CN107543854A - 一种重金属定量预测方法、装置及系统 - Google Patents
一种重金属定量预测方法、装置及系统 Download PDFInfo
- Publication number
- CN107543854A CN107543854A CN201610491171.8A CN201610491171A CN107543854A CN 107543854 A CN107543854 A CN 107543854A CN 201610491171 A CN201610491171 A CN 201610491171A CN 107543854 A CN107543854 A CN 107543854A
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- neural network
- signal
- input
- sample data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例公开了一种重金属定量预测方法、装置及系统。该方法包括:通过溶出伏安法和传感器阵列,获取与目标重金属离子浓度有关联关系的预设参数的值;以预设参数为输入,重金属离子浓度为输出,建立BP神经网络;将根据预设参数生成的样本数据分为训练集和验证集;根据训练集中的样本数据对BP神经网络进行训练;根据验证集中的样本数据对训练结果进行验证,并根据验证结果调整BP神经网络;根据调整后的BP神经网络预测目标重金属的离子浓度。本发明实施例基于BP神经网络的非线性逼近功能,建立预设参数和目标重金属离子浓度之间的输入输出映射关系,与现有技术采用一元模型相比,具有预测精度高、速度快以及定量预测的优点。
Description
技术领域
本发明实施例涉及土壤重金属检测技术领域,具体涉及一种重金属定量预测方法、装置及系统。
背景技术
土壤是构成生态系统的基本环境要素,是人类赖以生存的物质基础,也是经济社会发展不可或缺的重要资源。我国是个农业大国,农田面积广大,土壤重金属快速检测对加强土壤污染监控和环境应急检测具有非常重要的现实意义。但是传统土壤重金属检测方法主要以光谱法为主,光谱法检测精度较高,但大多需要大型仪器设备,分析成本高,分析时间较长,需要有专业人员进行操作,常用于实验室检测,很难用于土壤重金属的现场快速检测。
目前重金属定量预测主要通过溶出峰值构建一元模型,来推断目标重金属离子浓度。但在实现本发明实施例的过程中,发明人发现由于土壤多离子共存环境中存在较为严重的基体效应和交互作用,通过建立一元模型来定量预测重金属浓度会产生较大测试误差。
发明内容
本发明实施例的一个目的是解决现有技术预测重金属离子浓度存在较大误差的问题。
本发明实施例提出了一种重金属定量预测方法,包括:
通过溶出伏安法和传感器阵列,获取与目标重金属离子浓度有关联关系的预设参数的值;
以所述预设参数为输入,所述目标重金属的离子浓度为输出,建立BP神经网络;
将根据所述预设参数生成的样本数据分为训练集和验证集;
根据训练集中的样本数据对所述BP神经网络进行训练,获取包含有输入输出映射关系的BP神经网络;
根据验证集中的样本数据对训练结果进行验证,并根据验证结果调整所述BP神经网络;
根据调整后的BP神经网络预测所述目标重金属的离子浓度。
优选地,所述以所述预设参数为输入,所述目标重金属的离子浓度为输出,建立BP神经网络的步骤具体包括:
根据所述预设参数的数量获取输入层神经元个数;
根据所述输入层神经元个数获取隐层神经元的数量范围;通过不同训练函数,传递函数组合下,取隐层中不同神经元数时获取的最小均方根误差,来确定训练函数、传递函数和隐层神经元个数。
根据输入层神经元和隐层神经元、以及隐层和输出层的传递函数建立BP神经网络。
优选地,所述隐层的传递函数采用S型对数函数log-sigmoid:
所述输出层的传递函数采用线性函数purelin:a=purelin(x)。
优选地,所述根据所述输入层神经元个数获取隐层神经元的数量范围的步骤具体包括:
根据以下公式,根据所述输入层神经元个数获取隐层神经元的数量范围:
其中,nh为隐层神经元个数,ni为输入层神经元个数,no为输出层神经元个数,k为(1,10)区间内任意常数。
优选地,所述根据训练集中的样本数据对所述BP神经网络进行训练的步骤具体包括:
根据训练集中的样本数据,采用trainbr训练函数对所述BP神经网络进行训练。
本发明还提供了一种重金属定量预测装置,包括:
获取模块,用于通过溶出伏安法和传感器阵列,获取与目标重金属离子浓度有关联关系的预设参数的值;
建立模块,用于以所述预设参数为输入,所述目标重金属的离子浓度为输出,建立BP神经网络;
划分模块,用于将根据所述预设参数生成的样本数据分为训练集和验证集;
训练模块,用于根据训练集中的样本数据对所述BP神经网络进行训练,获取包含有输入输出映射关系的BP神经网络;
验证模块,用于根据验证集中的样本数据对训练结果进行验证,并根据验证结果调整所述BP神经网络;
