基于减法聚类的模糊神经网络在水处理过程建模中的应用_王莉

324Proceedingsofthe27thChineseControlConferenceJuly16-18,2008,Kunming,Yunnan,China基于减法聚类的模糊神经网络在水处理过程建模中的应用基于减法聚类的模糊神经网络在水处理过程建模中的应用王莉1,2，沈捷11.南京工业大学自动化学院,南京210009E-mail:silyzheda@sina.com2.南京大学工程管理学院,南京210009摘要：水处理过程具有非线性、时变和大滞后的特性，经典的方法很难建立其精确的数学模型，因此本文提出了采用基于减法聚类的T-S模糊模型建立水处理模型的新方法。该方法通过减法聚类对输入空间进行划分，根据聚类结果确定模糊模型的前件参数初始值以及模糊规则；并用改进的混合BP和最小二乘学习算法对前件和后件参数进行优化。最后，将本文提出的方法用于建立水处理过程的模型，仿真实验的结果表明该方法具有精度较高、收敛快、计算速度快的优点。关键词：减法聚类,水处理,混合学习算法,T-S模糊模型ModelingWaterTreatmentProcessUsingFuzzyNeuralNetworkBasedonSubtractiveClusteringWangLi1,2,ShenJie11.CollegeofAutomation,NanjingUniversityofTechnology,Nanjing210009,P.R.ChinaE-mail:silyzheda@sina.com2.SchoolofEngineeringandManagement,NanjingUniversity,Nanjing210093,P.R.ChinaAbstract:Becauseofnonlinear,time-varyingandtime-delayingproperty,it’sdifficulttomodelwatertreatmentprocessbytraditionalmethod,soaTakagi-Sugenofuzzymodelbasedonsubtractiveclusteringalgorithmisproposedinthispaper.Firstly,subtractiveclusteringisusedtopartitiontheinputspaceandtodeterminetheinitialvaluesofpremiseparametersandfuzzyrules.Moreover,animprovedhybridstudyalgorithmconsistingofabackpropagationalgorithmandleastsquarealgorithmisimplementedtooptimizetheparameters.Finally,thisproposedmethodisusedtomodelthewatertreatmentprocess,andthesimulationresultsshowthatitofferstheadvantagesofhighprecision,fastconvergenceandfastcomputingspeed.KeyWords:SubtractiveClustering,WaterTreatment,HybridStudyAlgorithm,T-SFuzzyModel1引言(Introduction)水处理过程是一个复杂的物理、化学过程。出水浊度是衡量水质的重要质量指标，影响出水浊度的因素有很多，主要有源水浊度、流量和投药量等，它们和出水浊度之间存在着复杂的非线性关系。不同季节和年份的水质存在一定的差异，特别是源水浊度变化较大；在每一天的正常运行情况下，都会有几个高峰用水期，源水流量有一定程度的变化[1,2]。同时，从混凝剂的投加，到絮凝、沉淀、过滤，大约经过40min以上时间。基于上述分析，表明水处理过程具有非线性、时变和大滞后的特点，目前还很难通过对其反应机理的研究，建立精确的数学模型。建立水处理过程精确的非线性模型是建立相应的控制系统和进一步提高其性能的基础。因此，有必要寻找一种能够准确建立水处理过程模型的新方法。本文采用T-S模糊神经网络对水处理过程建模，该方法结合了模糊系统结构、参数物理意义明确和神经网络的自学习能力的优点。利用减法聚类对输入空间进行划分抽取数据的特征，基于聚类的结果提取前件隶属度函数初始值以及模糊规则，这样可以减小误差反向传播(BackPropagation,BP)算法陷入局部极小点的可能性，并对解决T-S模型随辨识系统复杂度的增加，其规则数目容易变大的问题提供了有利的帮助；用改进的混合BP和最小二乘学习算法对前件和后件参数进行优化，提高了算