买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利一种基于自组织前馈小世界神经网络的出水BOD软测量方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115494205B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211106553.6，技术领域涉及：G01N33/18；该发明授权一种基于自组织前馈小世界神经网络的出水BOD软测量方法是由李文静;陈璨;乔俊飞设计研发完成，并于2022-09-12向国家知识产权局提交的专利申请。

本一种基于自组织前馈小世界神经网络的出水BOD软测量方法在说明书摘要公布了：一种基于自组织前馈小世界神经网络的出水BOD软测量方法涉及控制领域，又直接应用于污水处理领域。本发明解决了过去污水水质监测的参数不便测量、测量周期长、模型稳定性差和造价高等弊端，在一般神经网络模型中引入小世界属性提高了计算精度，提出了基于自适应修剪型前馈小世界神经网络的出水BOD浓度软测量方法，具有实时性好、测量方便、模型稳定等优点。本发明针对小世界神经网络模型结构固定的缺点，引入了一种自组织方法使网络的结构在训练过程中具有自适应性，通过分裂重要神经元并将不重要的神经元与其最相关的神经元合并来自动调整模型的结构。本发明引入自组织方法，既获得了更紧凑的模型结构，又提高了模型的预测性能。

本发明授权一种基于自组织前馈小世界神经网络的出水BOD软测量方法在权利要求书中公布了：1.一种基于自组织前馈小世界神经网络的出水BOD软测量方法，其特征在于包括以下步骤： 步骤1：数据预处理； 选取与出水BOD相关的M个输入变量，按照公式1归一化至[-1,1]，输出变量为出水BOD，按照公式2归一化至[0,1]： 其中，Fm表示第m个辅助变量，xm和y分别表示归一化后的第m个辅助变量和输出变量，O表示输出变量；minFm和maxFm分别表示第m个辅助变量中的最小值和最大值；minO和maxO分别表示输出变量中的最小值和最大值； m个辅助变量具体为10个辅助变量：1出水总氮浓度；2出水氨氮浓度；3进水总氮浓度；4进水BOD浓度；5进水氨氮浓度；6出水磷酸盐浓度；7生化混合液体悬浮物浓度MLSS；8生化池溶解氧浓度DO；9进水磷酸盐浓度；10进水COD浓度； 步骤2：设计前馈小世界神经网络模型； 步骤2.1：构建L层标准前馈神经网络模型；其结构由输入层、输出层和L-2层的隐含层组成，相邻层之间具有完全连接，随机初始化连接权值W和V，其中W为隐含层连接矩阵，V为输出层连接矩阵，取值范围为[-1,1]； 步骤2.2：设计前馈神经网络重连方式；计算最大可重连边数Nmax为： Nmax＝minN1,N23 其中N1代表允许重新布线的相邻连接的数量，N2表示允许重新布线的跨层连接数量，分别计算为： 引入预定义参数重连概率p，取值范围是[0,1]；定义重连边数NR＝roundp*Nmax，随机选择NR条连接，根据Watts-Strogatz规则进行重布线：将选中的连接从一端断开并随后重新连接到另一个神经元，如果这两个神经元之间已经存在连接，则取消后选择另一个神经元进行重新布线，直到产生新的重新布线连接；重复直到重布线边数达到预定义的NR条； 步骤2.3：设计前馈小世界神经网络模型的拓扑结构；经重连后各层表达式如下： ①输入层：输入层的神经元数目设为M，表示测量的M个辅助变量，输入向量记为 表示输入层的第i个输入辅助变量，则第i个神经元的输出计算为： ②隐含层:第l层且1≤l≤L的第j个隐含神经元的输出表示为： 式中ns表示第s层的神经元数量，表示第s层神经元i直接连接l层神经元j的连接权值，表示第s层第i个神经元的输出，隐含神经元的激活函数f·是sigmoid函数；其中1≤s≤l-1； ③输出层：输出层包含一个输出神经元o，其输出由其输入的线性权重求和计算，定义为 其中代表神经网络第l层神经元j与输出神经元之间的连接权值，代表第l层神经元j的输出，nl代表神经网络第l层的神经元个数；其中1≤l≤L-1； 步骤3：设计前馈小世界网络自组织算法； 步骤3.1：定义性能指标： 其中，Q为样本数，dq和分别代表第q个样本的期望输出和神经网络实际输出； 步骤3.2：初始化训练迭代次数为t＝0，分裂系数θsplit，合并系数θmerge，最大迭代次数Tmax和期望训练RMSE值即Ed，Tmax取值范围为[5000,10000]，Ed取值范围是0,0.3]； 步骤3.3：训练迭代步数t增加1；当tTmax时执行步骤3.4到3.9，对算法参数进行更新，否则跳至步骤3.10； 步骤3.4：使用批处理反向传播BP算法进行训练，在每次迭代训练中，根据如下公式调整； ①第s层第j个神经元到输出神经元的连接权重： 其中 