论文部分内容阅读
【中图分类号】X703 【文献标识码】A 【文章编号】1672-5158（2013）03-0079-02
一、人工神經网络技术原理
人工神经网络（Artificial Neural Network，ANN）是一种基于对人脑思维活动的初步认识、从研究人脑生理结构出发来研究人的智能行为，模拟人脑信息处理过程而提出的一种信息处理的抽象简化模型，是由大量处理单元广泛互联而成的网络结构，具有并行处理、分布式存储与良好容错性的算法数学模型，并具有自学习、自组织与自适应能力特征。它是植根于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。
自二十世纪四十年代W.S.McCulloch和W.A.Pitts提出一种最简单的神经元数学模型M-P网络模型以来，神经网络在历经了启蒙、低潮、复兴、新时期等发展阶段以后，取得了长足的进步，成为具有非线性智能化模拟鲜明技术特点、交叉活跃的信息处理学科和应用工具。神经网络技术应用于城市污水处理领域与范围日趋广泛深入。目前常用于污水处理中的神经网络有BP（误差反向传播）神经网络、RBF（径向 基函数）神经网络、自适应神经网络等，涉及的软件算法有有感知器（Perceptron）学习规则、Widrow-Hoff学习算法、胜者为王（Winner-Take-All）算法、外星（Outstar）学习算法、模拟退火算法、遗传算法等。在实际应用中BP神经网络是各领域应用最为广泛的一种网络。
从系统工程角度分析，污水处理系统具有不稳定性和不确定性的特点，即处理过程时刻面临外部环境的变化及扰动情况，其处理过程具有多变量、非线性及随机性的特点，加之其系统结构复杂、处理机理不清，难以运用传统方法建立精确的数学模型求得问题的解析解。应用数学模型设计和管理污水处理厂是提高污水处理厂设计、运行和管理水平的必然需要求，也是污水处理项目在建设或改造时节约建设资金和时间的重要技术手段。人工神经网络的非线性映射功能对于解决以上传统建模难题有着得天独厚的优势，具有隐层的网络结构能以任意精度逼近任意复杂的非线性函数，其自调整、自适应结构功能有很强的学习能力和分布式存储、大容量并行处理的容错能力。同时，人工神经网络能通过“能量函数”下降到最小值去寻求处理目标的最优解，比传统求解目标约束条件下的最有解问题要简单、快捷。人工神经网络与基于语言规则的智能控制、基于模糊规则的模糊控制技术相结合，能充分发挥各自的技术特点与优势，利用计算机的硬件、软件技术将以上各具优势的控制技术构建具有多层次、多功能、非线性复合的智能化污水处理系统，是污水处理系统自动化、智能化的研究及应用热点。
常用于污水处理系统的神经网络有误差反向传播BP网络（Back Propagation Network）、自适应神经网络、局部逼近神经网络等，其中BP神经网络是至今为止应用最为广泛的一种网络。
BP神经网络最早是由Werbos在1974年提出，在1986年，Rumelhart和McCelland领导的科学家小组在《Parallel Distributed Processing》一书中对具有非线性连续转移函数的网络的误差反向传播算法进行了详尽的分析，实现了Minsky关于多层网络的设想，解决了具有隐层网络的权值调整问题。其网络结构一般如图1所示，由输入层、中间隐层和输出层所组成。BP网属于多层前馈网络，由信号的正向传播和误差的反向传播两个过程组成，伴随网络各层间的权值调整过程，周而复始地进行，直到网络输出误差减小到可接受程度。
BP网络的转移函数一般选用单极性或双极性的Sigmoid函数。
BP网络算法具有一定的局限性，首先，网络隐含层节点个数没有理论依据，常常需要通过实验加经验的方法确定、激活函数S型的确定没有理论依据；其次网络收敛的梯度下降算法可能陷入局部最小而得不到全局最小，并且训练效率低、收敛速度慢；第三存在学习速率难以确定、学新忘旧等问题。
BP算法的改进方法有：1、增加权值调整动量法改进BP算法，减小震荡；2、在训练过程中自适应调整学习速率；3、引入梯度因子，提高网络收敛速度。
二、人工神经网络技术运用于污水处理领域
