DO、化学需氧量COD、悬浮物SS浓度和曝气池PH值；输出为曝气池出水生化需氧量BOD；
[0108] 步骤2-2、对动态前馈神经网络的输入样本进行在线归一化处理；
[0109] 设k时刻的输入样本和输出样本对为：
[0110] z(k)=(x1(k),x2(k),x3(k),x4(k),x5(k)) （4）
[0111] 其中，x1(k),x2(k),x3(k),x4(k)表示输入样本在k时刻的值，作为k时刻神经网络的输入；
[0112] x5(k)表示k时刻表示曝气池出水生化需氧量的目标值，作为k时刻神经网络的期望输出；
[0113] 在线递归法对输入输出数据进行标准化方法如下：
[0114] j=[1,5]，k＝2,3,4，… （5）
[0115] 其中，zj(k)表示k时刻z(k)中的第j个分量；
[0116] 表示k时刻第j个分量的平均值；
[0117] δj(k)表示k时刻第j个分量之间的标准差；
[0118] Zj(k)表示标准化之后的k时刻第j个分量；
[0119] 通过在线递归计算 和
[0120]
[0121] δj(1)=0 （7）
[0122] 步骤3、采用标准化后的数据训练神经网络，计算神经网络中与隐节点相连的所有权连接值在每次训练过程中的变化情况，判断该隐节点的活跃性，对活跃度较大的隐节点进行分裂；通过计算隐节点在训练过程中绝对输出的变化情况，判断该隐节点学习信息的
能力，删除没有学习能力的隐节点；对神经网络参数进行调整；
能力，删除没有学习能力的隐节点；对神经网络参数进行调整；
[0123] 步骤3所述的采用标准化后的数据训练神经网络，如图3所示，包括以下步骤：
[0124] 设定时刻计数器k=1；设定神经神经网络训练步长计数器Nd=0，Nd=Nd+1；从表1～5读取k时刻的输入输出数据并进行标准化处理；
[0125] 步骤3-1、采用标准化后的输入样本对网络进行训练，计算神经网络训练k时刻的输入数据时第j个隐节点的活跃度Afj(k)：
[0126]
[0127] 其中，△vji(k)表示第j个隐节点与第i个输入节点的权连接值在训练第k个输入数据时的变化情况；
[0128] △wj(k)表示第j个隐节点与输出节点的权连接值在训练第k个输入数据时的变化情况；
[0129] 表示网络训练第k个输入数据时，与第j个隐节点相连的所有权连接值变化的绝对值；
[0130] 表示网络训练第k个输入数据时，整个网络权连接值变化的绝对值；
[0131] 步骤3-2、判断第j个隐节点的活跃度Afj(k)与活跃度阈值Afo的大小，其中Afo∈[0.01,0.2]；若Afj(k)大于活跃度阀值Afo，则执行步骤3-3；若Afj(k)小于活跃度
阀值Afo，则执行步骤3-4；
阀值Afo，则执行步骤3-4；
[0132] 步骤3-3、将第j个隐节点分裂成j1和j2两个隐节点，调整网络结构，设定新分裂的隐节点初始参数：
[0133]
[0134]
[0135] 其中， 和 分别表示k时刻新分裂的第j1和j2两个隐节点与第i个输入节点之间的权连接值；
[0136] 和 分别表示k时刻新分裂的第j1和j2两个隐节点与输出节点之间的权连接值；
[0137] μ表示：变异因子，其取值范围为0~1；
[0138] 本发明实施例中，根据公式（9）计算得到神经网络中隐节点1（当k=1时，神经网络中只有一个隐节点）的活跃性为1，大于活跃性阀值Afo，因此分裂该隐节点，隐节点1分裂成3个，分裂后隐含层隐节点数为3个，被分裂的隐节点的与输入和输出节点的之间的连接权值不变，其它2个分裂出来的隐节点（如图4中编号为2和3），根据公式（10）设定新隐节点与输入输出节点之间的权连接值：
[0139] v21(1)=0.3095，v22(1)=0.0071，v23(1)=0.1052，v24(1)=0.3636，w2(1)=0.7325；
[0140] v31(1)=0.3095，v32(1)=0.0071，v33(1)=0.1052，v34(1)=0.3636，w3(1)=0.4832；
[0141] 没有参与分裂的隐节点与输入输出节点之间的连接权值不调整，图4描述了k=1时刻隐节点分裂及新分裂隐节点权连接值的调整过程；
[0142] 步骤3-4、计算隐节点当前时刻对信息的学习能力，假设神经网络训练了Nd步，其中Nd是一个计数器，其值是5到10之间的整数，若计数器计到设定值，则执行步骤3-5；若计数器未计到设定值，则执行步骤3-6；
[0143] 步骤3-5、设定Nd=0，重新开始计数并计算第j个隐节点在训练Nd个输入数据时的平均变化量Avj(k)：
[0144]
[0145] 其中，hj(i)和hj(i-1)分别表示第j个隐节点在i时刻的输出；
[0146] 步骤3-6、判断第j个隐节点的学习能力Avj(k)与学习能力阈值Avo的大小，其中Avo∈[0.01,0.05]；若Avj(k)小于给定的学习能力阈值Avo，则执行步骤3-7；若大于给定
的阀值Avo，则执行步骤3-8；
的阀值Avo，则执行步骤3-8；
[0147] 本发明实施例中，神经网络训练步长计数器Nd=5，则根据公式（11）计算神经网络中隐层隐节点对信息的学习能力，如图5所示，在k=25时刻，此时神经网络隐层中共有
9个隐节点，通过计算得到每个隐节点在训练前Nd个输入数据期间，每个隐节点输出的平
均变化量为0.1258，0.2536，0.0037，0.0931，0.0425，0.1876，0.2032，0.1210，0.8406；其中第3个隐节点在训练前Nd个输入数据样本时的平均变化量为0.0037小于给定的阀值
Avo=0.025，该情况表明，在当前网络结构中，隐层中的第3个隐节点已经失去了其学习能
力，因此应该把该隐节点删除，以降低动态前馈神经网络结构的冗余度提高泛化性能。神经网络训练步长计数器归零，即重新赋值Nd=0；
9个隐节点，通过计算得到每个隐节点在训练前Nd个输入数据期间，每个隐节点输出的平
均变化量为0.1258，0.2536，0.0037，0.0931，0.0425，0.1876，0.2032，0.1210，0.8406；其中第3个隐节点在训练前Nd个输入数据样本时的平均变化量为0.0037小于给定的阀值
Avo=0.025，该情况表明，在当前网络结构中，隐层中的第3个隐节点已经失去了其学习能
