BP人工神经网络紫外吸收光谱法直接测定COD研究

摘要

目前，我国COD自动在线监测仪的设计原理大部分是基于国家标准方法，即模拟传统湿化学法将分析过程在线化。由于样品仍然必须先加热消解后测定，因而分析周期长；加之方法采用试剂多，管路系统复杂，操作维护麻烦，故障率高；此外排放物还带来严重的“二次污染”，因此，研制开发简便、快速、可靠、无二次污染的水质COD自动在线监测仪具有十分重要的意义。 废水中COD值的大小主要取决于其中有机物的组成和浓度。已有工作表明，大多数有机物在紫外光谱区有很强的吸收。在一定的条件，有机物的吸光度与COD有很好的相关性，利用这种相关性，可以用紫外吸光度来直接测定COD。这是一种既不用化学试剂、也无须对样品加热消解、测定快速、简便的方法。 本文从有机物的紫外吸收光谱入手，选择有一定代表性的某些有机物，探讨其紫外吸收规律与有机物含量的关系，采用误差反向传播人工神经网络(BackPropagation Artificial Neural Network，简称BP-ANN)，借此建立紫外吸收光谱直接测定废水COD的化学计量学方法，并利用此模型对模拟废水样和实际废水样进行预测。 本文利用LmNetPF(V2.4)神经网络通用平台完成建模和相关的数学运算。LmNetPF采用BP算法中的Levenberg-Marquardt动量项法实现，该法具有训练速度快、学习时间短的特点。通过训练网络得出最佳网络参数为：学习速率1，动量项0.0001，输入层至中间层传递函数为双曲正切s型函数，中间层至输出层为线性型函数，BP网的拓扑结构为26(输入层节点数)-25(隐含层节点数)-1(输出层节点数)。 本文采用37个样本训练集建立的BP-ANN模型，预测自配模拟废水结果较好，相对误差<10[％]。N02<,2><'->、N0<,3><'->。等无机离子在一定浓度范围内无干扰，模型仍然能准确地预测自配废水。N0<,2><'->、N0<,3><'->加入量<1000mg/L，预测结果相对误差<10[％]。浊度对模型预测结果影响很大，试验中不同浊度废水预测结果的相对误差都超过10[％]。预测实际废水COD值均超差，不能满足分析要求，主要原因在于建模的训练集样品组成与复杂的实际废水相差太大。 本文针对建立的BP-ANN模型的不足，从废水成分的剖析、训练集样品的组成以及人工神经网络模型改进等方面提出了建议。本文结果对深入研究BP人工神经网络紫外吸收光谱法直接测定COD提供了有价值的参考，并为此方法的进一步完善打下了基础。

目录

文摘

英文文摘

1前言

2人工神经网络基本原理

3神经网络通用平台软件

4实验部分与COD紫外光谱人工神经网络模型的建立

5结果与讨论

6结语

参考文献

攻读硕士学位期间发表论文情况

致谢