神经网络具有良好的模式辨识及非线性函数映射的功能优势，可以作为一个广义的函数逼近器看待。对于污水处理系统这样典型的大容量非线性、多变量时变特征明显的复杂系统的建模问题，能提供一种满足实际需求的解决方案。另外，运用传统的技术方法，面对系统的实时辨识及其相关算法的时候，不仅算法过程显得复杂、计算量大，而且受计算机硬件速度及容量的限制，难以满足实时性的要求，而神经网络的大容量分布存储、高速并行处理的技术优势，能对系统进行快速实时辨识，为执行相应的控制预案提供了准确的判据。神经网络通过输入输出对数据的循环训练，能将正确的映射关系分布存储在网络的连接权值中，从而使复杂的建模问题变得简单易行，是一种对实际问题普遍使用的辨识方法。在系统建模、水质参数的预测与仿真、软测量应用、优化控制与节能降耗、加药控制等方面都有广泛的应用。
1、神经网络用于传统活性污泥污水处理工艺
可以运用BP网络，对传统的活性污泥法污水二级处理工艺建立模型，使活性污泥法工艺系统的在线智能控制取得了很好的运行效果。童正环等[3]以传统活性污泥处理工艺为对象模型，利用人工神经网络对活性污泥法污水处理进行建模，运用BP神经网络分别建立初沉池、曝气池、二沉池三个神经子网络模拟活性污泥的三个典型工艺环节，各子网均由输入、输出和隐层三层组成，设置合适的学习速率和弹性算法对污水处理实际运行数据进行训练，待网络稳定后，其模型输出曲线与实际测量数据曲线变化数据能较好吻合。实践结果表明：神经网络完全可以用于活性污泥污水处理工艺的建模与运行控制，并且优于传统污水处理控制方法。 2、COD-污泥负荷对SBR工艺脱氮效果的预测与仿真
有研究者[4]利用神经网络分析工具，对SBR工艺中进水COD-污泥负荷对污水处理系统脱氮的影响效果建立了神经预测模型。通过模型预测结果与实测值的比较表明：模型预测精度较高。为在系统运行时及时、合理地调整COD-污泥负荷来提高脱氮效果提供了一条新途径。
实践经验表明，影响SBR脱氮效果的因素主要有：反应时间、污泥龄、进水COD-污泥负荷、pH值、溶解氧、碳源等。其中进水COD浓度与污泥浓度构成的COD-污泥负荷对脱氮效果的影响作用非常巨大。利用BP神经网络构成非线性函数的映射器，网络结构设计为4-4-3，即网络输入向量设置4个输入分量，分别为：1、进水COD-污泥负荷；2、进水COD；3、NH3-N；4、TN；设置4个隐层节点，以便逼近目标函数；设置3个输出节点，分别为：1、出水NH3-N；2、NO3-N；3、TN。用分别代表COD-污泥负荷大、中、小的48组实验数据中的40组实验数据作为对该神经网络进行训练的训练样本，另外8组实验数据作为测试样本，通过训练过程中神經元之间连接权值的动态调整，建立起COD-污泥负荷与系统脱氮效果之间的正确映射关系。通过运用MATLAB的训练与仿真，表明经训练后的网络模型，收敛且稳定，平方和误差为10-4，网络的期望输出与系统实际输出较为吻合，其相对误差在0.06%～0.60%之间，误差很小。
3、径向基函数人工神经网络用于预测污水处理厂出水水质
由于活性污泥法的运行和控制过程是很复杂的大系统问题，涉及基质降解、微生物生长环境、生长规律等因素，而这些相互交织的影响因素之间有常常是非线性关系，另外，污水进水成分的时空变化，使得即使是从某个污水处理厂获得的一些操作运行方面的经验和知识，也并不能原封不动地用到其他污水厂。
根据人工神经网络的理论和方法，胡坚等人[5]建立了径向基函数神经网络污水水质的预测模型。径向基函数RBF神经网络模型（Radial Basis Function Neural Network）有很强的逼近能力、分类能力和学习速度。它把网络看成对未知函数的逼近，任何函数都可以表示成一组基函数的加权和，也即选择各隐层神经元的传输函数，使之构成一组基函数来逼近未知函数。该RBF人工神经网络由一个输入层、一个隐层和一个输出层组成，RBF中心的选取采用了最近邻聚类学习算法，隐层单元的节点数不需要事先人为确定，随着输入样本的变化，隐层单元的节点数也随之而变，训练样本学习结束时，隐层单元的节点数随之确定下来，因此网络算法具有较大的灵活性。RBF神经网络的隐层作用基函数选用高斯函数。