论文部分内容阅读
不经化学预分离而同时测定混合体系中的各组分一直是分析工作者所追求的目标,也是化学计量学中发展很快的一个研究领域.对于环境样品来说,由于组份较多而且性质相近,在波谱测量中经常出现部分非线性的情况,即有些波长点的吸光度值出现不符合线性加合性.要准确的测定这样的样品,则必须进行组份的预分离,但分离过程往往冗长繁琐,费时费力.而BP网络(Back-Propagation Network,简称BP网络)不仅具有并行运算、分布式存储、自学习、容错能力强等特征,还有很强的处理非线性问题的能力.因此,应用BP网络来处理相互干扰的多组份体系有着突出的优越性.本文就BP神经网络在多组分同时测定的实际应用过程中存在的问题进行了详细的分析,在此基础上提出一种基于遗传算法(Genetic Algorithms,简称GA)与BP相结合算法的神经网络用于多组分同时测定的新方法.本文的具体工作体现在以下几个方面:①针对BP算法自身无法避免陷入局部极小的这一不足,提出了用遗传算法优化BP网络权值的改进算法-GA-BP算法;并对GA-BP算法进行可行性分析,实验结果表明:将遗传算法和神经网络结合起来,进行多组分同时测定中是切实可行的,能显著克服神经网络易陷入局部极小解等缺陷,且在性能上相对于单一BP算法的方法有更好的表现.②考察了GA-BP算法中输入层节点数、隐含层节点数以及学习速率对多组分预测结果的影响,从而得出网络最佳的训练参数:对于两组分体系(NO<-><,3>、NO<-><,2>),网络最训练参数为:种群规模50,选择概率0.1,初始权(阀)值的范围为[-1.0 1.0];最大遗传代数为80,学习速率为0.03,网络拓扑结构为31-35-2.对于三组分体系(Mn<2+>、Cu<2+>、Zn<2+>),网络最训练参数为:种群规模50,初始权(阀)值的范围为[-1.0 1.0],最大遗传代数为80,学习速率为0.05,BP网络的拓扑结构为34-35-3.③利用基于GA-BP算法神经网络对实际样品进行了预测:对于两组分(NO<-><,3>、NO<-><,2>)体系,实际样品的平均回收率为:99.95％(NO<-><,3>)、100.66％(NO<-><,2>).对于三组分(Mn<2+>、Cu<2+>、Zn<2+>)体系,实际样品的平均回收率为:100.15％(Mn<2+>)、99.66％(Cu<2+>)、101.77％(Zn<2+>).