预测模块,用于根据调整后的BP神经网络预测所述目标重金属的离子浓度。
优选地,所述建立模块具体用于:根据所述预设参数的数量获取输入层神经元个数;根据所述输入层神经元个数获取隐层神经元的数量范围;根据输入层神经元和隐层神经元、以及隐层和输出层的传递函数建立BP神经网络。
优选地,所述训练模块具体用于:根据训练集中的样本数据,采用trainbr训练函数对所述BP神经网络进行训练。
本发明还提出了一种重金属定量预测系统,包括:传感器阵列、下位机和上位机,所述上位机包括上述重金属定量预测装置;
所述传感器阵列,用于触发激励信号以获取目标重金属的溶出伏安信号并采集检测液pH值信号;
所述下位机,用于获取所述溶出伏安信号和检测液pH值信号,并对所述溶出伏安信号和所述检测液pH值信号进行模数转换处理,并将获取到的第一数字信号发送至所述上位机;
所述上位机,用于加载调整后的BP神经网络,并以所述第一数字信号为输入信号,输出预测值。
优选地,所述下位机包括:信号采集和处理电路、数/模转换器、模/数转换器、串口通信电路以及微处理器及最小系统;
所述信号采集和处理电路,用于采集所述传感器阵列中电极上的电流信号,并将所述电流信号转化为电压信号,对所述电压信号进行滤波放大处理,将滤波放大处理后的电压信号传输至模/数转换器;
所述模/数转换器,用于将所述电压信号转换为第一数字信号,并传输至所述微处理器及最小系统;
所述微处理器及最小系统,用于将所述第一数字信号发送至所述串口通信电路,以及接收外部输入的控制信号,并且触发生成第二数字信号,并将所述第二数字信号发送至所述数/模转换器;所述数/模转换器,用于将所述第二数字信号转换为模拟信号,并将所述模拟信号发送至所述传感器阵列;
所述串口通信电路,用于将所述第一数字信号传输至所述上位机,以作为所述BP神经网络输入参量。
由上述技术方案可知,本发明实施例提出的重金属定量预测方法、装置及系统基于BP神经网络的非线性逼近功能,建立预设参数和目标重金属离子浓度之间的输入输出映射关系,与现有技术采用一元模型相比,具有预测精度高、速度快以及定量预测的优点,可用于实现重金属的自动化检测。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明一实施例提供的一种重金属定量预测方法的流程示意图;
图2示出了本发明一实施例提供的一种重金属定量预测方法中BP神经网络的结构示意图;
图3示出了本发明另一实施例提供的一种重金属定量预测方法中BP神经网络的结构示意图;
图4示出了本发明又一实施例提供的一种重金属定量预测方法中BP神经网络的结构示意图;
图5示出了本发明一实施例提供的一种重金属定量预测装置的结构示意图;
图6示出了本发明一实施例提供的一种重金属定量预测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明一实施例提供的一种重金属定量预测方法的流程示意图,参见图1,该重金属定量预测方法,包括:
110、通过溶出伏安法和传感器阵列,获取与目标重金属离子浓度有关联关系的预设参数的值;
需要说明的是,此处的有关联关系的预设参数即为能对目标重金属离子浓度造成影响的参数;
另外,针对不同的重金属,对其离子浓度有影响的参数不尽相同;而且,针对某一重金属,其关联参数有许多种,不可能每一种都考虑到;因此,为了尽可能的提高建立的神经网络的精度,可在考虑环境因素的基础上,通过分析重金属特性的方法选择性的筛选出若干个参数;例如:针对Pb2+,筛选出的参数包括:Cd2+、Cr2+、Cu2+、Zn2+、Hg2+、As3+的溶出峰值电流、溶出峰值面积以及离子共存液pH值;
针对Cd2+,筛选出的参数包括:Pb2+、Cr2+、Cu2+、Zn2+、Hg2+、As3+的溶出峰值电流、溶出峰值面积以及离子共存液pH值;
针对Zn2+,筛选出的参数包括:Pb2+、Cr2+、Cu2+、Cd2+、Hg2+、As3+的溶出峰值电流、溶出峰值面积以及离子共存液pH值;
针对Cr2+,筛选出的参数包括:Pb2+、Zn2+、Cu2+、Zn2+、Hg2+、As3+的溶出峰值电流、溶出峰值面积以及离子共存液pH值;
针对Cu2+,筛选出的参数包括:Pb2+、Cr2+、Cd2+、Zn2+、Hg2+、As3+的溶出峰值电流、溶出峰值面积以及离子共存液pH值;
可理解的是,对于任意一种重金属,均可根据其已知的特性获知对其检测有影响的参数,包括直接影响因素和间接影响因素等;而分析这些因素可以获知并能够选择出影响较大的一个或几个参数,并根据选择出的参数建立BP神经网络;
其中,选择出的参数及参数数量具体视需要建立的BP神经网络的精度而定,以满足预设精度为准,此处不再进行限定;120、以所述预设参数为输入,所述目标重金属的离子浓度为输出,建立BP(Back Propagation)神经网络。
130、将根据所述预设参数生成的样本数据分为训练集和验证集;
需要说明的是,训练集和验证集中的样本数据所占总的样本数据的比例可视具体情况而定。