力，因此应该把该隐节点删除，以降低动态前馈神经网络结构的冗余度提高泛化性能。神经网络训练步长计数器归零，即重新赋值Nd=0；
[0148] 步骤3-7、删除第j个隐节点，在隐含层中找出与第j个隐节点相邻的隐节点p，并对隐节点p与输出节点之间的权连接值进行调整：
[0149]
[0150] 其中，wp(k)表示没有删除第j个隐节点之前的第p个隐节点与输出节点的连接权值；
[0151] w′p(k)表示删除第j个隐节点之后的第p个隐节点与输出节点的连接权值；
[0152] hj(k)和hj-1(k)表示第j个隐节点在k和k-1时刻的输出；
[0153] wj(k)表示被删除的第j个隐节点在k时刻与输出节点之间的权连接值；
[0154] 本发明实施例中，将第3个隐节点删除后，与其相邻的第4个隐节点与输出节点的权连接值根据公式（12）重新调整，以补偿因为删除第3个隐节点而给网络输出带来的误差，经过计算，第4个隐节点与输出节点之间的权连接值调整为w4(25)=0.6508。
[0155] 步骤3-8、采集下一时刻的输入数据，返回执行步骤3-1。
[0156] 步骤4、动态前馈神经网络训练过程结束后，确定曝气池出水生化需氧量BOD；
[0157] 将测试样本数据按照公式（5）、（6）（7）进行标准化处理，标准化处理后的测试样本数据作为训练好的神经网络的输入样本，神经网络的输出按照公式（8）进行反标准化处理，
[0158]
[0159] 反标准化后的值即为出水BOD的软测量结果。
[0160] 图6所示为本发明一种实施例的拟合结果图，其中实线为BOD实测值，虚线为BOD拟合值，从该图可以看出，在动态前馈神经网络训练的初始阶段，拟合精度较差，但很快动态前馈神经网络就能有效跟踪实时工况。
[0161] 图7所示为本发明一种实施例的软测量结果图，其中实线为BOD实测值，虚线为BOD软测量值，从该图可以看出，训练结束后的动态前馈神经网络模型能够准确预测污水处理过程中出水BOD值。另外，从表12的软测量结果中也可以看出，整个预测平均误差小于
0.2%，证明该动态前馈神经网络预测模型是有效的。
0.2%，证明该动态前馈神经网络预测模型是有效的。
[0162] 附表如下：
[0163] 表1.辅助变量DO的输入值（mg/L）
[0164]1.9541 1.6338 1.8020 2.5560 2.2337 1.6684 1.7158 1.4167 1.4775 1.9388
2.0152 2.1321 2.5365 2.2055 2.4790 2.0291 2.2764 1.6890 1.7395 1.8550
1.9731 1.6234 1.8810 2.4713 2.2909 1.6424 1.7317 1.4553 1.4574 1.9356
2.0824 2.1278 2.5527 2.2847 2.4659 2.0393 2.2808 1.6262 1.7755 1.8083
1.9084 1.6998 1.8538 2.4575 2.2539 1.6230 1.7678 1.4215 1.4529 1.9964
2.0745 2.1776 2.5332 2.2156 2.4656 2.0219 2.2335 1.6993 1.7398 1.8613
1.9482 1.6065 1.8362 2.4042 2.2759 1.6324 1.7712 1.4328 1.4305 1.9932
2.0221 2.1517 2.5909 2.2734 2.4846 2.0719 2.2560 1.6173 1.7543 1.8125
1.9469 1.6346 1.8592 2.4180 2.2281 1.6031 1.7469 1.4675 1.4894 1.9389
2.0577 2.1906 2.5401 2.2529 2.4304 2.0300 2.2361 1.6965 1.7931 1.8680[0165] 表2.辅助变量SS的输入值（mg/L）
2.0152 2.1321 2.5365 2.2055 2.4790 2.0291 2.2764 1.6890 1.7395 1.8550
1.9731 1.6234 1.8810 2.4713 2.2909 1.6424 1.7317 1.4553 1.4574 1.9356
2.0824 2.1278 2.5527 2.2847 2.4659 2.0393 2.2808 1.6262 1.7755 1.8083
1.9084 1.6998 1.8538 2.4575 2.2539 1.6230 1.7678 1.4215 1.4529 1.9964
2.0745 2.1776 2.5332 2.2156 2.4656 2.0219 2.2335 1.6993 1.7398 1.8613
1.9482 1.6065 1.8362 2.4042 2.2759 1.6324 1.7712 1.4328 1.4305 1.9932
2.0221 2.1517 2.5909 2.2734 2.4846 2.0719 2.2560 1.6173 1.7543 1.8125
1.9469 1.6346 1.8592 2.4180 2.2281 1.6031 1.7469 1.4675 1.4894 1.9389
2.0577 2.1906 2.5401 2.2529 2.4304 2.0300 2.2361 1.6965 1.7931 1.8680[0165] 表2.辅助变量SS的输入值（mg/L）
[0166]31.7294 34.0757 43.7868 40.4359 29.9468 32.0563 31.1585 28.5108 27.8176 30.2448
36.0470 33.0463 30.7447 42.7390 28.8568 27.1335 38.8185 36.1256 32.7802 33.5811
31.0348 33.6532 44.1212 40.0154 29.5430 31.9190 31.2991 28.7317 27.6447 29.9009
36.2803 33.1397 30.2417 42.9539 28.2665 27.0820 39.3921 36.4561 32.5752 33.5598