输入层X向量对应的进水水质参数是：生化需氧量（COD）、总氮（TN）、溶解氧（DO）、温度t和进水负荷Q。通过隐层非线性的传输函数，即径向基函数，完成从输入空间到隐含单元的非线性变换；输出层的Y向量对应的是出水水质参数：COD、TN。输出层为线性层，完成对隐层空间模式的线性分类，即提供从隐单元空间到输出空间的线性变换。采用上述算法对污水处理厂的34个实际运行数据中的29个样本数据对网络模型进行训练和5个样本用于水质预测验证，建立的网络映射模型无需研究生化工艺各个影响因素与结果之间的作用机理与关系。对输入数据进行归一化处理后，训练的径向基宽度采用0.2，误差指标控制在0.01。网络训练后预测的水质数据与实测的水质数据之间有较好的拟合：COD拟合的绝对误差最大为0.191mg/l，最小为0.00mg/l；TN拟合的绝对误差最大为0.316mg/l，最小为0.00mg/l。模拟过程充分体现了人工神经网络的特点，只要通过系统的输入与输出数据，即可获得较为可靠的模型，并显示出模型的通用型、动态性和时效性。由于RBF神经网络运行速度快，能很好地适应对数据有实时性要求的场合，能对进出水水质信息作出快速相应，有望成为污水处理一个快速有效的管理工具。
4、废水处理中的软测量应用
废水处理需测量的水化学参数大多为生物量参数，测量生物量传统的方法是应用生物传感器进行测量。生物传感器主要是以生物酶作为敏感材料集成的测量仪器，生物酶价格昂贵，因此基于生物酶开发的生物传感器造价很高、测量范围窄、测量重现性有待提高。污水处理是以生化反应驱动的动力学过程，因此难以用传统分析方法建造污水处理模型，同时运用以往的水化学分析方法对水样进行分析，反应慢，周期长，不能满足实时性要求高的污水测控需要。近年来兴起的软测量技术，对工艺控制中一些难以测量或暂时不能测量的重要变量，根据某种最优准则，选择一组既与主导变量密切相关又容易测量的辅助变量，通过构造某种数学映射关系，利用计算机软件对主导变量进行估计。这种技术仅需检测一些易测变量作为辅助变量，其他工作则通过软件实现，无需多少投资和时间就可实现。
杨马英等[6]利用水质参数与污水处理多个相关联过程可测参数间的关联关系，提出了基于Elman递归人工神经网络的水质参数软测量模型，用易测、可测的过程参数ORP、DO浓度和pH值作为网络输入参数，来估计不易测的过程参数，以实现对CODcr、NH3-N、TP水质参数的实时软测量。
污水生化处理实践表明：CODcr、NH3-N、TP等参数的变化趋势与ORP、DO浓度和pH值的变化具有相关性。通过处理过程的CODcr、NH3-N、TP变化动态特性，能及时、准确反映微生物状态的变化信息，确定有机物降解结束、硝化与反硝化结束、生物除磷释磷、吸磷等生化反应的特征点，从而由上述水质指标作为控制参数来构造污水处理系统新的控制策略。
对Elman网络，以ORP、DO浓度和pH值作为网络输入参数，经过1000次训练后建立了CODcr、NH3-N、TP作为输出参数的动态预测模型。结果表明，Elman网络模型对污水生化反应过程中各个关键特征点的确定，模型输出与系统实际值有很好的拟合，较之于传统方法，如主元回归分析、部分最小二乘法所建立的线性、静态模型，Elman网络能更生动、更直接地反映污水处理系统的动态特性，为活性污泥法污水处理工艺系统实现在线智能化控制提供了一条经济实用、简便可靠的途径。 5、污水处理系统最优控制与节能降耗应用
遗传算法（Genetic Algorithm）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索问题最优价的方法，广泛用于复杂系统具有鲁棒性的优化计算。
王小艺[7]等采用遗传算法构建的神经网络得到水中DO的优化控制目标曲线，获得了不同时段污水控制参数DO的优化值，并且建立了自适应模糊神经网络污水处理参数DO的跟踪控制模型，将神经网络与模糊控制系统相结合，实现了控制规则的自动获取及模糊隶属函数的调节，取得了较好的控制效果，通过DO浓度值控制风机频率，从而使鼓风机供氧能耗降低了15%～40%，节省了处理电费成本。
6、污水处理加药系统应用
