论文部分内容阅读
土壤中重金属元素的积累能力、生物毒性及其对动植物、人类和环境的影响不仅与其总量有关,更大程度上取决于其形态分布。本论文将BP人工神经网络与原子吸收光度法相结合,建立一种快速、有效地测定土壤中重金属形态含量的方法。本文针对土壤中重金属元素形态含量测定预处理手续繁琐、测试过程复杂的问题,将人工神经网络与石墨炉原子吸收分析技术相结合,建立了土壤中重金属铅和镉的可交换态、碳酸盐结合态、铁-锰氧化态、有机物结合态、残渣态五种形态的分析测试方法。在人工神经网络应用过程中,网络的学习功能是人工神经网络的主要特征之一,为要保证预报结果的可靠性,必须要使学习样本与未知样本的特征具有良好的相似性。针对未知样品的特点(形态种类、形态含量等),在实验(Tessier连续浸提法)的前提下,建立相应的、可靠的学习样本集。对BP人工神经网络的各项参数进行了讨论,确立合适的隐含层节点数、学习速率及其它网络参数。讨论了样本集选择对网络预报结果的影响,实验表明,在本文所建立的样本集中可随机选择,对预报结果无显著性影响。预报结果与Tessier连续浸提法实验结果进行了比较和统计检验,结果表明,两种方法实验结果之间无显著性差异,既无系统误差。用Tessier连续浸提法分析测试样品中五种形态需要6-8天,本文方法需要1天时间,节省了人力和物力,同时也避免了形态分析中常出现的“串态”所引入的误差。实验表明,本文研究的人工神经网络与石墨炉原子吸收分析技术相结合测试土壤中重金属铅、镉的可交换态、碳酸盐结合态、铁-锰氧化态、有机物结合态、残渣态五种形态的方法有应用的可行性,为化学计量学技术用于形态分析开辟了新的途径,为城市表层土中Pb,Cd污染的检测与治理提供了可靠的依据。