CN106018375A - 一种基于lm神经网络的堆肥腐熟度分级评价方法 - Google Patents

Abstract

一种基于LM神经网络的堆肥腐熟度分级评价方法，涉及一种堆肥腐熟度分级评价方法。本发明为不同来源的有机废弃物堆肥提供了一种新的堆肥腐熟度评价方法。步骤：一、取样、制备样品溶液；二、二维和三维荧光光谱扫描；三、提取荧光参数；四、采用LM神经网络模型对提取的堆肥样品荧光参数进行模型分析，通过模型输出堆肥样品腐熟等级。本发明方法评价结果准确、稳定性好，不仅无需添加任何化学试剂，而且所需样品量少，操作更是容易简单、用时少。

Description

一种基于LM神经网络的堆肥腐熟度分级评价方法

技术领域

本发明涉及一种堆肥腐熟度分级评价方法。

背景技术

生活垃圾、枯枝落叶、动物粪、市政垃圾等废弃物中含有大量的有机物质，采用常规填埋方式处理不仅仅浪费土地资源，也是一种资源的巨大浪费。同时填埋产生的渗滤液也会对地下水造成严重污染。

以堆肥的方式处理有机废弃物，可将废弃物中不稳定的物质经微生物的作用形成具有性质稳定、对农作物无害化的堆肥产品，使废弃物实现资源化。然而，未经堆肥腐熟的有机废弃物因含有影响植物正常生长的毒性物质，施肥土壤中会对作物生长产生不良影响，因此堆肥腐熟度的评价在堆肥产品是否能够安全应用方面具有十分重要的意义。由于不同来源的有机废弃物的理化性质有很大差异，因而，堆肥腐熟程度的评价结果受到诸多因素的影响和制约，目前评价堆肥腐熟度唯一准确的方法为发芽指数试验方法，通过发芽指数来表征堆肥的腐熟情况；但该方法操作复杂且耗时。

发明内容

本发明为不同来源的有机废弃物堆肥提供了一种新的堆肥腐熟度评价方法，该方法与发芽指数试验方法同样准确，而且操作更为简单、耗时更短。

本发明基于LM神经网络的堆肥腐熟度分级评价方法按以下步骤进行：

一、取堆肥样品加水避光震荡24±1小时，离心后提取上清液过滤，得到堆肥样品的水溶性有机物样品溶液；

二、TOC仪测量堆肥样品的水溶性有机物样品溶液的DOC含量，然后调节浓度统一，再进行二维和三维荧光光谱扫描，并导出数据；

三、提取荧光参数A₄/A₁、A_FLR、r_(A，C)、P_(Hs)/(Pr)、P_(II，n)、P_(V，n)和P_(V，n)/P_(III，n)；其中，

A₄/A₁为荧光发射光谱370～600nm范围内后四分之一部分的面积积分与前四分之一部分的面积积分的比值；

A_FLR为同步荧光光谱中308～363nm范围的面积积分与总波长面积积分比值；

r_(A，C)为三维荧光光谱中A峰与C峰的荧光强度比值；

P_(Hs)/(Pr)为区域积分类腐殖酸区(III+V)与类蛋白区(I+II+IV)区域体积积分比值；

P_(II，n)与P_(V，n)分别为三维荧光二区和五区的区域体积积分值；

P_(V，n)/P_(III，n)为区域体积积分中V区与III区积分比值；

四、采用LM神经网络模型对提取的堆肥样品荧光参数进行模型分析，通过模型输出堆肥样品腐熟等级；

其中，步骤四模型分析步骤为：

步骤A：计算神经网络误差指标函数

神经网络误差指标函数为：

$E\left(w^k\right)=\frac{1}{2}\underset{i=1}{\overset{p}{\Σ}}\left|\right|Y_i-Y_i^{\′}\left|\right|=\frac{1}{2}\underset{i=1}{\overset{p}{\Σ}}{e}_i^2\left(w\right)$

其中，p为样本数目；Y_i为期望的网络输出向量；Y′_i为网络实际预测输出结果，w为各层神经元间的权值与阈值；e_i(w)为误差；w^k为经k次迭代之后w，k+1次迭代后的w^k为w^k+1＝w^k+Δw，Δw为权值增量，Δw计算公式如下：

