專利名稱：：無(wú)機(jī)廢水處理方案的專家診斷決策方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種無(wú)機(jī)廢水處理方案的決策方法，尤其涉及自動(dòng)產(chǎn)生無(wú)機(jī)廢水處理方案的專家診斷決策方法。
背景技術(shù)：
：冶金、鋼鐵、汽車、電子、電鍍等工業(yè)會(huì)產(chǎn)生大量的無(wú)機(jī)廢水。將工業(yè)廢水轉(zhuǎn)化為可以重復(fù)使用的新資源已經(jīng)成為企業(yè)的普遍要求，然而無(wú)機(jī)工業(yè)廢水的種類繁多，廢水中往往含有毒性的重金屬、油脂、酸、堿等物質(zhì)，處理工藝過(guò)程復(fù)雜，企業(yè)對(duì)資源化產(chǎn)品的要求各不相同，難以用單一的方案解決。因此需要針對(duì)不同的企業(yè)廢水來(lái)源確定相應(yīng)的廢水處理和回應(yīng)方案。目前對(duì)于廢水處理與回用方案的確定，目前大都依靠常識(shí)和經(jīng)驗(yàn)來(lái)初步設(shè)定，再通過(guò)人工小試或中試來(lái)進(jìn)行驗(yàn)證，最后投產(chǎn)應(yīng)用。經(jīng)驗(yàn)的不足和實(shí)驗(yàn)條件的限制，常導(dǎo)致實(shí)驗(yàn)結(jié)果偏差，難以保證穩(wěn)定的處理效果，最終可能得出導(dǎo)致投資失利的錯(cuò)誤方案，因此有必要采取更加科學(xué)的方法來(lái)進(jìn)行方案的初步確定。
發(fā)明內(nèi)容本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種無(wú)機(jī)廢水處理方案的專家診斷決策方法，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)優(yōu)秀的自學(xué)習(xí)自適應(yīng)能力，網(wǎng)絡(luò)分布儲(chǔ)存知識(shí)，并行運(yùn)算特性和優(yōu)越的非線性映射能力，實(shí)現(xiàn)廢水處理方案的自動(dòng)決策。本發(fā)明為解決上述技術(shù)問(wèn)題而采用的技術(shù)方案是提出一種無(wú)機(jī)廢水處理方案的專家診斷決策方法，經(jīng)由一神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)無(wú)機(jī)廢水水質(zhì)指標(biāo)與回用水水質(zhì)指標(biāo)進(jìn)行處理，以輸出廢水處理方案，該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、預(yù)處理層、隱含層及輸出層，本方法包括以下步驟經(jīng)所述輸入層輸入包含所述無(wú)機(jī)廢水水質(zhì)指標(biāo)與所述回用水水質(zhì)指標(biāo)的4第一向量至所述預(yù)處理層；在所述預(yù)處理層中對(duì)所述第一向量中的各水質(zhì)指標(biāo)進(jìn)行分區(qū)段處理，并輸出第二向量；在所述隱含層中依照經(jīng)過(guò)訓(xùn)練的第一加權(quán)值矩陣計(jì)算所述第二向量的各元素之和，并且分別計(jì)算多個(gè)所述和在一非線性激勵(lì)下的函數(shù)，輸出包含多個(gè)所述和的函數(shù)的第三向量；以及在所述輸出層中依照經(jīng)過(guò)訓(xùn)練的第二加權(quán)值矩陣計(jì)算所述第三向量的各元素之和，并分別計(jì)算多個(gè)所述和在一閾值型激勵(lì)下的函數(shù)，輸出包含多個(gè)所述和的函數(shù)的第四向量，所述第四向量包括選擇的廢水處理方案。在上述的方法中，還包括在所述預(yù)處理層中對(duì)分區(qū)段處理后的各水質(zhì)指標(biāo)進(jìn)行歸一化處理。在上述的方法中，所述非線性激勵(lì)為Sigmoid激勵(lì)函數(shù)或者徑向基函數(shù)。在上述的方法中，訓(xùn)練所述第一加權(quán)值矩陣和所述第二加權(quán)值矩陣的方法包括依照預(yù)知的專家方案規(guī)則表構(gòu)建輸入訓(xùn)練陣和輸出訓(xùn)練陣進(jìn)行訓(xùn)練，利用誤差反向傳播的s學(xué)習(xí)算法調(diào)整所述第一加權(quán)值矩陣和所述第二加權(quán)值矩陣。