跨越—侧抑制神经网络序列学习BOD特征建模  

Biochemical Oxygen Demand Characteristic Modelling Based on Span-lateral Inhibition Neural Network Sequential Learning

作　　者：杨刚[1] 戴丽珍[1] 杨辉[1] 乔俊飞[2] 

机构地区：[1]华东交通大学电气与电子工程学院,江西南昌330013 [2]北京工业大学电子信息与控制工程学院,北京100124

出　　处：《信息与控制》2015年第5期577-584,591,共9页Information and Control

基　　金：国家自然科学基金资助项目(61034008;61164013;51174091);"973"计划前期研究专项资助项目(2014CB360502);江西省教育厅科技研究项目(GJJ14402)

摘　　要：通过对跨越—侧抑制神经网络(S-LINN)的权值连接分析,设计一种跨越输出权值——隐含层前馈连接权值分别训练的序列学习(SFSL)方法,并结合S-LINN的BOD(biochemical oxygen demand)特征建模方法,实现其在线预测.权值序列学习方法能够实现网络权值的快速收敛,进一步提高网络的学习性能.实验研究表明,S-LINN的特征建模能够实现BOD的准确预测,并且SFSL对网络的学习精度和泛化能力均有明显提升.Based on the analysis of the weight connection of the span-lateral inhibition neural network （S-LINN）, a sequence learning approach （SFSL） is proposed on the basis of separate training of the span-output weights and the hidden-layer-feedforward weights during the learning process. By combining the intelligent character- istic biochemical oxygen demand （BOD） modeling of the S-LINN, the method can real_ize forecasting values online. The new learning strategy not only accelerates the convergence of weights but also improves the performance of the S-LINN. Experiment results show that the proposed S-LINN sequential learning characteristic modeling approach can achieve high-accuracy BOD prediction mad that the SFSL improves the approximation and generalization abilities of the S-LINN.

关 键 词：污水处理 生化需氧量 跨越—侧抑制神经网络 序列学习 特征建模 

分 类 号：TP183[自动化与计算机技术—控制理论与控制工程]