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！

龙图腾网获悉北京工业大学申请的专利一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测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：CN114331788B 。

龙图腾网通过国家知识产权局官网在2025-07-04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：202111679707.6，技术领域涉及：G06F30/27；该发明授权一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法是由蒙西;段滈杉;乔俊飞设计研发完成，并于2021-12-31向国家知识产权局提交的专利申请。

本一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法在说明书摘要公布了：本发明涉及一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法。首先，通过互信息选择模型的输入变量，建立模块1来预测出水NH4‑N；然后，考虑到出水NH4‑N和出水TN之间的高度相关性，将模块1中出水NH4‑N的预测值与其他易于测量的变量相结合，设计出用于预测出水TN的模块2。此外，为了保证整个基于HMN的软测量模型的效率和泛化性能，两个模块由基于增长和合并机制的径向基函数GM‑RBF网络构建，通过节点生长合并策略和二阶学习算法，提高了模型的计算效率和泛化能力。最后，通过实际工业数据评估基于HMN的软测量模型的有效性，本发明有效解决了受环境或仪器的限制，城市污水处理过程中出水氨氮和出水总氮难以实时精准检测的问题。

本发明授权一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法在权利要求书中公布了：1.一种基于级联模块化神经网络的城市污水处理过程出水含氮量智能检测方法，其特征在于，包括如下步骤： 步骤1：建立级联模块化神经网络； 模块1：模块1由RBF神经网络建立，根据不同的任务处理不同的输入信号，模块1的输入表示为 u＝[u1,u2,...,un]T1 其中x1,x2,...,xN表示影响出水含氮量的全部辅助变量，这些变量包括：进水PHPH_in，出水PHPH_ef，进水固体悬浮物浓度SS_in，出水固体悬浮物浓度SS_ef，进水生化需氧量BOD_in，出水生化需氧量BOD_ef，进水化学需氧量COD_in，出水化学需氧量COD_ef，生物池污泥沉降比SV，生物池混合液悬浮固体MLSS，生化池溶解氧DO，进水油类Oil_in，出水油类Oil_ef，进水氨氮NH4-N_in，出水氨氮NH4-N_ef，进水色度Colour_in，出水色度Colour_ef，进水总氮TN_in，出水总氮TN_ef，进水总磷TP_in，出水总磷TP_ef，进水水温T_in，出水水温T_ef，N表示辅助变量的总个数，u1,u2,...,un表示影响出水氨氮的辅助变量，包括：进水水温T_in、出水水温T_ef、进水总磷TP_in、生物池混合液悬浮固体MLSS、进水总氮TN_in和进水NH4-NNH4-N_in，n表示模块1中输入变量个数；之后，基于RBF神经网络建立的模块1的输出表示为： 其中u表示输入向量，φ·表示径向基核函数，exp·表示以e为底的指数函数，cj和σj为模块1中RBF神经网络第j个隐层节点的中心和宽度，wj表示相应的输出权重，J1为RBF神经网络的隐含层节点个数； 模块2：同样，模块2也由RBF神经网络建立，与以往模块化神经网络构造不同的是，模块2的输入除了包括来自外界环境的输入信号之外，还包括模块1的输出，因此，输入层表示为： 其中，表示影响出水总氮的辅助变量，包括：进水水温T_in、出水水温T_ef、出水NH4-NNH4-N_ef、进水总氮TN_in、进水总磷TP_in和生物池混合液悬浮固体MLSS，m表示模块2中输入变量个数；因此模块2的输出表示为 其中，exp·表示以e为底的指数函数，r表示输入向量，cj和σj为模块2中RBF神经网络第j个隐层节点的中心和宽度，wj表示相应的输出权重，J2为RBF神经网络的隐含层节点个数； 级联模块化神经网络根据信号传播的方向构建，首先根据训练样本训练模块1，然后，将模块1的输出添加到模块2的输入中以完成子网络设计； 步骤2：基于生长和合并机制的RBF自组织结构设计方法； 为了保证子网络和级联模块化神经网络的紧凑性和泛化性，提出了一种基于生长和合并机制的RBF自组织结构设计方法，最初，RBF隐藏层中没有节点，为了消除网络输出和期望输出之间的误差，采用误差修正算法连续添加RBF隐含层节点，因此，在每次迭代中，每个RBF节点位于最高误差峰或最低误差低谷处； 