本發(fā)明另提出一種無(wú)機(jī)廢水處理方案的專家診斷決策方法，經(jīng)由一神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)無(wú)機(jī)廢水水質(zhì)指標(biāo)與回用水水質(zhì)指標(biāo)進(jìn)行處理，以輸出廢水處理方案，該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括總輸入層、多個(gè)子網(wǎng)絡(luò)及總輸出層，其中各子網(wǎng)絡(luò)分別包括輸入層、預(yù)處理層、隱含層及輸出層，此方法包括以下步驟-經(jīng)所述總輸入層輸入包含所述無(wú)機(jī)廢水水質(zhì)指標(biāo)與所述回用水水質(zhì)指標(biāo)的第一向量；在所述各子網(wǎng)絡(luò)中執(zhí)行以下步驟經(jīng)所述輸入層輸入與所述子網(wǎng)絡(luò)相關(guān)的無(wú)機(jī)廢水水質(zhì)指標(biāo)與回用水水質(zhì)指標(biāo)；在所述預(yù)處理層中對(duì)所述相關(guān)的各水質(zhì)指標(biāo)進(jìn)行分區(qū)段處理，并輸出第二在所述隱含層中依照經(jīng)過(guò)訓(xùn)練的第一加權(quán)值矩陣計(jì)算所述第二向量的各元素之和，并且分別計(jì)算多個(gè)所述和在一非線性激勵(lì)下的函數(shù)，輸出包含多個(gè)所述和的函數(shù)的第三向量；以及在所述輸出層中依照經(jīng)過(guò)訓(xùn)練的第二加權(quán)值矩陣計(jì)算所述第三向量的各元素之和，并分別計(jì)算多個(gè)所述和在一閾值型激勵(lì)下的函數(shù)，輸出多個(gè)所述和的函數(shù)至所述總輸出層，所述第四向量包括選擇的廢水處理方案；以及經(jīng)由所述總輸出層輸出由各子網(wǎng)絡(luò)選擇的廢水處理方案。在上述的方法中，所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括多個(gè)子網(wǎng)絡(luò)，在所述預(yù)處理層中還包括，對(duì)分區(qū)段處理后的各水質(zhì)指標(biāo)進(jìn)行歸一化處理。在上述的方法中，所述非線性激勵(lì)為Sigmoid激勵(lì)函數(shù)或者徑向基函數(shù)。在上述的方法中，訓(xùn)練所述第一加權(quán)值矩陣和所述第二加權(quán)值矩陣的方法包括依照預(yù)知的專家方案規(guī)則表構(gòu)建輸入訓(xùn)練陣和輸出訓(xùn)練陣進(jìn)行訓(xùn)練，利用誤差反向傳播的5學(xué)習(xí)算法調(diào)整所述第一加權(quán)值和所述第二加權(quán)值矩陣。本發(fā)明由于采用以上技術(shù)方案，使之與現(xiàn)有技術(shù)相比，具有如下顯著優(yōu)點(diǎn)1、診斷決策方法能夠參考成熟的專家方案，根據(jù)檢測(cè)的原水水質(zhì)和輸入的回用水質(zhì)指標(biāo)自動(dòng)生成初步方案，以備試驗(yàn)驗(yàn)證，大大提升了確定方案的效率。2、由于采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，本發(fā)明在一定程度上克服了一般專家系統(tǒng)的知識(shí)獲取問(wèn)題、學(xué)習(xí)能力較差、知識(shí)的"窄臺(tái)階效應(yīng)"即容錯(cuò)性差和知識(shí)存貯容量與運(yùn)行速度的矛盾等瓶頸問(wèn)題，從而進(jìn)一步提高專家系統(tǒng)學(xué)習(xí)能力和處理大型復(fù)雜問(wèn)題的能力，使知識(shí)庫(kù)具有良好的可擴(kuò)充性，系統(tǒng)的運(yùn)行具有更高的可靠性。為讓本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，以下結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式作詳細(xì)說(shuō)明，其中圖1是根據(jù)本發(fā)明一實(shí)施例的專家診斷決策系統(tǒng)結(jié)構(gòu)框圖。圖2是根據(jù)本發(fā)明一實(shí)施例的專家診斷決策模塊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。圖3是根據(jù)本發(fā)明一實(shí)施例的具有多個(gè)子網(wǎng)絡(luò)的專家診斷決策模塊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。圖4是根據(jù)本發(fā)明一實(shí)施例的專家診斷決策方法流程圖。圖5是根據(jù)本發(fā)明另一實(shí)施例的專家診斷決策方法流程圖。