论文部分内容阅读
化学需氧量(Chemical Oxygen Demand, COD)是水质监测中的一项重要的指标,表征水体中需要被氧化的还原性物质的量。COD常用的检测方法有化学法和物理法。化学法具有检测精度高的优点,但是测量过程需要试剂,容易造成二次污染且检测速度较慢。而物理法即光学方法具有测量速度快、操作简单、免试剂、易于小型化等特点;但物理法是化学指标的间接测量方法,其适用性和准确度较低。本文提出并开展了基于水样识别的光谱COD测量技术与研究实验。通过分析和研究,确定了一种水样类型动态识别→“吸光度(Auv)-COD"算法模型自动选择→COD计算的解决方案,旨在提高紫外-可见光谱COD测量法的适用性和准确度。本文主要完成的工作和成果包括:1.分析了常用的机器学习方法在光谱识别中的应用,主要包括支持向量机(SVM)、人工神经网络(ANN)、分型理论等。根据仪器的硬件资源等选择采用BP神经网络算法。根据COD测量中UV-Vis吸收光谱的特征,选用5个形貌特征参数作为水样类型识别模型的输入参数。2.研究了COD测量过程中,吸光度在时间域上具有渐变和相关性,利用该特性引入了历史数据队列、历史识别因子概念,并引入反映该特性的第二级人工神经网络,构成级联神经网络的模式识别结构。3.基于上述水样类型识别方法,设计算法程序和COD测量仪应用软件。软件包含图形化用户界面(GUI)、数据存储、人工神经网络(ANN)、COD计算脚本等多个功能模块;经过实际测试,实现了光谱法COD测量仪的预期功能。4.运用多种实际水样,验证水样类型识别的准确度的测量。实验表明,水样识别算法具有较好的识别准确度,引入的级联神经网络结构也能够在单级神经网络的基础上进行进一步的优化,提高识别准确率。5.利用实际水样和邻苯二甲酸氢钾配置的COD标准溶液对COD测量仪进行测量精度的测试。实验表明,与常规的光谱COD测量方法相比,对待测样本进行水样类型识别,然后调用相应的“吸光度(Auv)、COD’’算法模型,能够获得较好的效果。该方法使得光谱COD测量方法的适用性和准确性得到较大提高。