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PSLSTM神经网络的出水BOD浓度预测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：CN114565143B 。

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：202210151277.9，技术领域涉及：G06F30/27；该发明授权一种基于PSLSTM神经网络的出水BOD浓度预测方法是由李文静;王潇潇;李治港;乔俊飞设计研发完成，并于2022-02-16向国家知识产权局提交的专利申请。

本一种基于PSLSTM神经网络的出水BOD浓度预测方法在说明书摘要公布了：一种基于PSLSTM神经网络的出水BOD浓度预测方法实现对未来时刻的出水BOD浓度预测，将人工智能技术直接应用于污水处理领域。本发明针对当前污水处理过程中出水BOD浓度预测过程等待时间长、存在时滞等问题。该方法设计了一种结合门结构简化和参数简化的混合策略来简化LSTM的内部结构，使用PLS回归系数来评估LSTM单元的重要性，并通过将不重要的单元与其最相关的单元合并来修剪冗余的隐藏层大小。结果表明该方法能够在良好的泛化能力和紧凑的网络结构之间取得平衡，准确、快速地预测未来时刻的出水BOD浓度，为相关部门科学决策提供参考。

本发明授权一种基于PSLSTM神经网络的出水BOD浓度预测方法在权利要求书中公布了：1.一种基于PSLSTM神经网络的出水BOD浓度预测方法,其特征在于,包括以下步骤: 步骤1：数据预处理； 步骤1.1：计算出污水处理厂每一个水质参数与出水BOD浓度的互信息值，计算方式如式1所示：选取互信息值大于0.84的变量得出与出水BOD浓度相关性强的辅助变量为：出水总氮浓度、进水磷酸盐浓度、进水色度； 其中，IX,Y表示X,Y的互信息，px,y表示x,y的联合概率密度分布函数，px、py分别表示x、y的概率密度分布函数； 步骤1.2：选取t-2、t-1、t时刻的出水总氮浓度、进水磷酸盐浓度、进水色度及出水BOD浓度作为输入变量，t+1时刻的出水BOD浓度作为输出变量；将输入变量,输出变量按照公式2-3归一化至[-1,1]： 其中,Xt表示t时刻的输入变量,xt表示归一化后的t时刻输入变量，Ot表示t时刻的输出变量,yt表示归一化后的t时刻输出变量； 步骤2：设计出水BOD的PSLSTM神经网络预测模型； 步骤2.1：设计SLSTM神经网络的结构； 设计的SLSTM神经网络由2个控制门和一个记忆单元组成，各结构的计算功能如下： ①输入门:输入门it控制需要输入到网络中的信息，计算如下： it＝σUiht-1+bi4 其中，Ui和bi分别为输入门的递归权重矩阵和偏差权重矩阵，ht-1是时间t-1时刻的单元输出，σ为sigmoid激活函数σx＝11+e-x； ②记忆单元：记忆单元ct将当前信息与以前的信息结合起来，计算如下： ct＝1-it⊙ct-1+zt5 其中，⊙表示点乘运算，ct-1为t-1时刻的记忆单元状态，zt表示单元输入结合t时刻的输入变量xt和t-1时刻的单元输出ht-1来更新输入： zt＝gWzxt+Uzht-1+bz6 其中，Wz,Uz和bz分别为单元输入的输入权重矩阵、递归权重矩阵和偏差权重矩阵，g为双曲正切激活函数gx＝tanhx； ③输出门：输出门ot通过以下公式控制多少单元输出ht被输出网络： ot＝σUoht-1+bo7 ht＝ot⊙gct8 其中，Uo和bo分别为输出门的递归权重矩阵和偏差权重矩阵，ht为t时刻LSTM单元的输出，gct表示ct被tanh激活函数转换； 计算SLSTM的最终输出yt如下所示： yt＝Wyht9 其中，Wy为单元输出和PSLSTM最终输出之间的连接矩阵； 步骤2.2：设计基于PLS的SLSTM神经网络剪枝算法； 