資源描述：
《基于RBF神經(jīng)網(wǎng)絡(luò)的余氯濃度預(yù)測(cè)模型研究.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、64傳感器與微系統(tǒng)(TransducerandMicrosystemTechnologies)2012年第31卷第8期基于RBF神經(jīng)網(wǎng)絡(luò)的余氯濃度預(yù)測(cè)模型研究謝昕，郭鵬飛，詹小麗(華東交通大學(xué)信息工程學(xué)院，江西南昌330013)摘要：余氯濃度是衡量供水管網(wǎng)水質(zhì)的一個(gè)重要指標(biāo)，采用混沌理論、模型校正等傳統(tǒng)方法不能準(zhǔn)確反映余氯濃度變化規(guī)律。根據(jù)RBF神經(jīng)網(wǎng)絡(luò)快速收斂和全局優(yōu)化的特點(diǎn)，基于時(shí)間序列法，建立RBF神經(jīng)網(wǎng)絡(luò)余氯濃度預(yù)測(cè)模型。采用Matlab中的Newrbe函數(shù)進(jìn)行函數(shù)逼近，結(jié)合某管網(wǎng)水質(zhì)模擬控制系統(tǒng)提供
2、的樣本數(shù)據(jù)進(jìn)行仿真計(jì)算，最終獲得的余氯濃度預(yù)測(cè)值和實(shí)測(cè)值十分吻合。結(jié)果表明：RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有一定的工程實(shí)用價(jià)值。關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)模型；時(shí)間序列；余氯濃度中圖分類號(hào)：TP389．1文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-9787(2012)08-0064-02Researchonpredictionmodelofresidualchlorinec0ncentrati0nbasedonRBFneuralnetworkXIEXin，GUOPeng—fei，ZHANXiao—li(SchoolofIn
3、formationEngineering，EastChinaJiaotongUniversity，Nanchang330013，China)Abstract：Theconcentrationofresidualchlorineisanimportantparameterindicatingthequalityofwaterinwaterdistributionnetwork，butthetraditionalmethods，suchaschaostheoryandmodeIcalibration．cannot
4、reflectthevariationruleofresidualchlorinethoroughly．ApredictionmodelofresidualchlorineiSestablished．basedonthefastconvergenceandglobaloptimizationofRBFneuralnetworkandtimeseries．TheNewrbefunctioninMatlabisadoptedtorealizefunctionapproximation，combiningwitht
5、hesampledataprovidedbythewaterqualitycontrolsystemofwaterdistributionnetworktorunsimulation．Thedifferencebetweenpredictedresidualchlorinefitactualones，whichmeansthismodelhaspracticalvalue．Keywords：RBFneuralnetwork；predictionmodel；timeserie；residualchlorinec
6、oncentration0引言不僅可以任意精度逼近連續(xù)函數(shù)，而且計(jì)算量較少，已廣泛余氯濃度是一個(gè)非線性時(shí)變參數(shù)，且管網(wǎng)水文環(huán)境復(fù)應(yīng)用于模式識(shí)別、函數(shù)逼近等方面。RBF神經(jīng)網(wǎng)絡(luò)包括：輸雜多變，數(shù)學(xué)模型難以建立，因此，數(shù)理統(tǒng)計(jì)、混沌理論等傳入層、隱含層和輸出層，其中隱含層又可包括多層神經(jīng)元，統(tǒng)預(yù)測(cè)方法的應(yīng)用都具有一定局限性，且預(yù)測(cè)精度差。每一層神經(jīng)元相互無(wú)連接，信號(hào)只在層與層之間傳遞。數(shù)徑向基函數(shù)(radialbasisfunction，RBF)神經(jīng)網(wǎng)絡(luò)是近年來(lái)學(xué)上已經(jīng)證明，多層前饋網(wǎng)絡(luò)具有很強(qiáng)的函數(shù)映射功能，一
7、應(yīng)用較多的一種前饋人工神經(jīng)網(wǎng)絡(luò)模型，可以任意精度逼個(gè)3層前饋神經(jīng)網(wǎng)絡(luò)就可滿足一般函數(shù)的擬合逼近問(wèn)題。近連續(xù)函數(shù)。因此，本文基于時(shí)間序列法，通過(guò)優(yōu)化RBF余氯濃度預(yù)測(cè)問(wèn)題實(shí)際上也是函數(shù)擬合問(wèn)題。因此，本神經(jīng)網(wǎng)絡(luò)的連接權(quán)值，建立了管網(wǎng)余氯濃度預(yù)測(cè)模型。該文的余氯濃度預(yù)測(cè)模型即是采用3層結(jié)構(gòu)的RBF神經(jīng)網(wǎng)模型可充分發(fā)揮RBF神經(jīng)網(wǎng)絡(luò)快速收斂、全局優(yōu)化的特絡(luò)(如圖1所示)。點(diǎn)，同時(shí)利用Newrbe函數(shù)進(jìn)行自適應(yīng)訓(xùn)練，Matlab仿真結(jié)其中，X(i=1，2，?，n)表示第i個(gè)樣本點(diǎn)的輸入矢量，果證明了其合理性；較高的預(yù)
8、測(cè)精度為實(shí)時(shí)掌握余氯濃度Y(=1，2，?，m)表示第個(gè)樣本點(diǎn)的輸出矢量，n是隱含變化趨勢(shì)，指導(dǎo)供水管網(wǎng)仿真控制系統(tǒng)增減投藥量，制定沖層神經(jīng)元數(shù)目。每個(gè)隱節(jié)點(diǎn)函數(shù)均為徑向?qū)ΨQ核函數(shù)，每洗方案，改善供水管網(wǎng)水質(zhì)提供決策支持。個(gè)隱節(jié)點(diǎn)輸出值為1RBF神經(jīng)網(wǎng)絡(luò)基本原理RBF神經(jīng)網(wǎng)絡(luò)是一種性能優(yōu)良的前向無(wú)反饋網(wǎng)絡(luò)，它zl=(1l一cll／o-)，i=l，2，?n．(1)收稿日期：2012--03-22$基金項(xiàng)