具體實(shí)施例方式在下面的實(shí)施例中，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)優(yōu)秀的自學(xué)習(xí)自適應(yīng)能力，網(wǎng)絡(luò)分布儲(chǔ)存知識(shí)，并行運(yùn)算特性和優(yōu)越的非線性映射能力，實(shí)現(xiàn)廢水處理方案的自動(dòng)決策。圖1是根據(jù)本發(fā)明一實(shí)施例的專家診斷決策系統(tǒng)結(jié)構(gòu)框圖。此專家診斷決策系統(tǒng)100包括專家診斷決策模塊110和專家知識(shí)庫(kù)120。在一個(gè)實(shí)施例中，專家診斷決策系統(tǒng)100還可包括數(shù)據(jù)分析模塊130。針對(duì)不同工業(yè)、不同工藝的無(wú)機(jī)廢水的性質(zhì)以及不同處理水的水質(zhì)標(biāo)準(zhǔn)，根據(jù)現(xiàn)有廢水回收工藝，可以事先制定成熟的廢水處理方案。這些成熟方案以及專家的方案規(guī)則儲(chǔ)存在專家知識(shí)庫(kù)120內(nèi)，供專家診斷決策模塊110調(diào)用。專家診斷決策模塊110可以經(jīng)過(guò)訓(xùn)練學(xué)習(xí)這些專家知識(shí)。使用已學(xué)習(xí)的知識(shí)，專家診斷決策模塊110可以根據(jù)輸入的無(wú)機(jī)廢水水質(zhì)指標(biāo)和所要求的回用水水質(zhì)指標(biāo)，從已有的廢水處理方案中確定初步的無(wú)機(jī)廢水處理方案。此初步的無(wú)機(jī)廢水處理方案會(huì)經(jīng)過(guò)試驗(yàn)設(shè)備進(jìn)行試驗(yàn)，并獲得回用水的實(shí)際水質(zhì)指標(biāo)?；赜盟膶?shí)際水質(zhì)指標(biāo)與回用水的要求水質(zhì)指標(biāo)會(huì)輸入數(shù)據(jù)分析模塊130，進(jìn)行實(shí)際處理效果的分析和處理結(jié)果的評(píng)估，并且可以根據(jù)分析和評(píng)估結(jié)果對(duì)專家診斷決策模塊110所確定的廢水處理方案進(jìn)行修改，產(chǎn)生優(yōu)化的廢水處理方案方案，并補(bǔ)充專家知識(shí)庫(kù)。下面首先描述本發(fā)明一實(shí)施例的專家決策模塊的結(jié)構(gòu)實(shí)現(xiàn)。專家診斷決策模塊110由如圖1所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)成，此專家診斷決策模塊110的神經(jīng)網(wǎng)絡(luò)采用前向網(wǎng)絡(luò)，可分為四層，分別為輸入層111、預(yù)處理層112、隱含層113和輸出層114。這些層可以由計(jì)算機(jī)可執(zhí)行程序?qū)崿F(xiàn)。在一個(gè)實(shí)施例中，各層神經(jīng)元個(gè)數(shù)按如下方法確定設(shè)置無(wú)機(jī)廢水的水質(zhì)指標(biāo)有R項(xiàng)，則輸入層的神經(jīng)元數(shù)等于進(jìn)出水(廢水與回用水)的各項(xiàng)水質(zhì)指標(biāo)數(shù)之和，為2R個(gè)；預(yù)處理層的神經(jīng)元是按進(jìn)出水指標(biāo)在決策時(shí)的不同條件區(qū)段劃分而定(以下詳述)；而隱含層的神經(jīng)元數(shù)可取預(yù)處理層節(jié)點(diǎn)數(shù)的二倍；輸出層的神經(jīng)元數(shù)等于專家方案數(shù)為S個(gè)。7由于不同功能的專家方案僅與不同部分進(jìn)出水指標(biāo)相關(guān)，在一個(gè)實(shí)施例中，為了提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度和簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，可根據(jù)關(guān)聯(lián)的進(jìn)出水指標(biāo)分類將一個(gè)大網(wǎng)絡(luò)分割成多個(gè)子網(wǎng)絡(luò)，從而生成一個(gè)規(guī)模為多子網(wǎng)絡(luò)的專家診斷決策模塊。舉例來(lái)說(shuō)，當(dāng)有13個(gè)方案僅與2個(gè)進(jìn)出水指標(biāo)有關(guān)時(shí)，如表一所示，則可建立的一個(gè)輸入層為2個(gè)神經(jīng)元(即進(jìn)水電導(dǎo)率和出水電導(dǎo)率)，輸出層為13個(gè)神經(jīng)元(即13個(gè)方案)的四層前向子網(wǎng)絡(luò)。