140、根据训练集中的样本数据,采用trainbr训练函数对所述BP神经网络进行训练,获取包含有输入输出映射关系的BP神经网络;
需要说明的是,BP神经网络为按误差逆传播算法训练的多层前馈网络,能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程;
150、根据验证集中的样本数据对训练结果进行验证,并根据验证结果调整所述BP神经网络;
需要说明的是,BP神经网络学习规则是使用梯度下降法,通过反向传播来不断调整网络的权值和阈值,以使网络的误差平方和满足预设的精度;
160、根据调整后的BP神经网络预测所述目标重金属的离子浓度。
可理解的是,以调整后的BP神经网络为准,将待预测位置的目标重金属的参数输入至BP神经网络中,BP神经网络的输出作为目标重金属的浓度;
其中,待预测位置为实际所要预测位置,例如:北京海淀区xx村处的土壤,或者某某试验田处的土壤。
本实施例提出的重金属定量预测方法基于BP神经网络的非线性逼近功能,建立预设参数和目标重金属离子浓度之间的输入输出映射关系,与现有技术采用一元模型相比,具有预测精度高、速度快以及定量预测的优点。
本实施例中,步骤120具体包括:
首先,根据所述预设参数的数量获取输入层神经元个数;根据所述输入层神经元个数获取隐层神经元的数量范围;
具体公式如下:
其中,nh为隐层神经元个数,ni为输入层神经元个数,no为输出层神经元个数,k为(1,10)区间内任意常数;
其次,根据输入层神经元和隐层神经元、以及隐层和输出层的传递函数建立BP神经网络。
所述隐层的传递函数采用S型对数函数log-sigmoid:所述输出层的传递函数采用线性函数purelin:a=purelin(x)。
图2示出了本发明一实施例提供的一种重金属定量预测方法中BP神经网络的结构示意图,参见图2,该BP神经网络用于预测单一重金属a的离子浓度;包括:输入层、隐层和输出层;
输入层用于接收外部输入的A参数、B参数、C参数、D参数和E参数;并通过隐层和输出层的传递函数,在输出层输出向量a离子的浓度。
图3示出了本发明又一实施例提供的一种重金属定量预测方法的流程示意图,参见图3,该BP神经网络用于预测两个重金属a和b的离子浓度;包括:输入层、隐层和输出层;
输入层用于接收外部输入的A参数、B参数、C参数、D参数和E参数;并通过隐层和输出层的传递函数,在输出层输出变量a和b离子的浓度;
可理解的是,本实施例的A参数、B参数、C参数、D参数和E参数与上一实施例中的A参数、B参数、C参数、D参数和E参数并不一定相同。
图4示出了本发明又一实施例提供的一种重金属定量预测方法中BP神经网络的结构示意图,下面参见图4以预测铅离子和镉离子的浓度为例,对BP神经网络的建立过程进行详细说明:
第一步,确定与铅离子和镉离子有影响的参数,包括:铅离子溶出峰值电流、镉离子溶出峰值电流、铅离子溶出峰面积、镉离子溶出峰面积和两者混合液的pH值;
其中,有影响的参数还包括:Cr2+、Cu2+、Zn2+、Hg2+、As3+溶出峰值电流、溶出峰值面积以及多离子共存液pH值,实验证明以上几种重金属离子对Cd2+和Pb2+的溶出伏安检测都有影响,因重金属有的存在多种价态这里用字母表示。
第二步,以上述5种参数为样本,获取不同环境下的样本数据,例如调整离子的浓度范围或者共存离子溶液的pH范围等方式获取预设数量的样本数据。
第三步,基于有5种参数,设置BP神经网络中5个神经元的输入层;基于需要预测2种重金属的离子浓度,设置BP神经网络中2个神经元的输出层;
根据上述的公式计算获取BP神经网络隐层的神经元的数量范围;
其中,本发明中ni为5,no为2,故,nh取值区间选为(2,15),此处选取14;
可理解的是,输入层神经元的数量与输入参数对应,输出层神经元的数量与输出向量对应;
需要说明的是,通过比较隐层传递函数、输出层传递函数和训练函数不同组合情况下,隐层中神经元个数在取值区间范围内与均方根误差的关系,优选出均方根误差最小时的传递函数、训练函数和隐层神经元的个数;
基于各层的神经元个数以及传递函数,建立BP神经网络。
第四步,设置最大训练次数、学习率、动量因子及收敛误差,随机抽取预设比例的样本数据作为训练集,并将训练集进行归一化处理后输入BP神经网络进行训练,用剩余的样本数据作为验证集对BP神经网络进行测试;
通过判定神经网络对训练集和验证集预测结果的绝对值误差和均方根误差,来判定模型是否可以用于预测工作。
保存通过测试的神经网络,并在进行重金属预测时调用已经训练好的网络。
下面以预测铅离子和镉离子的浓度对重金属定量预测方法进行具体实例说明:
第一步、在3.5-6pH范围内和1-110μg/L浓度范围内,对不同pH值和不同浓度组合的铅离子和镉离子共存溶液进行溶出伏安测试,采集溶出峰值电流,溶出峰面积等样本数据。
所述的溶出伏安测试使用优选为由铋膜修饰的玻碳电极,其他具备此功能的电极也是可行的,例如:碳糊电极、丝网印刷电极和相应的化学修饰电极等,Ag/AgCl参比电极以及铂对电极组成的三电极系统。
所述的溶出伏安测试使用的缓冲液为0.1mol/L醋酸缓冲液。