步骤2.2.1：使用偏最小二乘PartialLeastSquares,PLS法计算每个LSTM内部记忆单元的相应回归系数，PLS回归方程如下所示： yt＝a1ct,1+···+amct,m+···+aMtct,Mt10 其中，am为PLS回归系数，Mt为t时刻LSTM单元的个数； 步骤2.2.2：根据选择不重要的LSTM单元，为所有记忆单元的PLS回归系数的平均值，θ为根据经验设置的预定义阈值,取值0.06； 步骤2.2.3：根据公式12将不重要的LSTM单元与其最相关的单元合并： 其中，Smn为相关系数，ct,m为t时刻被选择的不重要的LSTM单元m的记忆状态，ct,n为t时刻未被选择的LSTM单元n的记忆状态，和分别为所有时间点上ct,m和ct,n的平均值,σm、σn分别为ct,m、ct,n的标准差，选择具有最高相关系数的LSTM单元作为最相关的单元； 步骤2.2.4：合并不重要的LSTM单元m1和其最相关的单元m2生成新的单元m0，LSTM单元m0所有的输入、递归和偏置权重矩阵在[-1,1]范围内随机分配，m0的输出通过公式4-8计算，从单元输出到PSLSTM最终输出的连接权重矩阵被计算为： 其中，分别为剪枝前LSTM单元m1、m2的输出到PSLSTM最终输出的连接权重矩阵，分别为剪枝前LSTM单元m1、m2的输出，为剪枝后LSTM单元m0的输出到PSLSTM最终输出的连接权重矩阵，为剪枝后LSTM单元m0的输出； 步骤3：设计出水BOD的PSLSTM神经网络学习算法； 步骤3.1：定义性能指标函数: 其中，和yt分别为t时刻PSLSTM的期望输出和实际输出； 步骤3.2：采用时间反向传播算法来更新参数； ①在最后一次更新参数时，δht通过进行计算，否则δht通过以下公式进行计算： δht＝δzt+1Uz+δit+1Ui+δot+1Uo14 其中，δht代表t时刻输出向量ht的误差项,δzt+1、δit+1与δot+1分别代表t+1时刻单元输入zt+1、输入门it+1、输出门ot+1的误差项； ②计算与记忆单元和门结构相关的参数如下所示： δct＝δht⊙ot⊙g′ct15 其中，δct、δot、δit与δzt分别表示t时刻记忆单元状态ct、输出门ot、输入门it、单元输入zt的误差项，分别表示输出门、输入门和单元输入被相应激活函数转换前的原始值,g′ct表示ct被tanh激活函数转换后求导，表示被sigmoid激活函数转换后求导，表示被sigmoid激活函数转换后求导，表示被sigmoid激活函数转换后求导； ③更新t时刻的输入权重、递归权重和偏差权重矩阵如下所示： Wz,t＝Wz,t+1-η×δWz,t19 UΩ,t＝UΩ,t+1-η×δUΩ,t20 bΩ,t＝bΩ,t+1-η×δbΩ,t21 其中,Wz,t、UΩ,t、bΩ,t分别表示更新后的t时刻输入权重矩阵、递归权重矩阵、偏差权重矩阵,Wz,t+1、UΩ,t+1、bΩ,t+1分别表示t+1时刻输入权重矩阵、递归权重矩阵、偏差权重矩阵,η为学习率，取值0.01，δWz,t、δUΩ,t、δbΩ,t分别表示t时刻输入权重矩阵、递归权重矩阵、偏差权重矩阵的更新值，被计算为： δbΩ,t＝δΩt24 其中，表示矩阵的叉乘；Ω表示{z,i,o}中的其中一个； 步骤3.3:输入训练样本数据,根据步骤3.2中的公式14-24更新输入权重、递归权重、偏差权重矩阵,每输入一组训练样本,权值更新一次； 步骤3.4:计算训练RMSE，如果RMSE小于期望的训练RMSEEd或者迭代次数达到最大迭代次数Imax时停止计算，其中Imax取值为1000，Ed取值为0.0200，否则跳至步骤3.3，RMSE定义如公式25所示： 其中，T是所有时间点的数量； 步骤4:出水BOD预测； 将测试样本数据作为训练好的PSLSTM神经网络的输入,得到PSLSTM神经网络的输出,将其进行反归一化得到出水BOD浓度。

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”。