混凝加药过程是一个多变量、时变的非线性动态系统，控制精度要求较高以满足净化污水的实际需要。药剂投加量与污水原水混浊度、流量、温度与压力等因素动态相关。混凝剂加入量不足，则水中杂质不能凝聚结大、未能充分脱稳，达不到去除的目的；加药过量，水中颗粒因超荷现象而导致再稳定，混凝效果反而变差。准确的药剂投加量是提高污水净化效率的基本前提条件。
针对投药混凝过程的大时滞、非线性特性，陈琳等[8]研究者采用了BP神经网络的非线性函数逼近特点，建立了实时预测水处理加药量的前馈控制模型，网络结构为3层模型，输入向量为：原水浊度、原水流量、pH值、温度和电导率，输入变量为加药量。取300组历史运行数据作为网络训练与测试样本，并在此基础上设计了模糊PID控制器作为反馈校正对预测投药量进行实时调整，从而共同完成对出水浊度有效控制，利用MATLAB软件中的Simulink工具对控制系统进行了仿真，仿真结果表明该系统能够将出水浊度控制在要求的范围之内，且当引入较大的外部扰动时，系统仍可达到满意的控制效果，说明设计BP神经网络与模糊PID控制器组成的复合加药控制系统具有较好的鲁棒性。
三、神经网络应用研究中存在的局限与待解决的问题及今后研究的发展方向
当前人工神经网络的应用研究中还存在以下局限及待解决的问题：一是人工神经网络的模型原理及学习算法的研究尚无重大进展；二是人工神经网络的一些重要理论及分析设计方法没有突破性的进步；三是人工神经网络硬件实现研究步伐相对滞后；四是人工神经网络作为构件与其它环节构建智能系统的成功应用实例还不多。
将神经网络技术应用到污水处理领域，能有效解决传统污水处理监测控制技術应用所遇到的巨大难题。神经网络控制特别适用于具有不确定性和高度非线性的多变量污水处理系统的控制。不同污水处理工艺所涉及的多变量的输入输出函数映射关系不同，需要建立符合相应函数映射关系的模型，有针对性地采用不同的学习算法训练，使网络适应不同的应用场合；神经网络用于污水处理过程最终和最直接的目的是实现对污水处理过程的高性能控制。这种综合（集成）智能控制系统可能是神经控制与另外一种或几种智能控制技术的结合，或者是神经控制与传统控制技术的结合，如模糊神经控制系统、模糊神经网络自学习控制系统、神经模糊推理系统、神经网络专家智能协调控制及神经PID控制等。
神经网络也存在某些缺点：不适合表达基于规则的知识，不能很好地利用已有的经验知识，网络训练时间长有可能导致陷入非要求的局部极值。如果数据中有干扰和不确定性，则常会出现过界问题。改进神经网络以及与其它智能控制技术结合可以在一定程度上弥补这些不足。
今后人工神经网络应用研究的主要发展方向，一定是呈现多学科综合发展的鲜明特点和应用前景。近年来，人工神经网络技术与模糊逻辑、遗传算法及专家系统相结合，取得的综合应用成果明显优于各个智能技术方法的单一应用结果，另外，采取有力措施加快神经网络硬件实现的技术进步，是充分发挥人工神经网络高速并行处理的优势必备的物质基础。神经网络软件技术与硬件技术相结合，从人工神经网络集成到人工神经系统，是人工神经网络应用研究的崭新方向。
参考文献
[1]韩力群 人工神经网络理论、设计及应用-人工神经细胞、人工神经网络和人工神经系统 化学工业出版社 2002.1
[2]黄明智 马邕文等 污水处理中人工神经网络应用研究的探讨环境科学与技术 Vol.31 No.3 131～134
[3]童正环 王静 许伟明 沈昱明 于莲芝 人工神经网络在污水处理建模中的应用 仪器仪表学报 第26卷第8期增刊 347～348
[4]邵青 COD污泥负荷对SBR工艺脱氮效果影响研究――基于MATLAB的人工神经网络动态仿真法 中国农村水利水电 2002，12 35～38
[5]胡坚 严敏等 径向基函数人工神经网络预测污水处理厂出水水质 浙江工业大学学报 第34卷第6期 2006.12. 633～636
[6]杨马英 周芳芹 李军 基于Elman神经网络的城市污水处理水质参数软测量 东南大学学报（自然科学版）第36卷增刊 2006.07 120～123
[7]王小艺 刘载文 齐杰 连晓峰 污水处理智能优化控制方法研究控制工程 2008年7月 第15卷 第4期 366～368