其中zp和分别为第p个样本的期望输出和网络的实际输出，ep表示第p个样本期望输出和实际输出之间的误差；jmax表示第j次迭代时绝对误差最大的训练样本，P表示模块1中训练样本的大小； 然后，根据第jmax个训练样本初始化第j个RBF节点对应的中心向量和连接权值： 其中和分别表示第jmax个样本对应的输入向量和期望输出，cj和wj分别表示第j个RBF节点的中心向量和连接权值； 隐含层节点的宽度根据新添加的节点和其他现有RBF节点之间的最小欧氏距离计算 σj＝min{distcj,ci≠j}9 每次网络结构发生变化时，采用二阶算法调整所有参数，由于RBF神经网络激活函数的特殊性，其节点进行局部学习，由相应的中心向量和半径决定，因此，在参数调整过程中如果将两个RBF隐含层节点调到最近距离，这两个节点可能对某些输入信息提供大致相同的响应，因此，开发了一种合并策略以降低冗余并提高网络的紧凑性； 如果第k个节点和第l个节点满足条件10，那么这两个节点将合并成新的节点： distck,clmin{σk,σl},k≠l.10 σk,l＝max{σk,σl}12 wk,l＝wk+wl13 其中distck,cl表示中心向量ck和cl之间的欧氏距离，ck和cl分别表示k个节点和第l个节点的中心向量，ck,l表示第k个节点和第l个节点对应的中心向量的均值，σk和σl分别表示第k个节点和第l个节点的宽度，wk和wl分别表示第k个节点和第l个节点的连接权值，第ck,l，σk,l和wk,l分别为新添加节点的中心c，宽度σ和权值w； 步骤3：采用二阶算法对参数进行调整 为了加快收敛速度并提高HMN的训练精度，使用二阶学习算法来调整子网络的参数，包括隐含层节点的中心、宽度和连接权重，参数的更新规则由下式给出 θt+1＝θt-Qt+μtI-1gt14 其中θt+1和θt表示t+1时刻和t时刻所有的参数，包括中心向量c，宽度和连接权值，Qt表示t时刻海森矩阵，μt为t时刻学习率，I为单位矩阵，gt为t时刻梯度向量； 为了降低计算复杂度，将类海森矩阵Q表示为p个类海森子矩阵q的和，将梯度向量g转化为p个梯度子向量η的和： 其中P为样本个数，qp为类海森子矩阵，ηp为梯度子向量，g为梯度向量，qp和ηp均由雅可比向量jp获得： 其中H为需要被调整的参数的个数，包括隐含层节点的中心、宽度和连接权值，H的计算公式为H＝n+2*j，j表示隐含层中神经元的个数，n表示输入节点个数，jp表示当输入为第p个样本时，子网络中隐含层神经元个数，ep表示当输入为第p个样本时，对应的网络的实际输出和期望输出之间的误差，此外，雅可比行向量的元素表示为 其中，up为第p个输入样本，cj，σj，wj分别表示RBF隐含层中第j个神经元对应的中心向量，宽度和连接权值，ep表示第p个输入样本对应网络的实际输出和期望输出之间的误差，表示第p个输入样本对应网络的实际输出，φjup表示第p个输入样本对应RBF隐含层第j个神经元节点的输出； 步骤4：基于HMN的预测模型 基于HNM的预测模型具体实现如下所示： ①将从真实城市污水处理厂采集到的数据进行预处理后表示为D＝{x1,y1,x2,y2,...,xP+S,yP+S}，其中x1,x2,...,xP+S表示输入样本，y1,y2,...,yP+S表示输出样本，P表示训练集样本大小，S表示测试集样本大小，然后将数据集按照4：3的比例划分为训练集和测试集，训练集和测试集分别用D1和D2表示，则D1＝{x1,y1,x2,y2,...,xP,yP}，D2＝{xP+1,yP+1,x2,yP+2,...,xP+S,yP+S}； ②基于互信息分析，分别计算辅助变量和出水氨氮、出水总氮之间的相关性，实验中确定每个模块的辅助变量个数为6，将变量的相关性按照从高到低的顺序进行排序，选择排名前六的辅助变量选为模块的输入，分别确定出水NH4-N和出水TN子网络模块的输入变量，其中进水水温T_in、出水水温T_ef、进水总磷TP_in、生物池混合液悬浮固体MLSS、进水总氮TN_in和进水NH4-NNH4-N_in被选为模块1的辅助变量，进水水温T_in、出水水温T_ef、出水NH4-NNH4-N_ef、进水总氮TN_in、进水总磷TP_in和生物池混合液悬浮固体MLSS被选为模块2的辅助变量； ③用于构建模块1的输入和输出向量表示为{u1,u2,...,uP}和{z1,z2,...,zP}，P表示输入样本个数，然后采用基于生长和合并机制的RBF建立模块1中的子网络，模块1的输出表示为 ④将模块1的预测输出添加到模块2的输入向量中，则模块2的输入表示为其中P表示样本个数，分别表示模块1中P个输入样本对应的网络的实际输出，r1,r2,...,rP分别表示模块2中影响出水含氮量的辅助变量，这些辅助变量和模块1中子网络实际输出共同构成了模块2的输入向量对相应的模块2的输出为{y1,y2,...,yP}； 上述两个模块在训练过程中学习率μ设置为0.01，迭代次数设置为50，当模型完成最后一次迭代后，HMN模型训练完成，并将其应用在测试集上实现出水NH4-N和出水TN的预测。

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”。