BP神经网络预测高效纤维过滤器出水水质模型研究

(广东电网有限责任公司河源供电局 广东 河源 517000)

一、研究背景

(一)高效纤维过滤器简介

高效纤维过滤器技术是我国自行研发并应用于实践的一项专利技术，它采用独特、简便的方法成功地解决了纤维滤料过滤净化过程中存在的问题。提高了纤维过滤材料的性能，达到了理想的深层过滤效果。高效过滤器的研发可以说它是在传统过滤工艺上的一次重大突破。

(二)神经网络简介

1.定义

人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织可以模拟生物神经系统对真实世界物体的交互反应。它的初始构造概念是通过模拟神经元在神经元(人类或其他动物)中的传输函数。

图1-1 神经元示意图

2.神经网络的分类

神经网络如果按照网络结构可以分为前馈网路和反馈网络。这两种人工神经网络的学习方式都是有导师学习方式和无导师学习方式。有导师学习方式就是在有数据的情况下将数据当作输入层的输入值输入神经网络，然后对期望的输出层的输出值来对神经网络反向调节权值，直至得到自己想要的理想值。而BP神经网络就是这样的神经网络[1]。

(三)神经网络在水处理方面的应用

随着人工神经网络(ANN)理论研究的日趋完善，神经网络在水处理上的应用越来越广泛，同时也越来越重要。它不仅优于传统的数学模型，而且能更加准确的模拟出所处环境的现实模型，这是传统的数学模型所不能企及的。尤其最近几年来，人工神经网络的应用被大量的用在水处理方面的水质模型上，基于此前提，本文建立多层前馈网络模型，就是前面讲到的BP神经网络模型[2]。

二、BP神经网络预测出水水质模型的建立

依据上面所提到的内容，根据所建立的结构图，确定好所编写的程序的情况下，在Maltab软件里用所编写的程序对已知的实际数据进行训练，看运行结果是否理想，对所编写的程序的输入窗口，在出水水质模型构建以前，需要确定网络层数、隐含层节点数、激活函数等数据。

(一)BP神经网络结构的确定

前期已经介绍了输入层、隐含层和输出层构成了BP神经网络。

图2-1 BP神经网络结构图

指定神经网络的输入层、隐藏层和输出层中的节点数分别为q、w、e个。输入层与隐含层之间的权值为sgi，隐含层与输出层之间的权值为djm，隐含层的传递函数为f1，隐含层的传递函数为f2，则得到隐层第g个节点的输出值为：

(2-1)

输出层第j个节点的输出值为：

(2-2)

又假设理想(目标)输出为，对于L个样本，则定义全局误差函数为

(2-3)

本文是把电导率、温度、浊度和碱度作为BP神经网络的输入层；浊度和pH值作为BP神经网络的输出层，即神经网络的输入层神经元数为4个，输出神经元数为2个。在典型的BP神经网络中，隐含层的层级一般为一层，如果隐含层的层数较多，则会增加神经网络的学习时间和训练时间，且降低网络的精确度，任意的n维到m维的映射能被三层的神经网络反映出来，所以所建立的网络为三层结构[3,4]。确定隐含层点数数目的参考公式如下：

(2-4)

(2-5)

g=log2n

(2-6)

式中：g-隐含层节点数；n-输入层节点数；l输出层节点数；a-1～10之间的常数；

通过计算，gmax为13，gmin为2，则隐含层节点数的数目范围则在[2，13]之间。依据神经网络结构图，在输入值、输出值确定的情况下，绘制我的实际结构图如下图2-2：

图2-1 BP神经网络的拓扑结构图

高效过滤器水质数据如下：

表2-1 原始数据表

三、BP神经网络预测水质模型的优化

起初建立的BP神经网络水质模型与理想中的模型差距比较大，没有达到理想中的运行状态，基于对于BP神经网络的学习，首先需要改进的是BP神经网络的算法，在对BP神经网络算法的改进上，改进的内容主要是：学习率的改进、误差函数的改进、训练次数的改进及激励函数的改进。

综上所述，通过MATLAB仿真，在学习率不同、误差函数不同、训练次数不同及激励函数不同得出以下效果图：

图3-1 改进前

图3-2 改进后

在用30组实际数据对神经网络进行了建模模拟，然后对神经网络的学习率、误差函数、训练次数及激励函数在所建立的水质模型进行了优化，从图3-1及图3-2可以看出，在完善所建立的神经网络的模型的同时，提高了BP神经网络模型的预测能力和学习能力。所得结果也验证了所建立的水质模型的可行性。

结论：

从BP神经网络构建模型的方法为起点，详细阐述了人工神经网络的建模过程，并对所建立的模型进行了实际预测。

(1)详细介绍了BP神经网络对预测高效过滤器出水水质模型的建模机理，并确定了具体的神经网络层数和各输入输出值；

(2)首先用30组实际数据对神经网络进行了初步建模，然后从神经网络的隐含层节点数、学习速率、训练次数和附加动量法对所建立的水质模型进行了优化，在完善所建立的神经网络的模型的同时，提高了BP神经网络模型的预测能力和学习能力。最后用20组数据进行了实际预测值分析，所得结果也验证了所建立的水质模型的可行性。