[8]陈琳，杨鹏翔等 基于模糊PID与BP网络的复合加药控制系统研究 化学工程与设备 2012年第12期 43～47
一、人工神經网络技术原理
人工神经网络（Artificial Neural Network，ANN）是一种基于对人脑思维活动的初步认识、从研究人脑生理结构出发来研究人的智能行为，模拟人脑信息处理过程而提出的一种信息处理的抽象简化模型，是由大量处理单元广泛互联而成的网络结构，具有并行处理、分布式存储与良好容错性的算法数学模型，并具有自学习、自组织与自适应能力特征。它是植根于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。
自二十世纪四十年代W.S.McCulloch和W.A.Pitts提出一种最简单的神经元数学模型M-P网络模型以来，神经网络在历经了启蒙、低潮、复兴、新时期等发展阶段以后，取得了长足的进步，成为具有非线性智能化模拟鲜明技术特点、交叉活跃的信息处理学科和应用工具。神经网络技术应用于城市污水处理领域与范围日趋广泛深入。目前常用于污水处理中的神经网络有BP（误差反向传播）神经网络、RBF（径向 基函数）神经网络、自适应神经网络等，涉及的软件算法有有感知器（Perceptron）学习规则、Widrow-Hoff学习算法、胜者为王（Winner-Take-All）算法、外星（Outstar）学习算法、模拟退火算法、遗传算法等。在实际应用中BP神经网络是各领域应用最为广泛的一种网络。
从系统工程角度分析，污水处理系统具有不稳定性和不确定性的特点，即处理过程时刻面临外部环境的变化及扰动情况，其处理过程具有多变量、非线性及随机性的特点，加之其系统结构复杂、处理机理不清，难以运用传统方法建立精确的数学模型求得问题的解析解。应用数学模型设计和管理污水处理厂是提高污水处理厂设计、运行和管理水平的必然需要求，也是污水处理项目在建设或改造时节约建设资金和时间的重要技术手段。人工神经网络的非线性映射功能对于解决以上传统建模难题有着得天独厚的优势，具有隐层的网络结构能以任意精度逼近任意复杂的非线性函数，其自调整、自适应结构功能有很强的学习能力和分布式存储、大容量并行处理的容错能力。同时，人工神经网络能通过“能量函数”下降到最小值去寻求处理目标的最优解，比传统求解目标约束条件下的最有解问题要简单、快捷。人工神经网络与基于语言规则的智能控制、基于模糊规则的模糊控制技术相结合，能充分发挥各自的技术特点与优势，利用计算机的硬件、软件技术将以上各具优势的控制技术构建具有多层次、多功能、非线性复合的智能化污水处理系统，是污水处理系统自动化、智能化的研究及应用热点。
常用于污水处理系统的神经网络有误差反向传播BP网络（Back Propagation Network）、自适应神经网络、局部逼近神经网络等，其中BP神经网络是至今为止应用最为广泛的一种网络。
BP神经网络最早是由Werbos在1974年提出，在1986年，Rumelhart和McCelland领导的科学家小组在《Parallel Distributed Processing》一书中对具有非线性连续转移函数的网络的误差反向传播算法进行了详尽的分析，实现了Minsky关于多层网络的设想，解决了具有隐层网络的权值调整问题。其网络结构一般如图1所示，由输入层、中间隐层和输出层所组成。BP网属于多层前馈网络，由信号的正向传播和误差的反向传播两个过程组成，伴随网络各层间的权值调整过程，周而复始地进行，直到网络输出误差减小到可接受程度。
BP网络的转移函数一般选用单极性或双极性的Sigmoid函数。
BP网络算法具有一定的局限性，首先，网络隐含层节点个数没有理论依据，常常需要通过实验加经验的方法确定、激活函数S型的确定没有理论依据；其次网络收敛的梯度下降算法可能陷入局部最小而得不到全局最小，并且训练效率低、收敛速度慢；第三存在学习速率难以确定、学新忘旧等问题。
BP算法的改进方法有：1、增加权值调整动量法改进BP算法，减小震荡；2、在训练过程中自适应调整学习速率；3、引入梯度因子，提高网络收敛速度。
二、人工神经网络技术运用于污水处理领域