由于不同的工藝方案對(duì)應(yīng)不同進(jìn)出水指標(biāo)的不同范圍，將表中進(jìn)水電導(dǎo)率從0至2999um/cm分為0-199、200-399、400-999、1000-2999共4個(gè)區(qū)段，出水電導(dǎo)率從0.2至19分為0.2-0.9、1-9、10-19共3個(gè)區(qū)段。若子網(wǎng)絡(luò)僅取進(jìn)水電導(dǎo)率和出水電導(dǎo)率為輸入層111的2個(gè)神經(jīng)元時(shí)，則預(yù)處理層112神經(jīng)元個(gè)數(shù)取區(qū)段之和為7個(gè)，而取隱含層113的神經(jīng)元數(shù)為14個(gè)。其它子網(wǎng)絡(luò)設(shè)計(jì)以此類推。表—<table>tableseeoriginaldocumentpage8</column></row><table>承接上述，當(dāng)模塊存在多個(gè)子網(wǎng)絡(luò)時(shí)，可以類似并行聯(lián)接的方式進(jìn)行連接。圖2示出具有多個(gè)子網(wǎng)絡(luò)的專家診斷決策模塊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。此專家診斷決策模塊210的總輸入層211的輸入量為全部的進(jìn)出水指標(biāo)參數(shù)，總輸入層211各神經(jīng)元的輸入分別連接各個(gè)進(jìn)出水指標(biāo)參數(shù)。各個(gè)子網(wǎng)絡(luò)2121-212n的輸入又連接包含與之有關(guān)進(jìn)出水指標(biāo)參數(shù)的輸入層211的神經(jīng)元輸出。各個(gè)子網(wǎng)絡(luò)可具有類似圖2所示的結(jié)構(gòu)，包括輸入層、預(yù)處理層、隱含層和輸出層。模塊總輸出層213的輸出量為全部方案號(hào)，總輸出層213各神經(jīng)元的輸出對(duì)應(yīng)為各方案號(hào)。而各個(gè)子網(wǎng)絡(luò)的輸出又連接與這些子網(wǎng)絡(luò)有關(guān)的方案號(hào)所對(duì)應(yīng)的那些總輸出層神經(jīng)元的輸入。從而實(shí)現(xiàn)一個(gè)規(guī)模為多子網(wǎng)絡(luò)的專家診斷決策模塊。下面以圖1所示的單個(gè)網(wǎng)絡(luò)為例，描述專家診斷決策模塊IIO的推理機(jī)制。專家診斷決策模塊UO采用正向推理方法，由進(jìn)出水(廢水與回用水)的各項(xiàng)水質(zhì)指標(biāo)作為模塊的輸入，經(jīng)神經(jīng)網(wǎng)絡(luò)前向傳播進(jìn)行推理，計(jì)算的網(wǎng)絡(luò)輸出即決策方案號(hào)。具體正向推理方法如下輸入層111作為模塊接口，輸入層的各神經(jīng)元采用線性激勵(lì)函數(shù)，輸入輸出直接為進(jìn)出水(廢水與回用水)的包含各項(xiàng)水質(zhì)指標(biāo)的第一向量X^Xl,...，Xi，...，x2R}，i為自然數(shù)，2R為輸入水質(zhì)指標(biāo)個(gè)數(shù)。預(yù)處理層112是將輸入層的輸出Xi按要求進(jìn)行分區(qū)段處理。為了克服學(xué)習(xí)中的s型函數(shù)的飽和現(xiàn)象，將不同范圍的進(jìn)出水參數(shù)值進(jìn)行歸一化處理，采用0-1-0矩型激勵(lì)函數(shù)為力x,、fl(1)1a《x,《6少，=0x.式中a、b為門限值，由具體的方案規(guī)則而定。因此每一水質(zhì)指標(biāo)Xi均可分為一個(gè)或多個(gè)歸一值yj，從而得到第二向量Y={y,，...，yj,...，yT}，j=l,2,…,T。T為預(yù)處理層112的神經(jīng)元數(shù)量，其取決于分區(qū)段處理。隱含層113的神經(jīng)元輸入為所有預(yù)處理層輸出的加權(quán)之和z,IX凡(2)其中w,為第一加權(quán)值，所有vv,組成第一加權(quán)值矩陣W,。v^初始值可以任意設(shè)定。經(jīng)過(guò)后述的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)之后，uv將趨近于準(zhǔn)確。k=l,2,…，2T。2T即為隱含層的神經(jīng)元數(shù)量。需要指出的是，隱含層113的神經(jīng)元數(shù)量并不限定為預(yù)處理層的2倍。隱含層113的神經(jīng)元輸出采用非線性函數(shù)，例如常用的Sigmoid激勵(lì)函數(shù)(也稱S型函數(shù))隱含層113的所有輸出z,組成第三向量Z。