基于FRBPSO-RBF神经网络的污水BOD5软测量方法

污水处理过程中污水BOD5难以实时准确测量,故软测量方法逐渐被用于污水BOD5的预测,其中RBF神经网络软测量方法应用广泛,但存在训练过程易陷入局部极值等问题。为提高RBF神经网络的预测精度,提出了基于适应度排名的粒子群算法(fitness ranking based particle swarm optimization,FRBPSO),根据适应度排名与迭代次数确定惯性权重的大小,并根据粒子个体历史最优值的排名与迭代次数确定自我学习因子与社会学习因子的大小,并将FRBPSO算法引入RBF神经网络的参数训练中。基于13个基准测试函数与其他3个粒子群优化算法对比,实验结果显示FRBPSO算法的寻优能力相对较强。再将基于FRBPSO算法的RBF神经网络用于构建污水BOD5软测量模型,仿真结果表明,在测试数据中,FRBPSO-RBF软测量模型的平均绝对误差比PSO-RBF软测量模型、DAIW-RBF软测量模型、SCVPSO-RBF软测量模型分别降低了0.7178、0.2402、0.5851,平均绝对百分比误差分别降低了0.47%、0.15%、0.33%,均方根误差分别降低了0.0034、0.0015、0.0039。与其他3个基于PSO算法的BOD5软测量模型相比,FRBPSO-RBF模型具有较高的BOD5预测精度。