尊敬的审查员:
首先感谢您对本申请的认真审查。对于审查员的意见,申请人进行了认真的研读,针对审查意见中提出的问题做如下修改和陈述:
一、修改。
删除了原权利要求1,将原权利要求2、3、4合并为新的独立权利要求1,其他权利要求的序号和引用关系做适应性修改。
二、意见陈述。
修改后的权利要求1与对比文件1相比,主要区别技术特征在于:将灰色关联分析方法找到的主要影响因素作为极限学习机的输入,预测曝气系统的各时刻的DO值;将极限学习机模型得到的DO预测值通过卡尔曼滤波方程进行优化,得到各时刻的最优估计值,进行相应的在线调控;
所述污水处理得到的相关因素还包括:进水化学需氧量(COD)和生化需氧量(BOD)以及曝气反应池内温度(T)、pH值、污泥指数(SVI)、30min沉降比(SV30)、污泥浓度(MLSS)、固体
悬浮物(SS)和溶解氧(DO)长期监测数据,进行降噪、剔除异常值、平滑以及标准化处理;
所述预处理后的相关因素数据利用灰色关联分析法与曝气系统的DO值作关联度分析,当关联度γ>0.7时,将作为主要因素,作为极限学习机模型的输入;
采用增量型极限学习机,学习过程如下:
1)设最大隐层节点个数为M,隐层节点个数L从1开始增加,当L<M且误差大于期望误差
时:L=L+1;
2)随机获取当前隐层神经元的权值和阈值;
3)计算当前神经元激励函数的输x;
4)计算当前隐层输出;
5)然后计算该隐层神经元的输出权值。
将极限学习得到的预测结果作为卡尔曼滤波方程进行进一步优化,得到新的最优估计值,重复步骤,直至得到所有时刻的 DO最优预测值。
卡尔曼滤波虽然是本领域常用的处理方式,但是在本方法中申请人通过了自己对卡尔曼滤波的理解,独立创造了一种极限学习机模型,根据
(其中ξ=0.5),
当γ>0.7时,将作为主要因素,作为极限学习机模型的输入;
选择增量型极限学习机并进行学习训练,过程如下:
1)一个线性输出节点的单隐层前向神经网络有L个隐层节点,其数学模型可以表 示为:
其中gi(x)表示第i个隐层节点的输出,βi表示第i个隐含层节点与输出节点的输出 权重,ai是连接输入层与第i个隐层节点之间的输入权值,bi是第i个隐层节点的阈值。
2)设最大隐层节点个数为M,隐层节点个数L从1开始增加当L<M且误差大于期望误
差时:L=L+1;
3)随机获取当前隐层神经元的权值a和阈值b;
4)计算当前神经元激励函数g(x)的输入x;
A加法隐含层神经元:将b扩展成一个1×U的矩阵b,然后计算x=aX+b,其中X为n× U的矩阵。
B径向基隐层神经元:将a扩展成一个U×n的矩阵,然后计算
x=b·||XT-a||。
5)计算当前隐层输出;
6)然后计算该隐层神经元的输出权值;
重复上述步骤,直到误差小于期望误差停止学习,若误差一直大于期望误差,则当 L>M时停止学习,这是由于输入权值a和阈值b随机造成,这时将重新开始学习;利用建立好的极限学习机模型得到t+1,t+2.......t+n时刻的DO预测值Y(t+ 1),Y(t+2)......Y(t+n),对卡尔曼滤波算法对预测值进行进一步优化,从而获得下一时刻预测方程计算值。通过上述模型,能够有效地进行DO值的预测以及预测值的优化,优化后的预测结果降低了随机性造成的波动,得到更为准确DO值的预测结果,及时对DO值进行在线调控,提高污水处理厂出水水质,降低耗能系统。本领域技术人员无法根据对比文件1、2、3以及现有技术的结合得出具体的计算模型,因此本发明修改后的技术方案是非显而易见的。
因此,本专利申请的修改后的独立权利要求1是具备突出的实质性特点和显著的技术进步,符合专利法第二十二条第三款的规定,具备创造性。
在权利要求1具备创造性的前提下,其从属权利要求2-4也具备创造性。
请审查员在以上答复的基础上继续对本申请进行审查,如仍有其他形式或实质问题,请审查员进一步指正,申请人愿配合修改和/或陈述意见。