神经网络具有良好的模式辨识及非线性函数映射的功能优势，可以作为一个广义的函数逼近器看待。对于污水处理系统这样典型的大容量非线性、多变量时变特征明显的复杂系统的建模问题，能提供一种满足实际需求的解决方案。另外，运用传统的技术方法，面对系统的实时辨识及其相关算法的时候，不仅算法过程显得复杂、计算量大，而且受计算机硬件速度及容量的限制，难以满足实时性的要求，而神经网络的大容量分布存储、高速并行处理的技术优势，能对系统进行快速实时辨识，为执行相应的控制预案提供了准确的判据。神经网络通过输入输出对数据的循环训练，能将正确的映射关系分布存储在网络的连接权值中，从而使复杂的建模问题变得简单易行，是一种对实际问题普遍使用的辨识方法。在系统建模、水质参数的预测与仿真、软测量应用、优化控制与节能降耗、加药控制等方面都有广泛的应用。
1、神经网络用于传统活性污泥污水处理工艺
可以运用BP网络，对传统的活性污泥法污水二级处理工艺建立模型，使活性污泥法工艺系统的在线智能控制取得了很好的运行效果。童正环等[3]以传统活性污泥处理工艺为对象模型，利用人工神经网络对活性污泥法污水处理进行建模，运用BP神经网络分别建立初沉池、曝气池、二沉池三个神经子网络模拟活性污泥的三个典型工艺环节，各子网均由输入、输出和隐层三层组成，设置合适的学习速率和弹性算法对污水处理实际运行数据进行训练，待网络稳定后，其模型输出曲线与实际测量数据曲线变化数据能较好吻合。实践结果表明：神经网络完全可以用于活性污泥污水处理工艺的建模与运行控制，并且优于传统污水处理控制方法。 2、COD-污泥负荷对SBR工艺脱氮效果的预测与仿真
有研究者[4]利用神经网络分析工具，对SBR工艺中进水COD-污泥负荷对污水处理系统脱氮的影响效果建立了神经预测模型。通过模型预测结果与实测值的比较表明：模型预测精度较高。为在系统运行时及时、合理地调整COD-污泥负荷来提高脱氮效果提供了一条新途径。
实践经验表明，影响SBR脱氮效果的因素主要有：反应时间、污泥龄、进水COD-污泥负荷、pH值、溶解氧、碳源等。其中进水COD浓度与污泥浓度构成的COD-污泥负荷对脱氮效果的影响作用非常巨大。利用BP神经网络构成非线性函数的映射器，网络结构设计为4-4-3，即网络输入向量设置4个输入分量，分别为：1、进水COD-污泥负荷；2、进水COD；3、NH3-N；4、TN；设置4个隐层节点，以便逼近目标函数；设置3个输出节点，分别为：1、出水NH3-N；2、NO3-N；3、TN。用分别代表COD-污泥负荷大、中、小的48组实验数据中的40组实验数据作为对该神经网络进行训练的训练样本，另外8组实验数据作为测试样本，通过训练过程中神經元之间连接权值的动态调整，建立起COD-污泥负荷与系统脱氮效果之间的正确映射关系。通过运用MATLAB的训练与仿真，表明经训练后的网络模型，收敛且稳定，平方和误差为10-4，网络的期望输出与系统实际输出较为吻合，其相对误差在0.06%～0.60%之间，误差很小。
3、径向基函数人工神经网络用于预测污水处理厂出水水质
由于活性污泥法的运行和控制过程是很复杂的大系统问题，涉及基质降解、微生物生长环境、生长规律等因素，而这些相互交织的影响因素之间有常常是非线性关系，另外，污水进水成分的时空变化，使得即使是从某个污水处理厂获得的一些操作运行方面的经验和知识，也并不能原封不动地用到其他污水厂。
根据人工神经网络的理论和方法，胡坚等人[5]建立了径向基函数神经网络污水水质的预测模型。径向基函数RBF神经网络模型（Radial Basis Function Neural Network）有很强的逼近能力、分类能力和学习速度。它把网络看成对未知函数的逼近，任何函数都可以表示成一组基函数的加权和，也即选择各隐层神经元的传输函数，使之构成一组基函数来逼近未知函数。该RBF人工神经网络由一个输入层、一个隐层和一个输出层组成，RBF中心的选取采用了最近邻聚类学习算法，隐层单元的节点数不需要事先人为确定，随着输入样本的变化，隐层单元的节点数也随之而变，训练样本学习结束时，隐层单元的节点数随之确定下来，因此网络算法具有较大的灵活性。RBF神经网络的隐层作用基函数选用高斯函数。输入层X向量对应的进水水质参数是：生化需氧量（COD）、总氮（TN）、溶解氧（DO）、温度t和进水负荷Q。