在另一例子中，隱含層113的神經(jīng)元輸出還可采用徑向基函數(shù)。輸出層114的神經(jīng)元的輸出為其中^,為第二加權(quán)值，所有HV,組成第二加權(quán)值矩陣W2。w,初始值可以任意設(shè)定。經(jīng)過(guò)后述的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)之后，M^將趨近于準(zhǔn)確?？赏ㄟ^(guò)閾值型激勵(lì)函數(shù)，進(jìn)一步使輸出層114的神經(jīng)元的輸出為,卩，a,卜c(5)L0，A"式中c為閾值，可取0.8-0.9之間。這些輸出a)組成第四向量A，其中1=1,2，...，S，S為輸出層的神經(jīng)元數(shù)量，也是模塊的專家方案數(shù)量。對(duì)于各個(gè)神經(jīng)元輸出",'，1=1，2,S，如果《,'=1，表示選擇了對(duì)應(yīng)的專家方案號(hào)。fl;越接近于l，可認(rèn)為對(duì)應(yīng)的專家方案號(hào)越可靠。容易理解的是，對(duì)于如圖3所示的具有多個(gè)子網(wǎng)絡(luò)的模塊，其子網(wǎng)絡(luò)的推理機(jī)制是類似的。差別僅在于，各子網(wǎng)絡(luò)只是從網(wǎng)絡(luò)的總輸入層中取與之有關(guān)的部分水質(zhì)指標(biāo)進(jìn)行上述的推理，同時(shí)輸出相應(yīng)的專家回用方案至網(wǎng)絡(luò)的總輸出層中相關(guān)的神經(jīng)元上。下面將描述神經(jīng)網(wǎng)絡(luò)專家診斷決策系統(tǒng)的專家知識(shí)庫(kù)的建立，專家知識(shí)庫(kù)的建立包括知識(shí)獲取與知識(shí)存儲(chǔ)兩個(gè)過(guò)程。1)知識(shí)的獲取知識(shí)的獲取表現(xiàn)為訓(xùn)練樣本的獲取與選擇。根據(jù)已有的專家決策結(jié)果，列出進(jìn)水指標(biāo)與出水指標(biāo)與水處理工藝方案的對(duì)應(yīng)關(guān)系(即專家規(guī)則方案)，可生成神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練陣P與輸出訓(xùn)練陣T。設(shè)專家規(guī)則方案表如前述表一所示，表中有二個(gè)條件項(xiàng)目進(jìn)水電導(dǎo)率與出水電導(dǎo)率指標(biāo)，分別分為4個(gè)區(qū)段與3個(gè)區(qū)段，水處理工藝方案有13個(gè)。若專家規(guī)則方案表中有13條規(guī)則，其中規(guī)則1為進(jìn)水電導(dǎo)率指標(biāo)條件400-2999落在第3分區(qū)，出水電導(dǎo)率指標(biāo)條件0.2-9跨第1、2二個(gè)分區(qū)，對(duì)應(yīng)結(jié)果方案為1號(hào)。則對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練陣P與T陣的行列數(shù)據(jù)如下表二所示。表~~■<table>tableseeoriginaldocumentpage11</column></row><table>將其它所有可能的情況都進(jìn)行類似處理，注意保證專家規(guī)則的完備性和可擴(kuò)充性，從而生成訓(xùn)練用的P陣和T陣。2)知識(shí)的存儲(chǔ)神經(jīng)網(wǎng)絡(luò)專家診斷決策系統(tǒng)的專家決策知識(shí)存儲(chǔ)是隱式地分散存儲(chǔ)在神經(jīng)網(wǎng)絡(luò)各神經(jīng)元連接權(quán)值和閾值中。知識(shí)的存儲(chǔ)過(guò)程就是神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。根據(jù)設(shè)計(jì)生成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，專家決策的神經(jīng)網(wǎng)絡(luò)可學(xué)習(xí)調(diào)整的參數(shù)為隱含層的權(quán)值HV與輸出層的權(quán)值Ww。采用誤差反向傳播的S學(xué)習(xí)算法，調(diào)整各層間的權(quán)值，可推導(dǎo)出神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如下設(shè)神經(jīng)網(wǎng)絡(luò)第^個(gè)輸出與相應(yīng)期望輸出。