基于改进FCM模糊神经网络的水处理过程建模

基于改进FCM模糊神经网络的水处理过程建模【102】第32卷第8期2010-80引言在常规由地表水制取饮用水的工艺过程中，水中杂质微粒的去除一般经过以下工艺流程：凝聚、絮凝、沉淀以及过滤。经过加药混凝后，水中的微小颗粒在絮凝池内形成易于在沉淀池中去除的絮体，经过沉淀池之后水中绝大部分的悬浮物和絮体被去除，过滤可以进一步去除悬浮物和絮体。可以看出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。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]。基于上述分析，表明水处理过程具有非线性和时变的特点，目前很难通过对其反应机理的研究，建立精确的数学模型，因此，本文提出了一种建立水处理过程模型的新方法。本文采用基于改进FCM聚类自适应模糊神经网络建立水处理过程的模型。FCM聚类是一种迭代优化来计算聚类中心，是一种适宜的模糊划分算法，但是算法的性能依赖于初始聚类中心，聚类的数目也需要人为事先确定。减法聚类是一种用于估计一组数据中聚类个数和聚类中心的快速单次算法，但得到的聚类中心在原始数据点上，故基于改进FCM模糊神经网络的水处理过程建模ModelingwatertreatmentprocessusingfuzzyneuralnetworkbasedonimprovedfCMclustering王莉1,2,张广明1,周献中2WANGLi1,2,ZHANGGuang-ming1,ZHOUXian-zhong（1.南京工业大学自动化与电气工程学院,南京210009；2.南京大学工程管理学院,南京210093）摘要:本文结合改进的FCM聚类分析算法，提出了一种自适应T-S模糊神经网络用于建立水处理过程的模型。该方法通过减法聚类初始化FCM聚类算法，加快了FCM聚类收敛速度，利用改进后的FCM算法对数据集聚类，从而产生输入空间的模糊划分和模糊规则；并用混合BP和递推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收敛快、精度较高、泛化能力好的优点。关键词:FCM聚类,减法聚类；水处理；自适应模糊神经网络中图分类号：TP183文献标识码：A文章编号：100