第二步、将样本数据分成训练集和验证集两部分并进行归一化处理,将数值归一化到-1和+1之间。将铅离子和镉离子的溶出峰值电流、溶出峰面积以及铅离子和镉离子共存溶液pH值作为输入变量,铅离子和镉离子浓度作为输出变量。
所述的训练集为样本数据的70%,所述的验证集为样本数据的30%。
第三步、建立5个输入和2个输出的BP神经网络。所述的神经网络由一个输入层、一个隐层和一个输出层组成。其中输入层有5个输入参数,分别是铅离子溶出峰值电流、镉离子溶出峰值电流、铅离子溶出峰面积、镉离子溶出峰面积、pH值。所述的神经网络隐层有14个神经元,输出层有2两个输出参数,分别是铅离子浓度和镉离子浓度。
所述的神经网络隐层神经元的传递函数采用Log-sigmoid函数,输出层神经元的传递函数采用线型函数Pureline。
第四步、按照所述第三步建立神经网络,设置最大训练次数、学习率、动量因子及收敛误差,使用训练集样本进行训练。当所述的神经网络训练结束后,利用验证集样本检验,当所述的神经网络对验证集的预测误差低于规定水平即通过测试,可以用于土壤重金属浓度预测工作。
所述的最大训练次数、学习率、动量因子及收敛误差分别为20000、0.02、0.2、0.00004。所述的验证集样本检验过程,需要通过反归一化处理,将BP神经网络的输出值还原为原量纲值,即为重金属浓度预测值。
保存已经训练好的神经网络,通过本发明提出的预测系统实现对土壤重金属的快速、定量预测。
所述的样本数据归一化处理,输出结果反归一化处理,神经网络训练及测试均通过MATLAB编程实现。
对于方法实施方式,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施方式并不受所描述的动作顺序的限制,因为依据本发明实施方式,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施方式均属于优选实施方式,所涉及的动作并不一定是本发明实施方式所必须的。
图5示出了本发明一实施例提供的一种重金属定量预测装置的结构示意图,参见图5,该重金属定量预测装置包括:获取模块51、建立模块52、划分模块53、训练模块54、验证模块55以及预测模块56;其中,
获取模块51,用于通过溶出伏安法和传感器阵列,获取与目标重金属离子浓度有关联关系的预设参数的值;
建立模块52,用于以所述预设参数为输入,所述目标重金属的离子浓度为输出,建立BP神经网络;
划分模块53,用于将根据所述预设参数生成的样本数据分为训练集和验证集;
训练模块54,用于根据训练集中的样本数据对所述BP神经网络进行训练,获取包含有输入输出映射关系的BP神经网络;
验证模块55,用于根据验证集中的样本数据对训练结果进行验证,并根据验证结果调整所述BP神经网络;
预测模块56,用于根据调整后的BP神经网络预测所述目标重金属的离子浓度。
需要说明的是,获取模块51通过溶出伏安法和传感器阵列,获取与目标重金属离子浓度有关联关系的预设参数的值,并将预设参数发送至建立模块52,由建立模块52以所述预设参数为输入,所述目标重金属的离子浓度为输出,建立BP神经网络;同时,划分模块53将根据所述预设参数生成的样本数据分为训练集和验证集;将训练集发送至,由训练模块54根据训练集中的样本数据对所述BP神经网络进行训练,获取包含有输入输出映射关系的BP神经网络;将验证集发送至验证模块55,由验证模块55根据验证集中的样本数据对训练结果进行验证,并根据验证结果调整所述BP神经网络中的权值和阈值;在实际使用时,预测模块56调用调整后的BP神经网络预测,以目标重金属的预设参数未输入,输出目标重金属预测的离子浓度。
对于装置实施方式而言,由于其与方法实施方式基本相似,所以描述的比较简单,相关之处参见方法实施方式的部分说明即可。
本实施例中,所述建立模块52具体用于:根据所述预设参数的数量获取输入层神经元个数;根据所述输入层神经元个数获取隐层神经元的数量范围;根据输入层神经元和隐层神经元、以及隐层和输出层的传递函数建立BP神经网络。
本实施例中,所述训练模块54具体用于:根据训练集中的样本数据,采用trainbr训练函数对所述BP神经网络进行训练。
对于装置实施方式而言,由于其与方法实施方式基本相似,所以描述的比较简单,相关之处参见方法实施方式的部分说明即可。
应当注意的是,在本发明的装置的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本发明不受限于此,可以根据需要对各个部件进行重新划分或者组合。
图6示出了本发明一实施例提供的一种重金属定量预测系统的结构示意图,参见图6,该重金属定量预测系统,包括:传感器阵列、下位机和上位机,所述上位机包括上述的重金属定量预测装置;其中,
所述传感器阵列,用于触发激励信号以获取目标重金属的溶出伏安信号并采集检测液pH值信号;
所述下位机,用于获取所述溶出伏安信号和检测液pH值信号,并对所述溶出伏安信号和所述检测液pH值信号进行模数转换处理,并将获取到的第一数字信号发送至所述上位机;