31.2173 33.3479 44.2027 40.9448 29.9909 32.2393 30.9877 28.9001 27.3692 29.5612
36.3530 33.3721 30.3510 43.0632 28.5718 27.0260 38.6899 35.6233 32.1839 33.7400
31.2314 34.2106 43.4818 40.2638 29.6455 31.8861 31.5193 28.5797 27.5499 29.5950
35.6067 33.7119 30.0046 43.3249 28.9873 27.8187 38.5344 35.8998 32.2599 34.3001
31.2505 33.3838 43.5290 40.9133 29.6525 32.5758 31.1883 28.9961 27.0782 29.8927
35.6622 33.5443 30.3112 43.0785 28.3356 27.5520 38.7130 361540 32.6892 34.2482[0167]
36.0470 33.0463 30.7447 42.7390 28.8568 27.1335 38.8185 36.1256 32.7802 33.5811
31.0348 33.6532 44.1212 40.0154 29.5430 31.9190 31.2991 28.7317 27.6447 29.9009
36.2803 33.1397 30.2417 42.9539 28.2665 27.0820 39.3921 36.4561 32.5752 33.5598
31.2173 33.3479 44.2027 40.9448 29.9909 32.2393 30.9877 28.9001 27.3692 29.5612
36.3530 33.3721 30.3510 43.0632 28.5718 27.0260 38.6899 35.6233 32.1839 33.7400
31.2314 34.2106 43.4818 40.2638 29.6455 31.8861 31.5193 28.5797 27.5499 29.5950
35.6067 33.7119 30.0046 43.3249 28.9873 27.8187 38.5344 35.8998 32.2599 34.3001
31.2505 33.3838 43.5290 40.9133 29.6525 32.5758 31.1883 28.9961 27.0782 29.8927
35.6622 33.5443 30.3112 43.0785 28.3356 27.5520 38.7130 361540 32.6892 34.2482[0167]
[0168] 表3.辅助变量PH的输入值
[0169]6.7620 6.5743 6.4709 7.7121 7.3046 6.0943 5.9226 6.0486 6.5586 6.3683
6.7812 7.0740 6.7729 7.7327 6.4161 5.0783 7.2815 7.5021 7.3965 6.0499
7.0159 7.1191 7.0585 7.6197 7.4395 6.0698 5.7496 6.0972 6.3553 5.9368
7.0012 6.8173 6.5495 7.3604 6.9694 5.6573 7.5228 6.8463 7.7573 5.3166
7.4449 6.7836 6.5858 7.4540 7.2008 5.4959 6.1398 6.2015 5.7077 6.4277
6.0869 6.3959 7.3674 7.2151 6.9738 5.6502 7.4510 6.8751 7.5061 51627
7.4177 7.0264 7.2448 7.0571 7.7051 6.0055 5.9073 6.1238 6.2227 6.2113
6.8877 6.9914 6.5516 7.1651 7.1801 5.6987 7.4670 7.3543 7.2689 5.5129
7.0112 6.9415 6.2741 7.3441 7.1341 5.6657 5.8402 5.4818 6.6093 6.4104
7.0348 6.6459 7.3787 7.9318 6.6634 5.9972 7.2194 6.9975 7.2398 6.0087[0170] 表4.辅助变量COD的输入值（mg/L）
6.7812 7.0740 6.7729 7.7327 6.4161 5.0783 7.2815 7.5021 7.3965 6.0499
7.0159 7.1191 7.0585 7.6197 7.4395 6.0698 5.7496 6.0972 6.3553 5.9368
7.0012 6.8173 6.5495 7.3604 6.9694 5.6573 7.5228 6.8463 7.7573 5.3166
7.4449 6.7836 6.5858 7.4540 7.2008 5.4959 6.1398 6.2015 5.7077 6.4277
6.0869 6.3959 7.3674 7.2151 6.9738 5.6502 7.4510 6.8751 7.5061 51627
7.4177 7.0264 7.2448 7.0571 7.7051 6.0055 5.9073 6.1238 6.2227 6.2113
6.8877 6.9914 6.5516 7.1651 7.1801 5.6987 7.4670 7.3543 7.2689 5.5129
7.0112 6.9415 6.2741 7.3441 7.1341 5.6657 5.8402 5.4818 6.6093 6.4104
7.0348 6.6459 7.3787 7.9318 6.6634 5.9972 7.2194 6.9975 7.2398 6.0087[0170] 表4.辅助变量COD的输入值（mg/L）
[0171]70.2258 31.0550 61.7408 59.7793 24.4341 44.3889 57.1688 61.9694 23.5118 56.8370
