CN111948272A - 一种基于人工神经网络的水质生物毒性预测方法 - Google Patents

一种基于人工神经网络的水质生物毒性预测方法 Download PDF

Info

Publication number
CN111948272A
CN111948272A CN202010749651.6A CN202010749651A CN111948272A CN 111948272 A CN111948272 A CN 111948272A CN 202010749651 A CN202010749651 A CN 202010749651A CN 111948272 A CN111948272 A CN 111948272A
Authority
CN
China
Prior art keywords
neural network
water sample
water quality
water
model
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.)
Granted
Application number
CN202010749651.6A
Other languages
English (en)
Other versions
CN111948272B (zh
Inventor
刘红
藏雨轩
易越
谢倍珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010749651.6A priority Critical patent/CN111948272B/zh
Publication of CN111948272A publication Critical patent/CN111948272A/zh
Application granted granted Critical
Publication of CN111948272B publication Critical patent/CN111948272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
    • G01N27/416—Systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明涉及一种基于人工神经网络的水质生物毒性预测方法，利用生物电化学水质综合毒性传感器检测水体水样，通过采集传感器检测正常水体水样和有毒水体水样的电流变化数据，以特定时间节点电流抑制率作为输入，水质有无毒性作为输出；选取含3层的感知器神经网络，其隐含层数为1，体系结构采取自定义，使用批处理训练类型和共轭梯度优化算法进行神经网络的学习训练，最终获得能够准确预测水质生物毒性的神经网络模型。基于检测灵敏度高的生物电化学水质综合毒性传感器和具有良好预测性能的人工神经网络模型，实现对水体水质生物毒性快速及准确地预测。