通过隐层非线性的传输函数，即径向基函数，完成从输入空间到隐含单元的非线性变换；输出层的Y向量对应的是出水水质参数：COD、TN。输出层为线性层，完成对隐层空间模式的线性分类，即提供从隐单元空间到输出空间的线性变换。采用上述算法对污水处理厂的34个实际运行数据中的29个样本数据对网络模型进行训练和5个样本用于水质预测验证，建立的网络映射模型无需研究生化工艺各个影响因素与结果之间的作用机理与关系。对输入数据进行归一化处理后，训练的径向基宽度采用0.2，误差指标控制在0.01。网络训练后预测的水质数据与实测的水质数据之间有较好的拟合：COD拟合的绝对误差最大为0.191mg/l，最小为0.00mg/l；TN拟合的绝对误差最大为0.316mg/l，最小为0.00mg/l。模拟过程充分体现了人工神经网络的特点，只要通过系统的输入与输出数据，即可获得较为可靠的模型，并显示出模型的通用型、动态性和时效性。由于RBF神经网络运行速度快，能很好地适应对数据有实时性要求的场合，能对进出水水质信息作出快速相应，有望成为污水处理一个快速有效的管理工具。
4、废水处理中的软测量应用
废水处理需测量的水化学参数大多为生物量参数，测量生物量传统的方法是应用生物传感器进行测量。生物传感器主要是以生物酶作为敏感材料集成的测量仪器，生物酶价格昂贵，因此基于生物酶开发的生物传感器造价很高、测量范围窄、测量重现性有待提高。污水处理是以生化反应驱动的动力学过程，因此难以用传统分析方法建造污水处理模型，同时运用以往的水化学分析方法对水样进行分析，反应慢，周期长，不能满足实时性要求高的污水测控需要。近年来兴起的软测量技术，对工艺控制中一些难以测量或暂时不能测量的重要变量，根据某种最优准则，选择一组既与主导变量密切相关又容易测量的辅助变量，通过构造某种数学映射关系，利用计算机软件对主导变量进行估计。这种技术仅需检测一些易测变量作为辅助变量，其他工作则通过软件实现，无需多少投资和时间就可实现。
杨马英等[6]利用水质参数与污水处理多个相关联过程可测参数间的关联关系，提出了基于Elman递归人工神经网络的水质参数软测量模型，用易测、可测的过程参数ORP、DO浓度和pH值作为网络输入参数，来估计不易测的过程参数，以实现对CODcr、NH3-N、TP水质参数的实时软测量。
污水生化处理实践表明：CODcr、NH3-N、TP等参数的变化趋势与ORP、DO浓度和pH值的变化具有相关性。通过处理过程的CODcr、NH3-N、TP变化动态特性，能及时、准确反映微生物状态的变化信息，确定有机物降解结束、硝化与反硝化结束、生物除磷释磷、吸磷等生化反应的特征点，从而由上述水质指标作为控制参数来构造污水处理系统新的控制策略。
对Elman网络，以ORP、DO浓度和pH值作为网络输入参数，经过1000次训练后建立了CODcr、NH3-N、TP作为输出参数的动态预测模型。结果表明，Elman网络模型对污水生化反应过程中各个关键特征点的确定，模型输出与系统实际值有很好的拟合，较之于传统方法，如主元回归分析、部分最小二乘法所建立的线性、静态模型，Elman网络能更生动、更直接地反映污水处理系统的动态特性，为活性污泥法污水处理工艺系统实现在线智能化控制提供了一条经济实用、简便可靠的途径。 5、污水处理系统最优控制与节能降耗应用
遗传算法（Genetic Algorithm）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索问题最优价的方法，广泛用于复杂系统具有鲁棒性的优化计算。
王小艺[7]等采用遗传算法构建的神经网络得到水中DO的优化控制目标曲线，获得了不同时段污水控制参数DO的优化值，并且建立了自适应模糊神经网络污水处理参数DO的跟踪控制模型，将神经网络与模糊控制系统相结合，实现了控制规则的自动获取及模糊隶属函数的调节，取得了较好的控制效果，通过DO浓度值控制风机频率，从而使鼓风机供氧能耗降低了15%～40%，节省了处理电费成本。
6、污水处理加药系统应用