所述上位机,用于加载调整后的BP神经网络,并以所述第一数字信号为输入信号,输出预测值。
本实施例中,所述的传感器阵列由工作电极、参比电极、辅助电极和pH复合电极组成。
所述的工作电极为铋膜修饰的玻碳电极,所述的参比电极为Ag/AgCl参比电极,所述的辅助电极为铂电极。
所述的工作电极、参比电极和辅助电极三电极体系,用来触发激励信号并获取重金属离子的溶出伏安信号,通过下位机处理后获取溶出伏安数据,包括:溶出峰值电流,溶出峰值面积。
所述的pH复合电极用来获取溶液的pH值信号,通过下位机处理后获取溶液pH值。
本实施例中,所述下位机包括:信号采集和处理电路、数/模转换器、模/数转换器、串口通信电路以及微处理器及最小系统;其中,
所述采集和处理电路,用于采集所述传感器阵列中电极上的电流信号,并将所述电流信号转化为电压信号,对所述电压信号进行滤波处理,并在滤波处理后进行放大处理,将放大处理后的电压信号传输至模/数转换器;
所述模/数转换器,用于将所述电压信号转换为第一数字信号,并传输至所述微处理器及最小系统;
所述微处理器及最小系统,用于将所述第一数字信号发送至所述串口通信电路;以及接收外部输入的控制信号,以生成第二数字信号,并将所述第二数字信号发送至所述数/模转换器;
需要说明的是,此处的控制信号包括用户操作下位机生成的相应的信号,例如:控制按钮;
所述数/模转换器,用于将所述第二数字信号转换为模拟信号,并将所述模拟信号发送至传感器阵列;
需要说明的是,此处的模拟信号将作为触发信号提供给传感器阵列的参比电极和工作电极;
所述串口通信电路,用于将所述第一数字信号传输至所述上位机,以作为所述BP神经网络输入参量。
在另一可行实施例中,下位机还包括恒电位电路,用于向参比电极和工作电极间提供所需电势。
另外优选地,所述串口通信电路,基于MAX3232E芯片,以及相应的外围电路实现TTL电平和232电平的转换。
所述的微处理器为STM32F103VET6。
所述的上位机软件由Labview程序开发环境开发,由控制命令发送模块、数据接收模块和数据存储模块组成。
所述的D/A转换器由LTC2601芯片,以及相应的外围电路组成。
下面参照图6对重金属定量预测系统的工作原理进行详细说明:
S101:实验设计与样本数据获取
选定铅离子的浓度范围为1-110μg/L,镉离子的浓度范围为1-110μg/L,铅离子和镉离子共存溶液的pH值范围为3.5-6;
以铅离子浓度、镉离子浓度、铅离子和镉离子共存溶液的pH值为试验因子;
采用混合水平正交实验,其中铅离子浓度、镉离子浓度设计为13水平,共存溶液pH值为6水平;
根据实验设计进行溶出伏安测试,获取不同铅离子浓度、镉离子浓度和pH值组合下的溶出伏安图谱数据,包括:铅离子溶出峰值电流,镉离子溶出峰值电流,铅离子溶出峰值面积,镉离子溶出峰值面积。
溶出伏安测试使用的是由铋膜修饰的玻碳电极,Ag/AgCl参比电极以及铂对电极组成的三电极系统,缓冲液为0.1mol/L醋酸缓冲液。
S102:建立BP网络模型并进行训练和测试
BP神经网络由一个输入层、一个隐层和一个输出层组成;
其中,输入层有5个神经元,分别对应铅离子溶出峰值电流、镉离子溶出峰值电流、铅离子溶出峰面积、镉离子溶出峰面积和pH值5个参数;
输出层为铅离子浓度和镉离子浓度,故有2个神经元;
隐层神经元个数的计算公式为:
其中,nh为隐层神经元个数,ni为输入层神经元个数,no为输出层神经元个数,k为(1,10)区间内任意常数,由于ni为5,no为2,故,nh取值区间选为(2,15);
需要说明的是,通过比较隐层传递函数、输出层传递函数和训练函数不同组合情况下,隐层中神经元个数在取值区间范围内与均方根误差的关系,优选出均方根误差最小时的传递函数、训练函数和隐层神经元的个数;
隐层神经元的传递函数为log-sigmoid作用函数,输出层神经元的传递函数采用线型函数purelin:训练函数为trainbr,隐层神经元数为14;
隐层传递函数表达式:
输出层传递函数表达式:a=purelin(x);
设置最大训练次数、学习率、动量因子及收敛误差分别为20000、0.02、0.2、0.00004,随机抽取70%的样本数据作为训练集,并将训练集进行归一化处理后输入BP神经网络进行训练,用剩余30%的样本数据作为验证集对BP神经网络进行测试;
通过判定神经网络对训练集和验证集预测结果的绝对值误差和均方根误差,来判定模型是否可以用于预测工作。
保存通过测试的神经网络,并在进行重金属预测时调用已经训练好的网络。
保存已经训练好的神经网络,通过本发明提出的预测系统实现对土壤重金属的快速、定量预测。
S103:利用通过测试的BP神经网络对重金属进行预测
可理解的是,此处的通过测试的BP神经网络为调整后的符合精度要求的神经网络;
1.使用Tessier方法对土壤样品进行前处理,得到土壤提取液,取20mL待用。
2.将传感器阵列插入装有20mL土壤浸提液的检测池中,使用本发明所提出的预测系统对测试液进行输入数据采集,采集到的数据通过串口通信发送到上位机,并存储在上位机中指定的excel表格中。