Description

一种基于人工神经网络的水质生物毒性预测方法
技术领域
本发明涉及预测水质生物毒性领域，具体涉及利用人工神经网络对水质生物毒性进行快速预测。
背景技术
随着近代工业的发展，水环境生态系统受到越来越多的污染，突发性环境污染事件屡见不鲜，严重威胁着生态安全和人民健康。为加强对水体水质监测和追踪，我国目前已建立了地表水环境质量监测网络，但监测项目主要是理化指标。理化分析虽然能够定量水体中某一种或某一类污染物含量，但往往不仅需要复杂的检测程序和昂贵的仪器设备，而且无法对突发性水体污染事件进行预警。基于生物与环境相适应原理所发展的生物监测可以更直观反映水体水质变化，常用的指示生物及其特征信号主要包括鱼类姿态特征、藻类荧光强度、蚤类活动能力和发光细菌发光强度等。但此类检测手段不仅实验周期长、干扰因素多、成本高，而且都属于间歇式实验，无法及时反映水质情况，也不能满足对水体实时预报预警和在线监控的需要。基于电化学活性微生物(Electrochemically ActiveBacteria,EAB)的新型生物传感器具有灵敏度高、特异性强、响应速度快等优势，可以在复杂的系统中实现快速实时连续监测，将水质生物毒性信号转换为电信号，被认为具有良好的应用前景。EAB检测水质生物毒性的原理是当水体中出现有毒污染物时，污染物可以直接抑制EAB的生长和代谢，进而导致EAB输出电流的下降，因此通过持续监测EAB的输出电流信号即可实现对水体中毒性污染物的实时在线监测。目前，水体水样对EAB输出电流信号变化的影响主要通过电流下降量和电流抑制率评价，分别表示一定时间内水体水样对EAB输出电流影响的绝对量和相对量；其中，电流抑制率可以消除EAB检测水样前输出电流信号的差异，因此更适宜作为实际水体检测的评价指标。现有主要的商用EAB型水质生物毒性预警仪(例如韩国KORBI公司HATOX-2000、加拿大IWT公司SENTRY-AD和我国雪迪龙公司MODEL9880)均采用了电流抑制率评价水质生物毒性，通过将EAB检测水体水样一定时间内的电流抑制率与系统预设阈值(例如20％-50％)或经验阈值比对，判断水体水质生物毒性。然而，已有研究表明EAB代谢活性和群落结构存在明显的个体差异，而且不同EAB种类对于毒性污染物的响应可能存在明显不同，因此仅通过固定阈值难以准确判断水体水质生物毒性。
水质预测模型可以弥补利用固定阈值判断的不足，水质预测是通过大量历史监测数据，分析水质运动变化规律后获得一种合适的数学模型，运用该模型对水质进行准确的预测判断，常用的水质预测方法主要包括水质模拟模型、灰色预测模型和人工神经网络等。水质模拟模型在国外应用较为成熟，适用于河流、湖泊等多种水环境的模拟，但其往往要求极丰富的数据资料，且精度难以掌握，故其在我国的运用受到极大程度的限制，国内虽已建立部分水质模拟模型，但常以小范围为研究区域，不具有全面性和通用性。灰度预测模型以微分方程为基础，建模过程简单且易求解，但当水质监测的原始数据波动性较大、规律较弱时，模型拟合度较低，预测结果与实际结果误差偏大，准确度较差。人工神经网络具有较强的自主学习和容错能力，不仅收敛速度较快，而且预测结果精度高，已被广泛应用于预测估算、自动控制及系统故障等领域。MLP神经网络作为人工神经网络的经典代表，其学习过程包括信号的正向传播和误差的反向传播。输入信号通过正向传播到达隐藏层经非线性变换产生输出信号，若实际输出与期望输出两者的误差较大则进行反向传播，不断更新神经网络连接的权值，直至输出值等于或接近理想的目标值，进而提高神经网络的准确率。
本发明将检测灵敏度高的生物电化学系统和预测精准的人工神经网络预测模型相结合，可对实际水体水样进行及时检测并准确预判其水质生物毒性，为解决水质变化的响应滞后问题、提高水环境监测精度具有重要的现实意义。通过检索，尚未发现与本发明申请相关的专利公开文献。
发明内容
本发明涉及一种基于人工神经网络的水质生物毒性预测方法，其原理是利用生物电化学系统检测正常水样和有毒水样，将关键时间节点的电流抑制率数据和检测结果，分别作为MLP神经网络的模型输入和模型输出，将数据分为训练样本集和测试样本集，训练样本集对神经网络模型进行训练，测试样本集评估所构建模型的性能，将训练好的、具有良好性能的MLP神经网络模型运用于预测实际未知水体水质生物毒性。
所述方法的具体步骤如下：
1)构建生物电化学系统，包括工作电极、对电极和参比电极；
2)孵育Shewanella loihica PV-4纯培养生物膜，向系统内添加处于对数生长期的S.loihica PV-4菌悬液和电解液，所述电解液中含有磷酸盐缓冲液、作为电子供体的乳酸钠和作为电子受体的富马酸，系统不施加外部电势，持续监测工作电极电势至电位稳定；