,°的誤差為第p個(gè)樣本的誤差性能指標(biāo)函數(shù)為:其中N為網(wǎng)絡(luò)輸出層的神經(jīng)元個(gè)數(shù)。11根據(jù)梯度下降法，權(quán)值的學(xué)習(xí)算法如下:輸出層及隱含層的連接權(quán)值學(xué)習(xí)算法為<formula>formulaseeoriginaldocumentpage12</formula>t+l時(shí)刻網(wǎng)絡(luò)的權(quán)值為<formula>formulaseeoriginaldocumentpage12</formula>隱含層及預(yù)處理層連接權(quán)值學(xué)習(xí)算法為其中k+l時(shí)刻網(wǎng)絡(luò)的權(quán)值為<formula>formulaseeoriginaldocumentpage12</formula>如果考慮上次權(quán)值對(duì)本次權(quán)值變化的影響，加入動(dòng)量因子，此時(shí)的權(quán)值為<formula>formulaseeoriginaldocumentpage12</formula>(13)<formula>formulaseeoriginaldocumentpage12</formula>其中n為學(xué)習(xí)速率，a為動(dòng)量因子。取"e[O,l]/7e。由根據(jù)專家規(guī)則表生成的訓(xùn)練陣P與T陣，神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)5000次訓(xùn)練學(xué)習(xí)，誤差指標(biāo)函數(shù)可達(dá)到E〈0.02，此時(shí)完成神經(jīng)網(wǎng)絡(luò)專家決策知識(shí)庫(kù)的建立。經(jīng)由訓(xùn)練后神經(jīng)網(wǎng)絡(luò)的推理決策，其輸入輸出關(guān)系與專家規(guī)則方案表的要求達(dá)到完全一致。將訓(xùn)練后神經(jīng)網(wǎng)絡(luò)嵌入專家決策系統(tǒng)中，運(yùn)行結(jié)果與期望可達(dá)到一致。因此，上述的神經(jīng)網(wǎng)絡(luò)專家決策系統(tǒng)，可以根據(jù)輸入水質(zhì)指標(biāo)(即廢水水質(zhì)指標(biāo))和輸出水質(zhì)指標(biāo)(即回用水水質(zhì)指標(biāo))進(jìn)行運(yùn)算，輸出廢水回用處理方案，以備試驗(yàn)驗(yàn)證。根據(jù)上述的專家診斷決策系統(tǒng)，可以歸納出本發(fā)明的一種無(wú)機(jī)廢水處理方案的專家診斷決策方法，請(qǐng)結(jié)合圖2和圖4所示，本方法包括如下步驟-步驟310:經(jīng)輸入層111輸入包含無(wú)機(jī)廢水水質(zhì)指標(biāo)與回用水水質(zhì)指標(biāo)的第一向量X={Xl，...，Xi，…，X2R)至預(yù)處理層112;步驟320:在預(yù)處理層112中對(duì)第一向量X中的各水質(zhì)指標(biāo)進(jìn)行分區(qū)段處理，并輸出第二向量Y={y,,...，y」，...，yT}，其中可利用0-1-0矩型激勵(lì)函數(shù)將不同范圍的進(jìn)出水指標(biāo)進(jìn)行歸一化處理。步驟330:在隱含層113中依照經(jīng)過(guò)訓(xùn)練的第一加權(quán)值矩陣W,計(jì)算第二向量的各元素加權(quán)之和zk:A=IX*^(2)''.1使用Sigmoid激勵(lì)函數(shù)^==Y7T^將這些和非線性變換為zk，，輸出第三向量Z={Z,'，…，Zk，，...，Z2T，}。步驟340:在輸出層114中依照經(jīng)過(guò)訓(xùn)練的第二加權(quán)值矩陣W2計(jì)算第三向量的各元素加權(quán)之和fl,:=2>wz*(4)并分別計(jì)算A經(jīng)過(guò)閾值型激勵(lì)函數(shù)變換后的值",'，輸出包含這些函數(shù)值的第四向量A^a人...，a人…,as1)，其中值為1的元素表示選擇的廢水處理方案。