3.运行上位机中的MATLAB预测程序,加载已经训练好的神经网络,程序自动将加载数据输入到神经网络中,并显示预测结果。
下面就重金属定量预测系统的操作流程做具体说明:
1.打开下位机电源开关,并运行计算机上的上位机软件。上位机界面显示“xxx土壤重金属定量检测系统。点击界面中的“开始检测”选项开始检测;其中,xxx为名称,例如“中国农业大学”。
2.检测过程中,界面将显示,系统检测中请等待。下位机数据采集结束后,界面将显示测试成功,此时溶出峰值数据、溶出峰值面积和pH值数据已经通过串口自动发送给上位机,并存储在计算机上指定的excel表格中。
3.运行计算机上的MATLAB预测程序,程序将加载训练好的神经网络和指定excel表格中的输入数据,并输出预测结果。
本发明的各个部件实施方式可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本装置中,PC通过实现因特网对设备或者装置远程控制,精准的控制设备或者装置每个操作的步骤。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样实现本发明的程序可以存储在计算机可读介质上,并且程序产生的文件或文档具有可统计性,产生数据报告和cpk报告等,能对功放进行批量测试并统计。应该注意的是上述实施方式对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施方式。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种重金属定量预测方法,其特征在于,包括:
通过溶出伏安法和传感器阵列,获取与目标重金属离子浓度有关联关系的预设参数的值;
以所述预设参数为输入,所述目标重金属的离子浓度为输出,建立BP神经网络;
将根据所述预设参数生成的样本数据分为训练集和验证集;
根据训练集中的样本数据对所述BP神经网络进行训练,获取包含有输入输出映射关系的BP神经网络;
根据验证集中的样本数据对训练结果进行验证,并根据验证结果调整所述BP神经网络;
根据调整后的BP神经网络预测所述目标重金属的离子浓度。
2.根据权利要求1所述的方法,其特征在于,所述以所述预设参数为输入,所述目标重金属的离子浓度为输出,建立BP神经网络的步骤具体包括:
根据所述预设参数的数量获取输入层神经元个数;
根据所述输入层神经元个数获取隐层神经元的数量范围;通过不同训练函数,传递函数组合下,取隐层中不同神经元数时获取的最小均方根误差,来确定训练函数、传递函数和隐层神经元个数。
根据输入层神经元和隐层神经元、以及隐层和输出层的传递函数建立BP神经网络。
3.根据权利要求2所述的方法,其特征在于,所述隐层的传递函数采用S型对数函数log-sigmoid:
所述输出层的传递函数采用线性函数purelin:a=purelin(x)。
4.根据权利要求2所述的方法,其特征在于,所述根据所述输入层神经元个数获取隐层神经元的数量范围的步骤具体包括:
根据以下公式,根据所述输入层神经元个数获取隐层神经元的数量范围:
<mrow>
<msub>
<mi>n</mi>
<mi>h</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>n</mi>
<mi>o</mi>
</msub>
</mrow>
</msqrt>
<mo>+</mo>
<mi>k</mi>
</mrow>
其中,nh为隐层神经元个数,ni为输入层神经元个数,no为输出层神经元个数,k为(1,10)区间内任意常数。
5.根据权利要求1所述的方法,其特征在于,所述根据训练集中的样本数据对所述BP神经网络进行训练的步骤具体包括:
根据训练集中的样本数据,采用trainbr训练函数对所述BP神经网络进行训练。
6.一种重金属定量预测装置,其特征在于,包括:
获取模块,用于通过溶出伏安法和传感器阵列,获取与目标重金属离子浓度有关联关系的预设参数的值;
建立模块,用于以所述预设参数为输入,所述目标重金属的离子浓度为输出,建立BP神经网络;
划分模块,用于将根据所述预设参数生成的样本数据分为训练集和验证集;
训练模块,用于根据训练集中的样本数据对所述BP神经网络进行训练,获取包含有输入输出映射关系的BP神经网络;
验证模块,用于根据验证集中的样本数据对训练结果进行验证,并根据验证结果调整所述BP神经网络;
预测模块,用于根据调整后的BP神经网络预测所述目标重金属的离子浓度。
7.根据权利要求6所述的装置,其特征在于,所述建立模块具体用于:根据所述预设参数的数量获取输入层神经元个数;根据所述输入层神经元个数获取隐层神经元的数量范围;根据输入层神经元和隐层神经元、以及隐层和输出层的传递函数建立BP神经网络。
8.根据权利要求6所述的装置,其特征在于,所述训练模块具体用于:根据训练集中的样本数据,采用trainbr训练函数对所述BP神经网络进行训练。
9.一种重金属定量预测系统,其特征在于,包括:传感器阵列、下位机和上位机,所述上位机包括上述权利要求6-8任一项所述的重金属定量预测装置;