35.8517 27.9309 15.5853 70.0497 14.2671 95.2858 65.8568 37.9036 25.3804 29.0688
70.9910 31.2545 62.0243 58.2436 24.4291 44.6101 56.7969 61.7511 24.1161 56.9730
36.2515 27.3553 15.5065 70.1989 14.2419 95.9593 65.5471 37.2895 25.1493 28.7580
70.4261 31.6797 61.8651 58.1625 23.6188 44.7585 57.5599 61.8405 24.0852 56.7238
35.9387 27.4815 15.7654 70.2955 13.5368 95.4899 65.4453 37.7963 25.7095 29.2547
70.8565 31.0308 61.4869 58.0463 23.5971 45.0836 57.2948 61.8176 24.4511 56.5343
36.1567 27.1358 15.8491 70.4341 14.0288 95.7576 65.7432 37.5422 25.6553 28.6712
70.3075 31.9716 62.1673 58.4865 24.3010 44.4015 57.0228 62.4157 24.2922 57.4589
46.3146 38.0060 25.1271 70.4132 13.9824 95.0975 65.2785 37.6987 25.9575 29.4650[0172] 表5.BOD实测输出值（mg/L）
35.8517 27.9309 15.5853 70.0497 14.2671 95.2858 65.8568 37.9036 25.3804 29.0688
70.9910 31.2545 62.0243 58.2436 24.4291 44.6101 56.7969 61.7511 24.1161 56.9730
36.2515 27.3553 15.5065 70.1989 14.2419 95.9593 65.5471 37.2895 25.1493 28.7580
70.4261 31.6797 61.8651 58.1625 23.6188 44.7585 57.5599 61.8405 24.0852 56.7238
35.9387 27.4815 15.7654 70.2955 13.5368 95.4899 65.4453 37.7963 25.7095 29.2547
70.8565 31.0308 61.4869 58.0463 23.5971 45.0836 57.2948 61.8176 24.4511 56.5343
36.1567 27.1358 15.8491 70.4341 14.0288 95.7576 65.7432 37.5422 25.6553 28.6712
70.3075 31.9716 62.1673 58.4865 24.3010 44.4015 57.0228 62.4157 24.2922 57.4589
46.3146 38.0060 25.1271 70.4132 13.9824 95.0975 65.2785 37.6987 25.9575 29.4650[0172] 表5.BOD实测输出值（mg/L）
[0173]7.5948 6.9820 7.8475 7.0683 8.2015 7.1899 7.4581 8.0347 8.9033 6.9782
8.0310 5.9412 8.4715 8.7518 8.2931 6.0873 7.0597 8.0305 8.1095 6.6409
7.5689 6.8964 7.8255 7.0416 8.2255 7.1583 7.4010 8.0678 8.8321 6.8840
7.9989 5.9864 8.4408 8.7278 8.2361 6.0882 7.0537 8.0375 8.1510 6.6522
7.5743 6.9520 7.7901 7.0115 8.2253 7.2397 7.4439 8.0420 8.8912 6.9635
8.0466 6.0144 8.4710 8.7409 8.3086 6.0525 7.1102 8.0688 8.1197 6.6369
7.5783 6.9819 7.8059 7.0289 8.1834 7.1932 7.4376 8.0170 8.8440 6.9313
8.0410 5.9846 8.4931 8.6906 8.2501 6.0509 7.0412 8.0157 8.1693 6.6589
7.5934 6.9266 7.8040 7.0099 8.2173 7.1423 7.4551 8.0736 8.9071 6.9768
8.0231 5.9753 8.4426 8.7405 8.2811 6.1161 7.0406 8.0484 8.1406 6.6089[0174] 表6.BOD的拟合值（mg/L）
8.0310 5.9412 8.4715 8.7518 8.2931 6.0873 7.0597 8.0305 8.1095 6.6409
7.5689 6.8964 7.8255 7.0416 8.2255 7.1583 7.4010 8.0678 8.8321 6.8840
7.9989 5.9864 8.4408 8.7278 8.2361 6.0882 7.0537 8.0375 8.1510 6.6522
7.5743 6.9520 7.7901 7.0115 8.2253 7.2397 7.4439 8.0420 8.8912 6.9635
8.0466 6.0144 8.4710 8.7409 8.3086 6.0525 7.1102 8.0688 8.1197 6.6369
7.5783 6.9819 7.8059 7.0289 8.1834 7.1932 7.4376 8.0170 8.8440 6.9313
8.0410 5.9846 8.4931 8.6906 8.2501 6.0509 7.0412 8.0157 8.1693 6.6589