混凝加药过程是一个多变量、时变的非线性动态系统，控制精度要求较高以满足净化污水的实际需要。药剂投加量与污水原水混浊度、流量、温度与压力等因素动态相关。混凝剂加入量不足，则水中杂质不能凝聚结大、未能充分脱稳，达不到去除的目的；加药过量，水中颗粒因超荷现象而导致再稳定，混凝效果反而变差。准确的药剂投加量是提高污水净化效率的基本前提条件。
针对投药混凝过程的大时滞、非线性特性，陈琳等[8]研究者采用了BP神经网络的非线性函数逼近特点，建立了实时预测水处理加药量的前馈控制模型，网络结构为3层模型，输入向量为：原水浊度、原水流量、pH值、温度和电导率，输入变量为加药量。取300组历史运行数据作为网络训练与测试样本，并在此基础上设计了模糊PID控制器作为反馈校正对预测投药量进行实时调整，从而共同完成对出水浊度有效控制，利用MATLAB软件中的Simulink工具对控制系统进行了仿真，仿真结果表明该系统能够将出水浊度控制在要求的范围之内，且当引入较大的外部扰动时，系统仍可达到满意的控制效果，说明设计BP神经网络与模糊PID控制器组成的复合加药控制系统具有较好的鲁棒性。
三、神经网络应用研究中存在的局限与待解决的问题及今后研究的发展方向
当前人工神经网络的应用研究中还存在以下局限及待解决的问题：一是人工神经网络的模型原理及学习算法的研究尚无重大进展；二是人工神经网络的一些重要理论及分析设计方法没有突破性的进步；三是人工神经网络硬件实现研究步伐相对滞后；四是人工神经网络作为构件与其它环节构建智能系统的成功应用实例还不多。
将神经网络技术应用到污水处理领域，能有效解决传统污水处理监测控制技術应用所遇到的巨大难题。神经网络控制特别适用于具有不确定性和高度非线性的多变量污水处理系统的控制。不同污水处理工艺所涉及的多变量的输入输出函数映射关系不同，需要建立符合相应函数映射关系的模型，有针对性地采用不同的学习算法训练，使网络适应不同的应用场合；神经网络用于污水处理过程最终和最直接的目的是实现对污水处理过程的高性能控制。这种综合（集成）智能控制系统可能是神经控制与另外一种或几种智能控制技术的结合，或者是神经控制与传统控制技术的结合，如模糊神经控制系统、模糊神经网络自学习控制系统、神经模糊推理系统、神经网络专家智能协调控制及神经PID控制等。
神经网络也存在某些缺点：不适合表达基于规则的知识，不能很好地利用已有的经验知识，网络训练时间长有可能导致陷入非要求的局部极值。如果数据中有干扰和不确定性，则常会出现过界问题。改进神经网络以及与其它智能控制技术结合可以在一定程度上弥补这些不足。
今后人工神经网络应用研究的主要发展方向，一定是呈现多学科综合发展的鲜明特点和应用前景。近年来，人工神经网络技术与模糊逻辑、遗传算法及专家系统相结合，取得的综合应用成果明显优于各个智能技术方法的单一应用结果，另外，采取有力措施加快神经网络硬件实现的技术进步，是充分发挥人工神经网络高速并行处理的优势必备的物质基础。神经网络软件技术与硬件技术相结合，从人工神经网络集成到人工神经系统，是人工神经网络应用研究的崭新方向。
参考文献
[1]韩力群 人工神经网络理论、设计及应用-人工神经细胞、人工神经网络和人工神经系统 化学工业出版社 2002.1
[2]黄明智 马邕文等 污水处理中人工神经网络应用研究的探讨环境科学与技术 Vol.31 No.3 131～134
[3]童正环 王静 许伟明 沈昱明 于莲芝 人工神经网络在污水处理建模中的应用 仪器仪表学报 第26卷第8期增刊 347～348
[4]邵青 COD污泥负荷对SBR工艺脱氮效果影响研究――基于MATLAB的人工神经网络动态仿真法 中国农村水利水电 2002，12 35～38
[5]胡坚 严敏等 径向基函数人工神经网络预测污水处理厂出水水质 浙江工业大学学报 第34卷第6期 2006.12. 633～636
[6]杨马英 周芳芹 李军 基于Elman神经网络的城市污水处理水质参数软测量 东南大学学报（自然科学版）第36卷增刊 2006.07 120～123
[7]王小艺 刘载文 齐杰 连晓峰 污水处理智能优化控制方法研究控制工程 2008年7月 第15卷 第4期 366～368
[8]陈琳，杨鹏翔等 基于模糊PID与BP网络的复合加药控制系统研究 化学工程与设备 2012年第12期 43～47