Δw＝[J^T(w)J(w)+μI]^-1J^T(w)e(w)

Δw计算公式中I为单位矩阵；μ为学习效率；J(w)为Jacobian矩阵；

步骤B：神经网络计算步骤

步骤B1：设定训练误差最大值ε，常数μ₀和β(0＜β＜1)，令k＝0，μ＝μ₀；

步骤B2：计算神经网络的预测输出结果与误差指标函数E(w^k)；

步骤B3：计算Jacobian矩阵J(w^k)；

步骤B4：计算Δw；

步骤B5：若E(w^k)＜ε，转到步骤B7；

步骤B6：以w^k+1＝w^k+Δw为权值和阈值向量，计算误差指标函数E(w^k+1)，若E(w^k+1)＜E(w^k)，则令k＝k+1，μ＝μβ，转至步骤B2，否则μ＝μ/β，转至步骤B4；

步骤B7：预测结束输出结果。

本发明方法评价结果准确、稳定性好，不仅无需添加任何化学试剂、减少污染，而且所需样品量少，操作更是容易简单、用时少。本发明利用荧光光谱所提供的腐熟度荧光参数作为神经元，采用LM神经网络模型评估堆肥腐熟度，适用于不同来源的有机废弃物进行堆肥腐熟度分级评价。

附图说明

图1为本发明LM神经网络模型训练误差曲线图。

图2是实施例1中采用本发明方法获得的样品堆肥腐熟度分级评价结果与种子发芽实验对比图。

本发明技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。

具体实施方式一：本实施方式基于LM神经网络的堆肥腐熟度分级评价方法按以下步骤进行：

一、取堆肥样品加水避光震荡24±1小时，离心后提取上清液过滤，得到堆肥样品的水溶性有机物样品溶液；

二、TOC仪测量堆肥样品的水溶性有机物样品溶液的DOC含量，然后调节浓度统一，再进行二维和三维荧光光谱扫描，并导出数据；

三、提取荧光参数A₄/A₁、A_FLR、r_(A，C)、P_(Hs)/(Pr)、P_(II，n)、P_(V，n)和P_(V，n)/P_(III，n)；其中，

A₄/A₁为荧光发射光谱370～600nm范围内后四分之一部分的面积积分与前四分之一部分的面积积分的比值；

A_FLR为同步荧光光谱中308～363nm范围的面积积分与总波长面积积分比值；

r_(A，C)为三维荧光光谱中A峰与C峰的荧光强度比值；

P_(Hs)/(Pr)为区域积分类腐殖酸区(III+V)与类蛋白区(I+II+IV)区域体积积分比值；

P_(II，n)与P_(V，n)分别为三维荧光二区和五区的区域体积积分值；

P_(V，n)/P_(III，n)为区域体积积分中V区与III区积分比值；

四、采用LM神经网络模型对提取的堆肥样品荧光参数进行模型分析，通过模型输出堆肥样品腐熟等级；

其中，步骤四模型分析步骤为：

步骤A：计算神经网络误差指标函数

神经网络误差指标函数为：

$E\left(w^k\right)=\frac{1}{2}\underset{i=1}{\overset{p}{\Σ}}\left|\right|Y_i-Y_i^{\′}\left|\right|=\frac{1}{2}\underset{i=1}{\overset{p}{\Σ}}{e}_i^2\left(w\right)$

其中，p为样本数目；Y_i为期望的网络输出向量；Y′_i为网络实际预测输出结果，w为各层神经元间的权值与阈值；e_i(w)为误差；w^k为经k次迭代之后w，k+1次迭代后的w^k为w^k+1＝w^k+Δw，Δw为权值增量，Δw计算公式如下：

Δw＝[J^T(w)/(w)+μI]^-1J^T(w)e(w)

Δw计算公式中I为单位矩阵；μ为学习效率；J(w)为Jacobian矩阵；

步骤B：神经网络计算步骤

步骤B1：设定训练误差最大值ε，常数μ₀和β(0＜β＜1)，令k＝0，μ＝μ₀；

步骤B2：计算神经网络的预测输出结果与误差指标函数E(w^k)；

步骤B3：计算Jacobian矩阵J(w^k)；

步骤B4：计算Δw；

步骤B5：若E(w^k)＜ε，转到步骤B7；

步骤B6：以w^k+1＝w^k+Δw为权值和阈值向量，计算误差指标函数E(w^k+1)，若E(w^k+1)＜E(w^k)，则令k＝k+1，μ＝μβ，转至步骤B2，否则μ＝μ/β，转至步骤B4；

