买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜北京工业大学申请的专利一种基于级连神经网络的膜污染多指标辨识方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114139434B 。

龙图腾网通过国家知识产权局官网在2025-06-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111000126.5，技术领域涉及：G06F30/27；该发明授权一种基于级连神经网络的膜污染多指标辨识方法是由韩红桂;焦政;任坤;伍小龙设计研发完成，并于2021-08-26向国家知识产权局提交的专利申请。

本一种基于级连神经网络的膜污染多指标辨识方法在说明书摘要公布了：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。

本发明授权一种基于级连神经网络的膜污染多指标辨识方法在权利要求书中公布了：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xt按公式1归一化至[0,1]， xt＝At-AminAmax-Amin1 其中At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yt按公式2归一化至[0,1]， yt＝Bt-BminBmax-Bmin2 其中Bt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m3h，表示产水压力kPa，表示好氧区硝酸盐mgl，表示缺氧区氧化还原电位mV，表示曝气量m3h； 隐藏层：该层有4个节点，输出为 其中θ1t是隐藏层的输出，它的维度为1×4，输入向量x1t表示为W1t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LHMbar，v1t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, 表示跨膜压差kPa，表示浊度NTU，表示电导率μscm，表示总有机碳mgl，表示硫酸盐mgl； 隐藏层：该层有5个节点；输出为 其中θ2t是隐藏层的输出，它的维度为1×5，输入向量x2t表示为W2t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，v2t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mgl，表示出水总磷mgl，表示出水总氮mgl，表示产水流量mgl，表示膜透水率LHMbar，表示跨膜压差kPa； 隐藏层：该层有7个节点；输出为 其中θ3t是隐藏层的输出，它的维度为1×7，输入向量X3t表示为W3t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，v3t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Jt，级连神经网络的损失函数如下： 其中h＝1,2,3,Jht表示级连神经网络第h个部分的损失函数，yht和分别是级连神经网络第i个子网络的期望输出和预测输出； ③利用分层学习算法更新多变量辨识模型的参数，多变量辨识模型的参数W1t、v1t、W2t、v2t、W3t和v3t的更新规则如下： 其中r为学习率，取值为0.1； ④分析级连神经网络的输出误差et对多变量辨识模型的参数W1t、v1t、W2t、v2t、W3t和v3t的影响，具体影响规则如下： 其中p＝1,2；q＝1,2,3；Jp+1t和Jqt分别是级连神经网络第p+1、q个子网络的损失函数，和分别是级连神经网络第p+1、p、q个子网络的预测输出值,θp+1t、θpt和θqt分别是级连神经网络第p+1、p、q个子网络的隐藏层输出向量；Wpt和Wqt分别是第p、q个子网络的连接输入层和隐藏层的权重矩阵，vpt和vqt分别是第p、q个子网络的连接隐藏层和输出层的权重向量； ⑤当tN时，时刻t增加1，转向步骤②，否则训练结束，将训练结束后得到的W1t、v1t、W2t、v2t、W3t和v3t作为级连神经网络的权值建立预测模型； 4膜污染多变量辨识 利用训练好的多变量辨识模型预测膜透水率、膜孔半径和膜寿命；使用产水压力、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、出水总氮按公式1归一化至[0,1]后作为模型的输入变量，根据公式3-11得到模型输出的膜透水率值、膜孔半径值和膜寿命值，预测数据的输出变量按公式2归一化至[0,1]，模型的输出值按公式25进行反归一化， 其中为t时刻第g个预测值，g＝1,2,3。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。