鄭海棠 胡穎

摘 要：人工神經網絡是對于人腦的模擬，具有自組織和自適應性以及較強容錯能力，在研究神經網絡的基本原理及優(yōu)越性的基礎上，針對污水處理系統(tǒng)的不確定性和非線性特性，初步探討了應用BP神經網絡對某市開發(fā)區(qū)污水處理系統(tǒng)進行模型的建構，以出水COD為輸出目標值，將進水各項水質參數設置為神經網絡的輸入量，建立污水處理系統(tǒng)的BP網絡模型，為在線控制建立模型基礎。

關鍵詞：神經網絡 污水處理 BP神經網絡 模型建構

中圖分類號：X70 文獻標識碼：A 文章編號：1672-3791（2016）01（c）-0014-03

水環(huán)境對于社會的可持續(xù)發(fā)展具有不可忽視的作用，但由于社會及工業(yè)的發(fā)展，水環(huán)境正受到越來越嚴重的污染。在水污染的治理過程中，由于處理系統(tǒng)受到內外因素的影響，使得處理過程存在著一定隨機性和非線性特性，采用常規(guī)的方法建立較精確的處理模型比較困難[1]。神經網絡因具有非線性的映射特性，在這方面展現(xiàn)出其優(yōu)越性。

1 神經網絡概念及功能

神經網絡全稱人工神經網絡，是對于人腦的一種模擬，它模仿腦細胞進行信息的處理（模型如圖1）。信息傳入細胞體，通過調整節(jié)點之間關系，進行信息的處理。它的作用機理與傳統(tǒng)的信息處理和人工智能不同，具有自組織、自適應學習等特性，可以通過預先提供輸入數據以及與之對應的輸出數據，分析其中規(guī)律，然后根據規(guī)律進行結果的推算[2]。

由于人工神經網絡具有較強的容錯能力、自適應學習特性以及并行工作的方式，能充分逼近復雜的非線性關系，在預測方面具有一定的優(yōu)越性。人工神經網絡還具備人腦的聯(lián)想功能，能夠較快地找到針對某一問題的最優(yōu)解。

2 人工神經網絡分類

根據網絡神經元的連接方式，人工神經網絡可分為：前向型網絡和互相結合型網絡。誤差反向傳播網絡（簡稱BP網絡）是典型的前向型網絡，具有代表性，應用較為廣泛。Hopfield模型是相互結合型網絡的代表，能夠較好地進行聯(lián)想記憶，具有較好的優(yōu)化效果。

根據參數調整的情況，人工神經網絡可分為無教師信號學習和有教師信號學習兩種。教師信號即樣本的信號，無教師信號的學習通過運用認知器進行訓練，例如ART網絡和Kohonen網絡；有教師信號的學習則運用感知器進行訓練，例如BP網絡和Hopfield網絡，學習系統(tǒng)如圖2所示，分為輸入、訓練及輸出三個部分。

3 BP網絡在污水處理中的模型應用

3.1 污水處理系統(tǒng)的特性

污水處理系統(tǒng)由于其處理水的來源較復雜，既有生活污水，又有工業(yè)廢水，有的還含有少量的雨水，使得原水水質具有多變性及不確定性特點，是一個復雜的處理系統(tǒng)。在污水處理的過程中，由于系統(tǒng)本身內部因素以及外部因素的影響，處理后的水質具存在一定的不可預知性。

污水的來源中生活污水的主要成分為有機物和氮、磷、硫等成分，還含有較多的致病細菌、污染物濃度不高，處理后COD較容易達標，但TP（總磷）和TN（總氮）的達標較困難；而工業(yè)廢水由于來源種類多，水質水量差異較大，這些都給污水的處理帶來了較多的不確定性因素。同時，由于污水處理過程中微生物活動的復雜性，使得處理中水質參數的變化呈現(xiàn)非線性特性，而污水處理的出水水質控制參數并不是單一的，這給水質參數的在線監(jiān)測帶來了一定的困難，不易建立傳統(tǒng)的數學模型。而神經網絡利用神經元的相互作用進行信息的處理，具有較好的學習性和容錯能力，在水質預測方面展現(xiàn)了良好的非線性映射能力。

3.2 BP網絡模型建構應用

誤差反向傳播網絡（BP網絡）是人工神經網絡中應用最廣的，由于其優(yōu)良的非線性逼近能力，被廣泛應用于各種預測評價，例如：環(huán)境質量預測及評價、污染物降解與釋放、水（處理、生態(tài)）系統(tǒng)的模擬與預測等方面。張文藝等[3]建立了基于BP神經網絡的模型，對污水廠的運行進行了模擬，從而確定最佳運行狀態(tài)。李一平等[4]運用BP神經網絡模型，對太湖生態(tài)系統(tǒng)進行了模擬預測。李祚泳、鄔紅娟等[5]的研究表明BP網絡模型用于水環(huán)境質量評價具有客觀性和實用性。該次研究對于BP神經網絡在具體的水處理系統(tǒng)中的模型建構應用進行了初步探討。