步骤B7：预测结束输出结果。

本实施方式LM神经网络模型训练误差曲线如图1所示。

单一的荧光指标只能从一方面评价腐熟程度，但对于不同来源的有机废弃物，因其物质组成与性质差异较大，所以单一的荧光指标无法反映实际腐熟度且不具有说服力。本实施方式方法利用LM神经网络模型，将荧光光谱参数作为神经元，模拟人脑的复杂网络系统用于堆肥腐熟度分级评价，不受有机废弃物来源的影响，评价结果准确。

具体实施方式二：本实施方式与具体实施方式一的不同点是：步骤一中堆肥样品与水的质量比1∶10；上清液过滤滤膜孔径为0.45μm。其它步骤及参数与实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二的不同点是：步骤二中将水溶性有机物样品溶液的DOC浓度统一至15mg/L。其它步骤及参数与实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一的不同点是：步骤二中二维荧光光谱的扫描速度为500nm/min。其它步骤及参数与实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一的不同点是：步骤二中三维荧光光谱的扫描速度为1200～2000nm/min。其它步骤及参数与实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一的不同点是：步骤二中二维荧光发射光谱的扫描范围为Em＝250～550nm。其它步骤及参数与实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一的不同点是：步骤二中二维同步荧光光谱的扫描范围为Sy＝200～550nm。其它步骤及参数与实施方式一至六之一相同。

具体实施方式八：本实施方式与具体实施方式一至七之一的不同点是：步骤二中荧光光谱光谱扫描每隔1nm取一个数据。其它步骤及参数与实施方式一至七之一相同。

具体实施方式九：本实施方式与具体实施方式一至八之一的不同点是：步骤二中二维荧光发射光谱采用固定激发波长，波长为560nm。其它步骤及参数与实施方式一至八之一相同。

具体实施方式十：本实施方式与具体实施方式一至九之一的不同点是：步骤二中二维同步荧光光谱的激发与发射的步长差设定为18nm。其它步骤及参数与实施方式一至九之一相同。

具体实施方式十一：本实施方式与具体实施方式一至十之一的不同点是：步骤二中以Mill-Q水的二维荧光光谱作为二维荧光光谱对照。其它步骤及参数与实施方式一至十之一相同。

具体实施方式十二：本实施方式与具体实施方式一至十一之一的不同点是：步骤二中三维荧光光谱的狭缝宽度设置为5nm。其它步骤及参数与实施方式一至十一之一相同。

具体实施方式十三：本实施方式与具体实施方式一至十二之一的不同点是：步骤二中扣除Mill-Q水三维荧光光谱中的散射，以去除样品三维荧光光谱中的拉曼散射和瑞利散射。其它步骤及参数与实施方式一至十二之一相同。

实施例1

对采自上海松江固废综合处理厂的8组不同来源的堆肥样品分别进行堆肥腐熟度分级评价。

本发明方法：

一、取1g堆肥样品加入10g水避光震荡24小时，离心后提取上清液用孔径为0.45μm的滤膜过滤，得到堆肥样品的水溶性有机物样品溶液；

二、TOC仪测量堆肥样品的水溶性有机物样品溶液的DOC含量，然后调节浓度统一至15mg/L，并取4ml放入荧光石英比色皿测定二维(发射与同步)和三维荧光光谱；二维荧光光谱的扫描速度为500nm/min，二维荧光发射光谱固定激发波长为560nm；二维同步荧光光谱的激发与发射的步长差设定为18nm；二维荧光发射光谱的扫描范围为Em＝250～550nm；二维同步荧光光谱的扫描范围为Sy＝200～550nm；Mill-Q水的二维荧光光谱作为二维荧光光谱对照；

三维荧光光谱的狭缝宽度设置为5nm；三维荧光光谱的扫描速度为1200～2000nm/min；扣除Mill-Q水三维荧光光谱中的散射，以去除样品三维荧光光谱中的拉曼散射和瑞利散射；