根據(jù)上述的專家診斷決策系統(tǒng)，可以歸納出本發(fā)明的另一種無(wú)機(jī)廢水處理方案的專家診斷決策方法，請(qǐng)結(jié)合圖3和圖5所示，本方法包括如下步驟步驟410:經(jīng)總輸入層211輸入包含無(wú)機(jī)廢水水質(zhì)指標(biāo)與所述回用水水質(zhì)指標(biāo)的第一向量X^Xl,…，Xi，...,x2R};步驟420:在各子網(wǎng)絡(luò)2121-212n進(jìn)行前向推理，以確定相關(guān)的廢水處理方案，其進(jìn)一步包括以下步驟步驟421:經(jīng)輸入層輸入與子網(wǎng)絡(luò)相關(guān)的無(wú)機(jī)廢水水質(zhì)指標(biāo)與回用水水質(zhì)指標(biāo)，這些相關(guān)的水質(zhì)指標(biāo)是選擇性從第一向量X輸入；步驟422:在預(yù)處理層中對(duì)相關(guān)的各水質(zhì)指標(biāo)進(jìn)行分區(qū)段處理，并輸出包含分區(qū)段處理后的指標(biāo)的第二向量Y，，其處理過(guò)程類似于前述的步驟320;步驟423:在隱含層中依照經(jīng)過(guò)訓(xùn)練的第一加權(quán)值矩陣W,計(jì)算第二向量Y'的各元素加權(quán)之和，并且將這些和經(jīng)過(guò)非線性激勵(lì)函數(shù)變換后，輸出第三向量z'，其處理過(guò)程類似于前述的步驟330;步驟424:在輸出層中依照經(jīng)過(guò)訓(xùn)練的第二加權(quán)值矩陣W2計(jì)算第三向量的各元素加權(quán)之和，并經(jīng)過(guò)閾值型激勵(lì)函數(shù)變換后，輸出變換后的值至總輸出層213，其中值為1的函數(shù)表示選擇的廢水處理方案，其處理過(guò)程類似于前述的步驟340。最后，在步驟430，經(jīng)由總輸出層213輸出由各子網(wǎng)絡(luò)2121-212n選擇的廢水處理方案。由此，可以從已有的廢水處理方案中確定一個(gè)或多個(gè)初步的廢水處理方案，供試驗(yàn)驗(yàn)證。綜上所述，本發(fā)明利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)優(yōu)秀的自學(xué)習(xí)自適應(yīng)能力，網(wǎng)絡(luò)分布儲(chǔ)存知識(shí)，并行運(yùn)算特性和優(yōu)越的非線性映射能力，實(shí)現(xiàn)廢水處理方案的自動(dòng)決策。由于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在一定程度上克服了一般專家系統(tǒng)的知識(shí)獲取問(wèn)題、學(xué)習(xí)能力較差、知識(shí)的"窄臺(tái)階效應(yīng)"即容錯(cuò)性差和知識(shí)存貯容量與運(yùn)行速度的矛盾等瓶頸問(wèn)題，從而進(jìn)一步提高專家系統(tǒng)學(xué)習(xí)能力和處理大型復(fù)雜問(wèn)題的能力，使知識(shí)庫(kù)具有良好的可擴(kuò)充性，系統(tǒng)的運(yùn)行具有更高的可靠性。雖然本發(fā)明己以較佳實(shí)施例揭示如上，然其并非用以限定本發(fā)明，任何本領(lǐng)域技術(shù)人員，在不脫離本發(fā)明的精神和范圍內(nèi)，當(dāng)可作些許的修改和完善，因此本發(fā)明的保護(hù)范圍當(dāng)以權(quán)利要求書(shū)所界定的為準(zhǔn)。權(quán)利要求1.無(wú)機(jī)廢水處理方案的專家診斷決策方法，經(jīng)由一神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)無(wú)機(jī)廢水水質(zhì)指標(biāo)與回用水水質(zhì)指標(biāo)進(jìn)行處理，以輸出廢水處理方案，所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、預(yù)處理層、隱含層及輸出層，所述方法包括以下步驟經(jīng)所述輸入層輸入包含所述無(wú)機(jī)廢水水質(zhì)指標(biāo)與所述回用水水質(zhì)指標(biāo)的第一向量至所述預(yù)處理層；在所述預(yù)處理層中對(duì)所述第一向量中的各水質(zhì)指標(biāo)進(jìn)行分區(qū)段處理，并輸出第二向量；在所述隱含層中依照經(jīng)過(guò)訓(xùn)練的第一加權(quán)值矩陣計(jì)算所述第二向量的各元素之和，并且分別計(jì)算多個(gè)所述和在一非線性激勵(lì)下的函數(shù)，輸出包含多個(gè)所述和的函數(shù)的第三向量；以及在所述輸出層中依照經(jīng)過(guò)訓(xùn)練的第二加權(quán)值矩陣計(jì)算所述第三向量的各元素之和，并分別計(jì)算多個(gè)所述和在一閾值型激勵(lì)下的函數(shù)，輸出包含多個(gè)所述和的函數(shù)的第四向量，所述第四向量包括選擇的廢水處理方案。2.如權(quán)利要求1所述的方法，其特征在于，還包括在所述預(yù)處理層中對(duì)分區(qū)段處理后的各水質(zhì)指標(biāo)進(jìn)行歸一化處理。3.