7.5934 6.9266 7.8040 7.0099 8.2173 7.1423 7.4551 8.0736 8.9071 6.9768
8.0231 5.9753 8.4426 8.7405 8.2811 6.1161 7.0406 8.0484 8.1406 6.6089[0174] 表6.BOD的拟合值（mg/L）
[0175]7.8874 7.3287 7.8911 7.3427 8.3294 7.6127 7.4603 8.3340 8.9257 7.3576
7.9953 6.6058 8.6835 8.8998 8.6544 6.5267 7.4855 8.5649 8.6951 6.8242
7.5086 7.0134 7.8644 7.0518 8.2368 7.1884 7.3165 8.1073 8.8125 6.8147
7.8827 5.8632 8.3165 8.8302 8.2606 6.0720 7.0998 7.9182 7.1466 6.6504
7.5315 7.0145 7.8108 7.0355 8.1316 7.2094 7.3822 8.1021 8.8507 7.0637
7.96357 6.0946 8.3875 8.6581 8.4785 6.1237 7.1366 7.9101 8.1895 6.6352
7.4595 6.9244 7.8959 6.8707 8.3579 7.2594 7.2760 8.1301 8.8631 7.0058
7.9441 5.9729 8.2819 8.4561 8.4281 5.9847 7.1858 8.0731 7.9602 6.6073
7.4785 6.8421 7.8118 7.1157 8.0116 7.1929 7.4842 7.9657 8.9256 7.0131
7.8862 6.0172 8.4416 8.6939 8.3746 6.1276 7.0794 7.9665 8.0676 6.7472[0176]
7.9953 6.6058 8.6835 8.8998 8.6544 6.5267 7.4855 8.5649 8.6951 6.8242
7.5086 7.0134 7.8644 7.0518 8.2368 7.1884 7.3165 8.1073 8.8125 6.8147
7.8827 5.8632 8.3165 8.8302 8.2606 6.0720 7.0998 7.9182 7.1466 6.6504
7.5315 7.0145 7.8108 7.0355 8.1316 7.2094 7.3822 8.1021 8.8507 7.0637
7.96357 6.0946 8.3875 8.6581 8.4785 6.1237 7.1366 7.9101 8.1895 6.6352
7.4595 6.9244 7.8959 6.8707 8.3579 7.2594 7.2760 8.1301 8.8631 7.0058
7.9441 5.9729 8.2819 8.4561 8.4281 5.9847 7.1858 8.0731 7.9602 6.6073
7.4785 6.8421 7.8118 7.1157 8.0116 7.1929 7.4842 7.9657 8.9256 7.0131
7.8862 6.0172 8.4416 8.6939 8.3746 6.1276 7.0794 7.9665 8.0676 6.7472[0176]
[0177] 检测数据
[0178] 表7.辅助变量DO的输入值（mg/L）
[0179]1.9871 2.2952 2.3325 1.7208 2.2529 1.9568 2.3033 2.4793 1.5446 2.2828
2.4456 2.5251 2.1472 1.9823 2.0775 2.2853 1.7054 2.1879 21328 2.2863
2.0678 2.3241 2.3398 1.6861 2.2419 2.0213 2.2898 2.4104 1.5502 2.2016
2.4896 2.5153 2.1892 2.0261 2.0324 2.1938 1.6912 2.1621 2.1032 2.3665
2.0414 2.3256 2.2715 1.7084 2.2561 2.0067 2.3229 2.4439 1.5832 2.2152
2.5096 2.5754 2.2005 1.9680 2.0078 2.4423 1.7120 2.2329 2.0782 2.3010
1.9771 2.3401 2.3653 1.7459 2.2664 1.9706 2.3156 2.4315 1.5205 2.2846
2.4997 2.5678 2.1933 2.0143 2.0469 2.5148 1.7352 2.2198 2.0816 2.3706
2.0114 2.3125 2.3340 1.7181 2.2589 2.0480 2.3613 2.4025 1.5449 2.2669
2.4896 2.5310 2.1323 2.0048 2.0351 2.4336 1.7658 2.1427 21551 2.3133[0180] 表8.辅助变量SS的输入值（mg/L）
2.4456 2.5251 2.1472 1.9823 2.0775 2.2853 1.7054 2.1879 21328 2.2863
2.0678 2.3241 2.3398 1.6861 2.2419 2.0213 2.2898 2.4104 1.5502 2.2016
2.4896 2.5153 2.1892 2.0261 2.0324 2.1938 1.6912 2.1621 2.1032 2.3665
2.0414 2.3256 2.2715 1.7084 2.2561 2.0067 2.3229 2.4439 1.5832 2.2152
2.5096 2.5754 2.2005 1.9680 2.0078 2.4423 1.7120 2.2329 2.0782 2.3010
1.9771 2.3401 2.3653 1.7459 2.2664 1.9706 2.3156 2.4315 1.5205 2.2846