荧光光谱光谱扫描每隔1nm取一个数据，导出数据；

三、提取荧光参数A₄/A₁、A_FLR、r_(A，C)、P_(Hs)/(Pr)、P_(II，n)、P_(V，n)和P_(V，n)/P_(III，n)；其中，

A₄/A₁为荧光发射光谱370～600nm范围内后四分之一部分的面积积分与前四分之一部分的面积积分的比值；

A_FLR为同步荧光光谱中308～363nm范围的面积积分与总波长面积积分比值；

r_(A，C)为三维荧光光谱中A峰与C峰的荧光强度比值；

P_(Hs)/(Pr)为区域积分类腐殖酸区(III+V)与类蛋白区(I+II+IV)区域体积积分比值；

P_(II，n)与P_(V，n)分别为三维荧光二区和五区的区域体积积分值；

P_(V，n)/P_(III，n)为区域体积积分中V区与III区积分比值；

四、采用LM神经网络模型对提取的堆肥样品荧光参数进行模型分析，通过模型输出堆肥样品腐熟等级；

其中，步骤四模型分析步骤为：

步骤A：计算神经网络误差指标函数

神经网络误差指标函数为：

$E\left(w^k\right)=\frac{1}{2}\underset{i=1}{\overset{p}{\Σ}}\left|\right|Y_i-Y_i^{\′}\left|\right|=\frac{1}{2}\underset{i=1}{\overset{p}{\Σ}}{e}_i^2\left(w\right)$

其中，p为样本数目；Y_i为期望的网络输出向量；Y′_i为网络实际预测输出结果，w为各层神经元间的权值与阈值；e_i(w)为误差；w^k为经k次迭代之后w，k+1次迭代后的w^k为w^k+1＝w^k+Δw，Δw为权值增量，Δw计算公式如下：

Δw＝[J^T(w)J(w)+μI]^-1J^T(w)e(w)

Δw计算公式中I为单位矩阵；μ为学习效率；J(w)为Jacobian矩阵；

步骤B：神经网络计算步骤

步骤B1：设定训练误差最大值ε，常数μ₀和β(0＜β＜1)，令k＝0，μ＝μ₀；

步骤B2：计算神经网络的预测输出结果与误差指标函数E(w^k)；

步骤B3：计算Jacobian矩阵I(w^k)；

步骤B4：计算Δw；

步骤B5：若E(w^k)＜ε，转到步骤B7；

步骤B6：以w^k+1＝w^k+Δw为权值和阈值向量，计算误差指标函数E(w^k+1)，若E(w^k+1)＜E(w^k)，则令k＝k+1，μ＝μβ，转至步骤B2，否则μ＝μ/β，转至步骤B4；

步骤B7：预测结束输出结果。

堆肥腐熟度评价神经网络训练的标准样本如表1所示。

表1

对照方法——种子发芽指数试验：

取堆肥提取液对种子进培养，以Mill-Q水为对照组。

种子发芽指数试验操作方法如下：将培养皿底部铺好滤纸，取3ml堆肥提取液于培养皿中，使滤纸完全浸湿，清除滤纸与培养皿底部间的气泡，挑选20粒饱满大小一致的小白菜种子均匀放置于滤纸上，将培养皿盖子盖好，于25℃恒温黑暗培养72小时。根长小于0.5cm的种子不算发芽。

种子发芽指数的计算公式为：GI＝(堆肥处理的种子发芽率×种子根长)/(对照的种子发芽率×种子根长)。

种子发芽指数(发芽率)是表征堆肥样品腐熟情况最可靠的参数，但所需时间长，工作量大，时效性差。各荧光指标与种子发芽指数间的相关性如表2所示，各荧光指标均与发芽指数呈现高度的相关性。

表2

A4/A1

AFLR

r(A，C)

P(HS)/(Pr)

P(II，n)

P(IV，n)

P(V，n)/P(III，n)

GI

A4/A1

1

AFLR

-0.759**

1

r(A，C)

-0.572**

0.549**

1

P(HS)/(Pr)

0.762**

-0.809**

-0.641**

1

P(II，n)

-0.684**

0.694**

0.688**

-0.778**

1

P(IV，n)

-0.698**

0.770**

0.611**

-0.799**

0.922**

1

P(V，，n)/P（III，n)