如權(quán)利要求l所述的方法，其特征在于，所述非線性激勵(lì)為Sigmoid激勵(lì)函數(shù)或者徑向基函數(shù)。4.如權(quán)利要求l所述的方法，其特征在于，訓(xùn)練所述第一加權(quán)值矩陣和所述第二加權(quán)值矩陣的方法包括依照預(yù)知的專家方案規(guī)則表構(gòu)建輸入訓(xùn)練陣和輸出訓(xùn)練陣進(jìn)行訓(xùn)練，利用誤差反向傳播的5學(xué)習(xí)算法調(diào)整所述第一加權(quán)值矩陣和所述第二加權(quán)值矩陣。5.—種無(wú)機(jī)廢水處理方案的專家診斷決策方法，經(jīng)由一神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)無(wú)機(jī)廢水水質(zhì)指標(biāo)與回用水水質(zhì)指標(biāo)進(jìn)行處理，以輸出廢水處理方案，所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括總輸入層、多個(gè)子網(wǎng)絡(luò)及總輸出層，其中各子網(wǎng)絡(luò)分別包括輸入層、預(yù)處理層、隱含層及輸出層，所述方法包括以下步驟經(jīng)所述總輸入層輸入包含所述無(wú)機(jī)廢水水質(zhì)指標(biāo)與所述回用水水質(zhì)指標(biāo)的在所述各子網(wǎng)絡(luò)中經(jīng)所述輸入層輸入與所述子網(wǎng)絡(luò)相關(guān)的無(wú)機(jī)廢水水質(zhì)指標(biāo)與回用水水質(zhì)指標(biāo)；在所述預(yù)處理層中對(duì)所述相關(guān)的各水質(zhì)指標(biāo)進(jìn)行分區(qū)段處理，并輸出第二向在所述隱含層中依照經(jīng)過(guò)訓(xùn)練的第一加權(quán)值矩陣計(jì)算所述第二向量的各元素之和，并且分別計(jì)算多個(gè)所述和在一非線性激勵(lì)下的函數(shù)，輸出包含多個(gè)所述和的函數(shù)的第三向量；在所述輸出層中依照經(jīng)過(guò)訓(xùn)練的第二加權(quán)值矩陣計(jì)算所述第三向量的各元素之和，并分別計(jì)算多個(gè)所述和在一閾值型激勵(lì)下的函數(shù)，輸出多個(gè)所述和的函數(shù)至所述總輸出層，所述第四向量包括選擇的廢水處理方案；以及經(jīng)由所述總輸出層輸出由各子網(wǎng)絡(luò)選擇的廢水處理方案。6.如權(quán)利要求5所述的方法，其特征在于，還包括在所述預(yù)處理層中對(duì)分區(qū)段處理后的各水質(zhì)指標(biāo)進(jìn)行歸一化處理。7.如權(quán)利要求5所述的方法，其特征在于，所述非線性激勵(lì)為Sigmoid激勵(lì)函數(shù)或者徑向基函數(shù)。8.如權(quán)利要求5所述的方法，其特征在于，訓(xùn)練所述第一加權(quán)值矩陣和所述多組第二加權(quán)值矩陣的方法包括依照預(yù)知的專家方案規(guī)則表構(gòu)建輸入訓(xùn)練陣和輸出訓(xùn)練陣進(jìn)行訓(xùn)練，利用誤差反向傳播的s學(xué)習(xí)算法調(diào)整所述第一加權(quán)值矩陣和所述第二加權(quán)值矩陣。全文摘要本發(fā)明涉及一種無(wú)機(jī)廢水處理方案的專家診斷決策方法，能夠通過(guò)一神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)無(wú)機(jī)廢水水質(zhì)指標(biāo)與回用水水質(zhì)指標(biāo)進(jìn)行處理，以輸出廢水處理方案。本方法包括對(duì)包含無(wú)機(jī)廢水水質(zhì)指標(biāo)與回用水水質(zhì)指標(biāo)的第一向量進(jìn)行分區(qū)段的預(yù)處理而得到第二向量；依照經(jīng)過(guò)訓(xùn)練的第一加權(quán)值矩陣計(jì)算第二向量各元素加權(quán)之和，并且利用非線性激勵(lì)函數(shù)進(jìn)行變換而得到第三向量；以及在輸出層中依照經(jīng)過(guò)訓(xùn)練的第二加權(quán)值矩陣計(jì)算第三向量各元素加權(quán)之和，并利用閾值型激勵(lì)函數(shù)變換后輸出第四向量，第四向量中包含選擇的廢水處理方案。文檔編號(hào)G06N3/06GK101685506SQ20081020072公開(kāi)日2010年3月31日申請(qǐng)日期2008年9月27日優(yōu)先權(quán)日2008年9月27日發(fā)明者方嘉勇,王維平,許偉明申請(qǐng)人:上海輕工業(yè)研究所有限公司