所述传感器阵列,用于触发激励信号以获取目标重金属的溶出伏安信号并采集检测液pH值信号;
所述下位机,用于获取所述溶出伏安信号和检测液pH值信号,并对所述溶出伏安信号和所述检测液pH值信号进行模数转换处理,并将获取到的第一数字信号发送至所述上位机;
所述上位机,用于加载调整后的BP神经网络,并以所述第一数字信号为输入信号,输出预测值。
10.根据权利要求9所述的系统,其特征在于,所述下位机包括:信号采集和处理电路、数/模转换器、模/数转换器、串口通信电路以及微处理器及最小系统;
所述采集和处理电路,用于采集所述传感器阵列中电极上的电流信号,并将所述电流信号转化为电压信号,对所述电压信号进行滤波放大处理,将滤波放大处理后的电压信号传输至模/数转换器;
所述模/数转换器,用于将所述电压信号转换为第一数字信号,并传输至所述微处理器及最小系统;
所述微处理器及最小系统,用于将所述第一数字信号发送至所述串口通信电路,以及接收外部输入的控制信号,并且可以触发生成第二数字信号,并将所述第二数字信号发送至所述数/模转换器;
所述数/模转换器,用于将所述第二数字信号转换为模拟信号,并将所述模拟信号发送至所述传感器阵列;
所述串口通信电路,用于将所述第一数字信号传输至所述上位机,以作为所述BP神经网络输入参量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610491171.8A CN107543854A (zh) | 2016-06-28 | 2016-06-28 | 一种重金属定量预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610491171.8A CN107543854A (zh) | 2016-06-28 | 2016-06-28 | 一种重金属定量预测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107543854A true CN107543854A (zh) | 2018-01-05 |
Family
ID=60963104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610491171.8A Pending CN107543854A (zh) | 2016-06-28 | 2016-06-28 | 一种重金属定量预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107543854A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632888A (zh) * | 2018-12-27 | 2019-04-16 | 广州安食通信息科技有限公司 | 一种食品重金属检测仪及食品重金属检测方法 |
CN110807516A (zh) * | 2019-10-31 | 2020-02-18 | 西安工程大学 | 一种驱动器用igbt模块的结温预测方法 |
CN111428864A (zh) * | 2020-04-08 | 2020-07-17 | 重庆软汇科技股份有限公司 | 一种基于神经网络的自动事务生成方法及系统 |
CN112747813A (zh) * | 2019-10-29 | 2021-05-04 | 杭州壬辰科技有限公司 | 一种零件自动称重计数系统及方法 |
CN115436301A (zh) * | 2022-09-05 | 2022-12-06 | 成都信息工程大学 | 一种基于bp神经网络混合离子浓度传感系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004198327A (ja) * | 2002-12-19 | 2004-07-15 | Japan Science & Technology Agency | 複数の化学物質の濃度の測定方法 |
CN105388204A (zh) * | 2015-12-22 | 2016-03-09 | 天津格信智能科技有限公司 | 新型溶出伏安法的重金属检测系统 |
CN105548316A (zh) * | 2015-12-31 | 2016-05-04 | 中国农业大学 | 基于脲酶生物传感器的土壤重金属检测仪 |
-
2016
- 2016-06-28 CN CN201610491171.8A patent/CN107543854A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004198327A (ja) * | 2002-12-19 | 2004-07-15 | Japan Science & Technology Agency | 複数の化学物質の濃度の測定方法 |
CN105388204A (zh) * | 2015-12-22 | 2016-03-09 | 天津格信智能科技有限公司 | 新型溶出伏安法的重金属检测系统 |