2.4997 2.5678 2.1933 2.0143 2.0469 2.5148 1.7352 2.2198 2.0816 2.3706
2.0114 2.3125 2.3340 1.7181 2.2589 2.0480 2.3613 2.4025 1.5449 2.2669
2.4896 2.5310 2.1323 2.0048 2.0351 2.4336 1.7658 2.1427 21551 2.3133[0180] 表8.辅助变量SS的输入值（mg/L）
[0181]20.5045 11.9713 21.5964 15.8865 23.9547 24.6734 16.8178 21.6257 23.8089 17.2261
35.9115 27.7026 15.7505 11.0835 13.9018 15.5836 25.5118 17.2326 25.7196 29.4962
20.9456 11.6776 22.2383 15.7686 23.8367 24.9243 16.8442 21.7955 24.1802 17.0278
25.6379 27.3178 15.1821 10.5419 13.4569 15.6164 25.9397 17.5045 25.4106 29.4843
30.9891 11.0669 22.1894 15.0182 24.1838 25.0431 17.1341 22.3855 24.3992 17.1258
45.7750 27.3486 15.4516 10.7277 14.1543 15.9860 25.0300 17.6858 25.0871 29.3022
40.6773 21.0216 22.1106 15.8006 24.2458 25.0732 16.9832 22.1173 24.0755 17.0301
25.7239 27.4736 15.0875 11.1401 13.5306 15.0451 25.7232 17.4974 25.6605 28.8839
30.1841 21.7256 21.5708 15.7969 24.2348 24.9875 16.7769 22.4574 23.7654 17.4263
26.2232 27.4546 25.9899 10.7242 14.0030 15.6050 25.3872 17.2922 25.0252 28.9212[0182] 表9.辅助变量PH的输入值（mg/L）
35.9115 27.7026 15.7505 11.0835 13.9018 15.5836 25.5118 17.2326 25.7196 29.4962
20.9456 11.6776 22.2383 15.7686 23.8367 24.9243 16.8442 21.7955 24.1802 17.0278
25.6379 27.3178 15.1821 10.5419 13.4569 15.6164 25.9397 17.5045 25.4106 29.4843
30.9891 11.0669 22.1894 15.0182 24.1838 25.0431 17.1341 22.3855 24.3992 17.1258
45.7750 27.3486 15.4516 10.7277 14.1543 15.9860 25.0300 17.6858 25.0871 29.3022
40.6773 21.0216 22.1106 15.8006 24.2458 25.0732 16.9832 22.1173 24.0755 17.0301
25.7239 27.4736 15.0875 11.1401 13.5306 15.0451 25.7232 17.4974 25.6605 28.8839
30.1841 21.7256 21.5708 15.7969 24.2348 24.9875 16.7769 22.4574 23.7654 17.4263
26.2232 27.4546 25.9899 10.7242 14.0030 15.6050 25.3872 17.2922 25.0252 28.9212[0182] 表9.辅助变量PH的输入值（mg/L）
[0183]6.8715 6.3856 6.3282 7.0731 7.5138 7.8337 7.6639 8.0588 7.0366 7.5307
5.5282 6.7731 7.0711 7.6125 7.2292 7.0160 6.4548 6.5349 8.0451 7.5241
6.8492 6.3695 6.3976 7.0328 7.5838 7.8239 7.7454 8.0032 7.0357 7.5163
5.5835 6.7822 7.0552 7.6479 7.2249 6.9830 6.5119 6.5361 8.0757 7.5414
6.8714 6.3618 6.3343 7.0936 7.5125 7.8231 7.7146 8.0833 7.0398 7.5252
5.5501 6.7932 7.0998 7.6312 7.2186 7.0394 6.4638 6.5390 8.0927 7.5917
6.8312 6.3179 6.3339 7.0210 7.5510 7.8406 7.7129 8.0102 7.0391 7.4556
5.5108 6.7682 7.0099 7.5990 7.1893 7.0396 6.4599 6.5044 8.0557 7.5772
6.8224 6.3269 6.3673 7.0477 7.5624 7.7736 7.6677 8.0830 7.0767 7.5434
5.5738 6.8194 7.0101 7.6343 7.2622 7.0271 6.4543 6.5378 8.0705 7.5731[0184] 表10.辅助变量COD的输入值（mg/L）
5.5282 6.7731 7.0711 7.6125 7.2292 7.0160 6.4548 6.5349 8.0451 7.5241
6.8492 6.3695 6.3976 7.0328 7.5838 7.8239 7.7454 8.0032 7.0357 7.5163