BP神經網絡模型拓撲結構包括輸入層（input）、隱層（hide layer）和輸出層（output layer）（如圖3所示）。

其基本應用原理及程序如下：首先向網絡提供訓練因子即學習樣本[6]，神經元的激活值從輸入層經由隱層向輸出層傳播，經各單元激活函數的運算，將隱含節(jié)點的信息傳至輸出層；根據輸出層的輸出值進行判斷，若實際輸出值與期望輸出值之間存在誤差，則進行反向傳播：將誤差信號沿著原連接通路返回，通過改變網絡中所有連接權值，再次進行運算，重復正向傳播過程，如此反復進行訓練，隨著誤差逆向傳播修正的不斷進行，誤差逐漸達到要求，正確率相應上升[7]。

針對某市開發(fā)區(qū)污水處理廠待處理廢水中工業(yè)廢水含量較高的情況，根據進水水質中的COD，BOD，SS，以及氮磷的含量，采用典型污水處理工藝——活性污泥法，其處理流程如圖4所示：污水和生物污泥同時進入曝氣池，經處理進入二次沉淀池，二沉池的出水為最終出水，為使曝氣池中的污泥具有活性，沉淀池中的部分污泥進入曝氣池回流。BP網絡模型的主要作用是在給定進水水質和水質指標的前提下，對出水水質進行預測。該次研究以COD的處理程度作為研究對象，利用BP網絡進行模型建構，將輸入層神經元設置如下：進水COD濃度、BOD、氨氮、DO、TP、TN，輸出層設置為出水COD，要想得到合理的期望輸出效果，需根據實際效果來調整隱含層的層數和節(jié)點數。隱層節(jié)點數的選擇在網絡中處于重要地位，不僅與輸入層以及輸出層的節(jié)點相關，也是結果出現(xiàn)“過擬合”的原因，因此為了保持較高的網絡性能，隱層節(jié)點數在保證精度的前提下盡可能減少。通常對于隱含層的激勵函數用S型函數（Sigmoid 函數）表示[2]：f（x）=1/（1+e-x）。該次污水處理流程根據各項參數建立網絡模型[8]YCOD=f（X，Wih，Woh）， 其中，YCOD表示出水COD，X表示輸入量，Wih，Woh分別代表輸入層、輸出層的連接權值，模型如圖5。

網絡在訓練過程中根據輸出結果的誤差程度對于神經元個數進行相應調節(jié)。COD的輸出與各項水質參數相關，可以只改變其中一個參數進行網絡調節(jié)，也可以同時對幾個參數做出變動而行調節(jié)[9]。經過訓練后的BP網絡可以對系統(tǒng)實現(xiàn)模型辨識以及仿真，訓練完畢后則可在線預測系統(tǒng)的出水水質，從而實現(xiàn)在線控制。

4 結語

BP網絡結構比較簡單，對于非線性系統(tǒng)能較好地進行模擬，對于污處理系統(tǒng)的不確定性和非線性特性能進行較好表達。但是，通過訓練樣本的學習如何合理地建立BP網絡模型，是一個復雜的過程，很大程度上需要依靠經驗進行設計；加之網絡收斂速度較慢，訓練時間把握不好，一定程度上限制了其發(fā)展應用。

參考文獻

[1] 黃明智，馬邕文，萬金泉，等.污水處理中人工神經網絡應用研究的探討[J].環(huán)境科學與技術，2008，31（3）：131-135.

[2] 蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2001.

[3] 張文藝，鐘梅英，蔡建安.活性污泥法系統(tǒng)人工神經網絡模型[J].給水排水，2002，28（6）：12-15.

[4] 李一平，逄勇，田娜.太湖生態(tài)系統(tǒng)的人工神經網絡模擬研究[J].環(huán)境科學與技術，2004，27（2）：43-46.

[5] 李祚泳，鄧新民.人工神經網絡在水環(huán)境質量評價中的應用[J]，中國環(huán)境監(jiān)測，1996，12（2）：36-39.

[6] 王磊.人工神經網絡原理、分類及應用[J].科技資訊，2014（3）：240-241.

[7] 王旭輝，王錦，許兆義，等.BP神經網絡在水處理工藝中的應用研究[J].能源環(huán)境保護，2006，20（3）：1-3.

[8] 樓文高，劉遂慶.活性污泥系統(tǒng)神經網絡建模與仿真[J].環(huán)境污染與防治，2005，27（9）：704-709.

[9] 魯明，王文成，洪鋒，等.神經網絡在污水處理過程中的應用[J].計算機測量與控制，2014，22（5）：1546-1548.