0.705**

-0.727**

-0.736**

0.840**

-0.910**

-0.799**

1

GI

0.654**

-0.501**

-0.621**

0.585**

-0.544**

-0.485**

0.629**

1

注：**相关性显著程度p＜0.01(双尾检验)

采用本发明方法获得的样品堆肥腐熟度分级评价结果如图2所示，本发明方法的评价结果与堆肥实际等级具有高度的一致性。I级评价的准确率为88.9％，II级评价的准确率为71.4％，III级评价的准确率为75.0％，IV级评价的准确率为100％。可见本发明方法能够准确的反应堆肥腐熟情况，特别对于堆肥较高腐熟等级的评价效果显著。同时本发明依据不同的发芽指数对堆肥腐熟进行分级，可简单快速准确地确定堆肥腐熟等级。

Claims (10)

1.一种基于LM神经网络的堆肥腐熟度分级评价方法，其特征在于该方法按以下步骤进行：

一、取堆肥样品加水避光震荡24±1小时，离心后提取上清液过滤，得到堆肥样品的水溶性有机物样品溶液；

二、TOC仪测量堆肥样品的水溶性有机物样品溶液的DOC含量，然后调节浓度统一，再进行二维和三维荧光光谱扫描，并导出数据；

三、提取荧光参数A₄/A₁、A_FLR、r_(A,C)、P_(Hs)/(Pr)、P_(Ⅱ,n)、P_(Ⅴ,n)和P_(V,n)/P_(III,n)；其中，

A₄/A₁为荧光发射光谱370～600nm范围内后四分之一部分的面积积分与前四分之一部分的面积积分的比值；

A_FLR为同步荧光光谱中308～363nm范围的面积积分与总波长面积积分比值；

r_(A,C)为三维荧光光谱中A峰与C峰的荧光强度比值；

P_(Hs)/(Pr)为区域积分类腐殖酸区(III+V)与类蛋白区(I+II+IV)区域体积积分比值；

P_(Ⅱ,n)与P_(Ⅴ,n)分别为三维荧光二区和五区的区域体积积分值；

P_(V,n)/P_(III,n)为区域体积积分中V区与III区积分比值；

四、采用LM神经网络模型对提取的堆肥样品荧光参数进行模型分析，通过模型输出堆肥样品腐熟等级。

2.根据权利要求1所述的基于LM神经网络的堆肥腐熟度分级评价方法，其特征在于步骤一中堆肥样品与水的质量比1:10；上清液过滤滤膜孔径为0.45μm。

3.根据权利要求1所述的基于LM神经网络的堆肥腐熟度分级评价方法，其特征在于步骤二中将水溶性有机物样品溶液的DOC浓度统一至15mg/L。

4.根据权利要求1所述的基于LM神经网络的堆肥腐熟度分级评价方法，其特征在于步骤二中二维荧光光谱的扫描速度为500nm/min，三维荧光光谱的扫描速度为1200～2000nm/min。

5.根据权利要求1所述的基于LM神经网络的堆肥腐熟度分级评价方法，其特征在于步骤二中二维荧光发射光谱的扫描范围为Em＝250～550nm；二维同步荧光光谱的扫描范围为Sy＝200～550nm。

6.根据权利要求1所述的基于LM神经网络的堆肥腐熟度分级评价方法，其特征在于步骤二中荧光光谱光谱扫描每隔1nm取一个数据。

7.根据权利要求1所述的基于LM神经网络的堆肥腐熟度分级评价方法，其特征在于步骤二中二维荧光发射光谱采用固定激发波长，波长为560nm；二维同步荧光光谱的激发与发射的步长差设定为18nm。

8.根据权利要求1所述的基于LM神经网络的堆肥腐熟度分级评价方法，其特征在于步骤二中以Mill-Q水的二维荧光光谱作为二维荧光光谱对照。

9.根据权利要求1所述的基于LM神经网络的堆肥腐熟度分级评价方法，其特征在于步骤二中三维荧光光谱的狭缝宽度设置为5nm。

10.根据权利要求1所述的基于LM神经网络的堆肥腐熟度分级评价方法，其特征在于步骤二中扣除Mill-Q水三维荧光光谱中的散射，以去除样品三维荧光光谱中的拉曼散射和瑞利散射。