5.5835 6.7822 7.0552 7.6479 7.2249 6.9830 6.5119 6.5361 8.0757 7.5414
6.8714 6.3618 6.3343 7.0936 7.5125 7.8231 7.7146 8.0833 7.0398 7.5252
5.5501 6.7932 7.0998 7.6312 7.2186 7.0394 6.4638 6.5390 8.0927 7.5917
6.8312 6.3179 6.3339 7.0210 7.5510 7.8406 7.7129 8.0102 7.0391 7.4556
5.5108 6.7682 7.0099 7.5990 7.1893 7.0396 6.4599 6.5044 8.0557 7.5772
6.8224 6.3269 6.3673 7.0477 7.5624 7.7736 7.6677 8.0830 7.0767 7.5434
5.5738 6.8194 7.0101 7.6343 7.2622 7.0271 6.4543 6.5378 8.0705 7.5731[0184] 表10.辅助变量COD的输入值（mg/L）
[0185]50.3174 26.0145 54.2890 46.3532 26.0055 45.8957 46.5607 60.9430 36.5500 51.3667
31.2519 27.3287 15.0642 70.2673 14.0212 95.7152 65.6421 47.5690 45.3908 49.2162
70.0202 31.9237 61.8637 58.9326 23.6635 66.1812 51.3947 32.0774 27.9400 46.5077[0186]
31.3092 27.8486 15.1202 70.0250 13.6758 95.5464 60.3989 47.5651 27.1807 29.0055
40.7136 31.6565 62.1044 58.5165 24.2027 44.4136 56.5547 32.0409 29.1794 50.6364
25.7593 27.8406 15.7437 69.6059 14.0316 95.4633 55.2123 57.2485 25.8236 38.6751
30.3749 31.0245 61.5012 58.3175 24.1537 45.2169 46.5357 41.9579 25.7405 57.0639
65.5975 27.4353 15.2899 69.9526 13.7226 95.3596 60.5583 37.7425 45.4232 28.9294
60.4045 31.3813 61.3711 58.7581 24.3711 44.6108 51.2855 31.2941 26.0306 56.3324
56.4879 47.3704 46.9587 57.0968 23.6821 87.1842 65.4024 33.2328 45.7022 38.8597[0187] 表11.BOD的实测输出值（mg/L）
31.2519 27.3287 15.0642 70.2673 14.0212 95.7152 65.6421 47.5690 45.3908 49.2162
70.0202 31.9237 61.8637 58.9326 23.6635 66.1812 51.3947 32.0774 27.9400 46.5077[0186]
31.3092 27.8486 15.1202 70.0250 13.6758 95.5464 60.3989 47.5651 27.1807 29.0055
40.7136 31.6565 62.1044 58.5165 24.2027 44.4136 56.5547 32.0409 29.1794 50.6364
25.7593 27.8406 15.7437 69.6059 14.0316 95.4633 55.2123 57.2485 25.8236 38.6751
30.3749 31.0245 61.5012 58.3175 24.1537 45.2169 46.5357 41.9579 25.7405 57.0639
65.5975 27.4353 15.2899 69.9526 13.7226 95.3596 60.5583 37.7425 45.4232 28.9294
60.4045 31.3813 61.3711 58.7581 24.3711 44.6108 51.2855 31.2941 26.0306 56.3324
56.4879 47.3704 46.9587 57.0968 23.6821 87.1842 65.4024 33.2328 45.7022 38.8597[0187] 表11.BOD的实测输出值（mg/L）
[0188]7.2829 8.5352 6.4645 6.2632 6.3415 6.5848 6.9915 6.9315 61248 7.6790
8.1012 8.8565 7.4845 7.4869 8.3132 7.3001 8.9226 9.0527 8.5989 7.2103
7.2326 8.5259 6.4040 6.2356 6.2625 6.5064 7.0357 6.9912 6.1325 7.6767
8.0531 8.8670 8.5280 7.5258 8.3102 7.3342 8.9286 8.9698 8.6010 7.1831
7.2118 8.5768 6.4356 6.2061 6.2870 6.5293 7.0274 6.9614 6.0746 7.6596
8.0583 8.8338 8.4785 7.5250 8.3586 7.3232 8.9173 9.0314 8.6363 7.2105
7.2278 8.5673 6.4313 6.2710 6.3354 6.5307 7.0225 6.9747 61.184 7.6807
8.0458 8.8218 8.5229 7.5298 8.3584 7.2796 8.9827 9.0302 8.6047 7.2074
7.2391 8.5412 6.4277 6.2598 6.3411 6.5831 7.0385 6.9651 6.0499 7.7097