CN105548316A (zh) * | 2015-12-31 | 2016-05-04 | 中国农业大学 | 基于脲酶生物传感器的土壤重金属检测仪 |
Non-Patent Citations (2)
Title |
---|
GONZALEZ-CALABUIG等: "Simultaneous Voltammetric Determination of Heavy Metals by Use of Crown Ether-modified Electrodes and Chemometrics", 《ELECTROANALYSIS》 * |
薄娟娟: "基于电化学与化学计量学的食用油多组分重金属检测方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109632888A (zh) * | 2018-12-27 | 2019-04-16 | 广州安食通信息科技有限公司 | 一种食品重金属检测仪及食品重金属检测方法 |
CN112747813A (zh) * | 2019-10-29 | 2021-05-04 | 杭州壬辰科技有限公司 | 一种零件自动称重计数系统及方法 |
CN110807516A (zh) * | 2019-10-31 | 2020-02-18 | 西安工程大学 | 一种驱动器用igbt模块的结温预测方法 |
CN111428864A (zh) * | 2020-04-08 | 2020-07-17 | 重庆软汇科技股份有限公司 | 一种基于神经网络的自动事务生成方法及系统 |
CN115436301A (zh) * | 2022-09-05 | 2022-12-06 | 成都信息工程大学 | 一种基于bp神经网络混合离子浓度传感系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107543854A (zh) | 一种重金属定量预测方法、装置及系统 | |
CN108171259A (zh) | 一种基于NB-IoT的智慧末梢水质监测系统及方法 | |
CN104700153A (zh) | 基于模拟退火优化BP神经网络的pH值预测方法 | |
CN106549813A (zh) | 一种网络性能的评估方法及系统 | |
CN109975366B (zh) | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 | |
CN108615071A (zh) | 模型测试的方法及装置 | |
CN103792246A (zh) | 一种基于lm-bp神经网络的x射线荧光光谱定量分析方法 | |
CN105974273A (zh) | 配电网故障定位系统 | |
CN107132266A (zh) | 一种基于随机森林的水质分类方法及系统 | |
CN111080982A (zh) | 一种基于多传感器的大坝安全智能监测与预警系统及方法 | |
CN107844870B (zh) | 基于Elman神经网络模型的土壤重金属含量预测方法 | |
CN110309609A (zh) | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 | |
CN107247083A (zh) | 一种农田重金属污染在线监测预警与实时处理系统及方法 | |
CN107944213A (zh) | Pmf在线源解析方法、系统、终端设备及计算机可读存储介质 | |
CN105182141A (zh) | 变压器故障检测方法及系统 | |
CN114062649B (zh) | 一种土壤污染趋势分析方法 | |
CN109142494A (zh) | 一种针对电阻型电化学传感器最佳工作电压选取方法 | |
CN110222916B (zh) | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 | |
CN105719209B (zh) | 一种虚拟测试考场建立方法及装置 | |
CN107944205B (zh) | 一种基于高斯烟羽模型的水域特征模型建立方法 | |
CN111257374B (zh) | 土壤含水率和含氮量监测方法、装置、设备及存储介质 | |
CN112712008A (zh) | 一种基于3d卷积神经网络的水环境预警判断方法 | |
CN112651173A (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
CN107016440A (zh) | 机械传动故障的多分辨率深度神经网络智能诊断方法 | |
CN106770477A (zh) | 一种优化传感数据及模式识别对蜜源鉴别及掺假快检方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180105 |