其中dq和分别代表第q个样本的期望输出和神经网络实际输出，δot表示第q个样本的期望输出和神经网络实际输出之差，和分别表示第s层第j个神经元到输出神经元的连接权重及其变化值，表示第s层第j个神经元的输出，t表示神经网络的第t次迭代，η表示学习率，Q表示总的样本量； ②第s层中的第i个神经元与第l层中的第j个神经元之间的连接权重根据以下更新： 其中 和分别表示第s层第i个神经元到第l层第j个神经元的连接权重及其变化值，表示第l层第j个神经元到第d层第k个神经元的连接权重，表示第s层第j个神经元的输出，表示第l层第j个神经元的输出，t表示神经网络的第t次迭代，η表示学习率，和分别表示第l层第j个神经元和第d层第k个神经元的期望输出与实际输出的误差； 步骤3.5：按照公式15计算训练RSME： 其中，Q为训练样本总数，dq和分别是第q个样本的期望输出和实际输出，当RMSE大于期望RSME值Ed或迭代次数t达到设定最大值Tmax时停止训练，否则转到步骤3.5；Tmax的取值范围是[5000,10000]； 步骤3.6：计算网络中所有节点的hub中心性的值； ①网络节点的hub和authority值分别初始化为h0＝[1,1,…,1]T和a0＝[1,1,…,1]T； ②每个节点的hub和authority值根据公式迭代更新： hk＝Aak-116 ak＝Ahk-117 其中k是表示迭代步数，A是连接权重的邻接矩阵 A＝wij18 其中当节点i与节点j直接的连接存在时，wij为1，否则wij为0； ③根据以下公式规范化节点的hub和authority值： 其中||·||是一范数，计算为各个元素的绝对值之和，和分别表示节点i在第k次迭代时的hub和authority值； ④迭代一直持续到hub和authority值收敛； 步骤3.7：基于hub中心性的神经元重要性评价；对于每个隐层神经元，经步骤3.4计算得到每个神经元hub中心性的值和网络中所有神经元的平均枢纽中心性对于每个隐层神经元，如果则认为该神经元是需要被分裂的重要神经元，转到步骤3.8；θsplit是预定义分裂阈值，取值范围是[1.1,1.4]；如果则认为该神经元是需要被合并的不重要神经元，转到步骤3.9；θmerge是预定义分裂阈值，取值范围是[0.8,1； 步骤3.8：重要节点分裂；重要节点记为s层第a个节点，分裂得到的两个新神经元a1和a2的输入权重与神经元a相同，即 其中是l1层第i个节点到s层第a1个节点的连接权值，是l1层第i个节点到s层第a2个节点的连接权值，是l1层第i个节点到s层第a个节点的连接权值；其中1≤l1≤s-1； 两个新节点到隐含层神经元的连接权值和到输出神经元o的连接权值分别定义如下： 其中表示s层第a1个节点到第l2sl2L层第j个节点的连接权值，表示s层第a1个节点到输出神经元o的连接权值；表示s层第a2个节点到第l2层第j个节点的连接权值，表示s层第a2个节点到输出神经元o的连接权值；表示s层第a个节点到第l2层第j个节点的连接权值，表示s层第a个节点到输出神经元o的连接权值；α是突变参数，取值范围是0,1； 步骤3.9：不重要节点与其最相关神经元合并；不重要节点记为s层第b个节点，基于Pearson相关系数计算其与同一层中的其他神经元的关系，定义为： 其中是第s层第i个节点的输出向量，和σi分别是所有训练样本中的平均值和标准偏差，是第s层第b个节点的输出向量，和σb分别是所有训练样本中的平均值和标准偏差，q表示第q个样本，Q是总的样本量； 选择相关性最高的神经元c作为与不重要神经元合并b的神经元，合并得到的新神经元b′，第l1≤ls层神经元到第s层神经元b′之间的连接按照Watt-Strogatz的重连规则以与步骤2.2中相同的重连概率p构造，初始连接权重随机设置在[-1,1]范围内； 新神经元b′到隐含层神经元和到输出神经元的输出权值分别定义为： 其中，是第s层神经元b′到l2层第j个神经元的连接权值，表示第s层神经元b到l2层第j个神经元的连接权值，表示第s层神经元c到l2层第j个神经元的连接权值；表示神经元b′到输出神经元的连接权值，表示神经元b到输出神经元的连接权值，表示神经元c到输出神经元的连接权值；是第s层神经元b的输出,是第s层神经元c的输出，是第s层神经元b′的输出，计算如下： 其中表示第l11≤l1≤s-1层神经元数量，是第l1层第i个神经元到第s层神经元b′的连接权值，是第l1层第i个神经元的输出； 步骤3.10：按照公式15计算训练RSME；当RMSE大于期望RSME值Ed或迭代次数t达到设定最大值Tmax时停止训练，否则重复步骤3.3到3.9； 步骤4：出水BOD预测； 将测试样本数据作为训练后的自组织前馈小世界神经网络的输入，得到神经网络的输出，将其进行反归一化得到出水BOD浓度的预测值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。