8.0415 8.8679 8.5263 7.5347 8.3187 7.3268 8.9571 9.0612 8.6911 7.2530[0189] 表12.BOD的软测量值（mg/L）
8.1012 8.8565 7.4845 7.4869 8.3132 7.3001 8.9226 9.0527 8.5989 7.2103
7.2326 8.5259 6.4040 6.2356 6.2625 6.5064 7.0357 6.9912 6.1325 7.6767
8.0531 8.8670 8.5280 7.5258 8.3102 7.3342 8.9286 8.9698 8.6010 7.1831
7.2118 8.5768 6.4356 6.2061 6.2870 6.5293 7.0274 6.9614 6.0746 7.6596
8.0583 8.8338 8.4785 7.5250 8.3586 7.3232 8.9173 9.0314 8.6363 7.2105
7.2278 8.5673 6.4313 6.2710 6.3354 6.5307 7.0225 6.9747 61.184 7.6807
8.0458 8.8218 8.5229 7.5298 8.3584 7.2796 8.9827 9.0302 8.6047 7.2074
7.2391 8.5412 6.4277 6.2598 6.3411 6.5831 7.0385 6.9651 6.0499 7.7097
8.0415 8.8679 8.5263 7.5347 8.3187 7.3268 8.9571 9.0612 8.6911 7.2530[0189] 表12.BOD的软测量值（mg/L）
[0190]7.6828 8.4786 6.4961 6.5092 6.2475 6.5750 7.1767 6.9332 5.8373 7.5612
7.7155 8.7510 8.4706 7.5384 8.4684 7.4112 8.9375 8.7650 8.3300 7.4755
7.4028 8.5040 6.4224 6.0661 6.4653 6.9982 7.1698 6.6105 6.1524 7.8252
8.0135 8.7472 8.4604 7.4235 7.4083 7.3986 8.9564 8.6856 8.4316 7.3478
7.5255 8.4394 6.4645 6.2510 6.3770 6.4712 6.9744 7.1335 6.1232 7.7995
7.5922 8.7686 8.3798 7.5538 8.3944 7.3745 8.8324 8.6073 8.4387 7.1531
7.4415 8.9639 6.4419 6.2926 6.3135 6.5971 7.0653 7.2106 6.2458 7.6241
7.8528 8.7751 8.4927 7.4864 8.4297 7.3187 9.0620 8.9489 8.1988 7.3055
7.0956 8.9893 6.3977 6.1574 6.3758 6.6273 6.9791 7.0995 6.2451 7.5542
7.9662 8.9705 8.2366 7.6020 8.4961 7.3325 8.8480 8.7552 8.3445 7.1012
7.7155 8.7510 8.4706 7.5384 8.4684 7.4112 8.9375 8.7650 8.3300 7.4755
7.4028 8.5040 6.4224 6.0661 6.4653 6.9982 7.1698 6.6105 6.1524 7.8252
8.0135 8.7472 8.4604 7.4235 7.4083 7.3986 8.9564 8.6856 8.4316 7.3478
7.5255 8.4394 6.4645 6.2510 6.3770 6.4712 6.9744 7.1335 6.1232 7.7995
7.5922 8.7686 8.3798 7.5538 8.3944 7.3745 8.8324 8.6073 8.4387 7.1531
7.4415 8.9639 6.4419 6.2926 6.3135 6.5971 7.0653 7.2106 6.2458 7.6241
7.8528 8.7751 8.4927 7.4864 8.4297 7.3187 9.0620 8.9489 8.1988 7.3055
7.0956 8.9893 6.3977 6.1574 6.3758 6.6273 6.9791 7.0995 6.2451 7.5542
7.9662 8.9705 8.2366 7.6020 8.4961 7.3325 8.8480 8.7552 8.3445 7.1012
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于多种实体注意力和改进预训练语言模型的药物间关系抽取方法 | 2020-05-08 | 242 |
| 一种基于神经网络计算的多目标直接定位方法 | 2020-05-15 | 993 |
| 一种基于深度学习的互联网流量大数据分析方法 | 2020-05-13 | 685 |
| 一种基于BERT并融合可区分属性特征的刑事案件刑期预测方法 | 2020-05-08 | 743 |
| 一种语音识别方法、装置和用于语音识别的装置 | 2020-05-11 | 915 |
| 一种基于删减型前馈小世界神经网络出水BOD预测方法 | 2020-05-12 | 884 |
| 一种基于深度学习的多行为迁移推荐方法 | 2020-05-14 | 727 |
| 文本处理模型的运行方法、装置、电子设备、及存储介质 | 2020-05-14 | 95 |
| 一种基于机器学习的智能粮仓管控方法及终端 | 2020-05-11 | 83 |
| 一种非线性动态质量系统预测方法 | 2020-05-11 | 274 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
前馈神经网络热门专利
QQ群二维码
意见反馈
意见反馈