3)驯化S.loihica PV-4纯培养生物膜正向胞外电子传递能力，将系统的工作电极电势调整为0V，电解液更换为仅含磷酸盐缓冲液和乳酸钠的电解液，持续监测系统的输出电流至电流稳定；
4)获取系统正常稳定运行时的电流数据，待系统输出电流<15μA时，重新添加新鲜电解液，观察并记录系统输出电流变化，提取系统第0min、1min、2min、5min、10min、15min、20min、25min和30min的电流，分别记为Ib0、Ib1、Ib2、Ib5、Ib10、Ib15、Ib20、Ib25和Ib30；
5)获取系统检测正常水样和有毒水样的电流数据，其中正常水样包括I类水和II类水，有毒水样包括含20种单一毒性污染物的水样，毒性污染物均为0.5mg/L，每次检测具体过程为待系统稳定运行后，将电解液更换为待测水样，并额外添加磷酸盐缓冲液和乳酸钠，观察并记录系统输出电流变化，提取系统第0min、1min、2min、5min、10min、15min、20min、25min和30min的电流，分别记为Ib0、Ib1、Ib2、Ib5、Ib10、Ib15、Ib20、Ib25和Ib30；
6)计算各关键时间节点的电流抑制率CRn，n分别取值为0、1、2、5、10、15、20、25和30，CRn计算方法为下式(1)：
Figure BDA0002609615530000031
7)收集并整理关键时间节点的电流抑制率数据后，运用SPSS创建MLP神经网络，其层数为3层，选择系统检测水样电流抑制率CRn作为模型输入，水样有无毒性作为模型输出，记0为正常水样，1为有毒水样，将样本数据以7:3划分为训练样本集和测试样本集，体系结构采取自定义，使用批处理训练类型和共轭梯度优化算法进行MLP神经网络的学习训练和检验，当模型的预测正确率≥95％，且受试者工作特征(Receiver OperatingCharacteristic,ROC)曲线下的区域≥0.95时认定神经网络模型构建成功，然后保存并导出，得到用于水质检测的MLP神经网络模型；
8)应用生物电化学水质综合毒性传感器检测实际水体水样后，基于训练好的神经网络预测模型，将0min、1min、2min、5min、10min、15min、20min、25min和30min的电流抑制率作为输入，若模型输出为0则判断水样为无毒水样，若模型输出为1则判断水样为有毒水样，实现对水质生物毒性进行快速和准确地预测。
上述方法步骤(1)中系统总体积为50mL，所述工作电极为碳布，对电极为铂片电极，参比电极为Ag/AgCl电极；步骤(2)中S.loihica PV-4菌悬液的添加量为15mL，电解液的添加量为25mL，所述电解液的组分配比为：每升电解液中含有50mM磷酸盐缓冲液、10mM作为电子供体的乳酸钠和20mM作为电子受体的富马酸；步骤(3)中更换的电解液中磷酸盐缓冲液为50mM，乳酸钠为10mM；步骤(5)中20种单一毒性污染物的水样中的污染物分别为10种无机污染物(例如Cd[II]、Zn[II]、Hg[II]、Pb[II]、Cu[II]、As[III]、Mn[II]、Cr[VI]、Ni[II]和Ag[I])和10种有机污染物(例如盐酸金霉素、阿维菌素、伊维菌素、百菌清、对硫磷、甲萘威、马拉硫磷、溴氰菊酯、阿特拉津和内吸磷)；步骤(5)中添加的磷酸盐缓冲液和乳酸钠的浓度分别为50mM和0.5mM。
本发明的优点如下：本发明将检测灵敏度高的生物电化学系统和预测精准的人工神经网络预测模型巧妙结合，实现快速检测并预测水样有无毒性。生物电化学系统检测水质生物毒性时操作简便，不依赖复杂昂贵的大型仪器，而且系统中的活性微生物可自我更新，无需频繁替换电极元件，降低检测成本，同时检测具有高灵敏度；人工神经网络具有自组织、自适应和自学习的能力，计算方法成熟，收敛速度快且预测准确度高。本发明构建的基于人工神经网络的水质生物毒性预测方法，能够对实际水体水样进行及时检测并准确预测其水质生物毒性，为水体水质预测预警研究及工作提供新方法。
附图说明
图1为本发明基于人工神经网络预测水质生物毒性流程
图2为本发明实施例1中双室生物电化学系统三维模型
图3为本发明实施例1中双室生物电化学系统部分检测结果
图4为本发明实施例1中人工神经网络信息
图5为本发明实施例1中人工神经网络拓扑结构
图6为本发明实施例1中人工神经网络预测统计
图7为本发明实施例1中人工神经网络ROC曲线
具体实施方式
实施例1
实施例1利用双室生物电化学系统水质综合毒性传感器检测水体水样，获取训练神经网络模型的数据。首先构建双室生物电化学系统，阳极室和阴极室体积分别为18mL和32mL，阴阳极室通过预处理后的质子交换膜(Nafion117，Dupont，美国)隔开。阳极选用一块2.5cm×2.5cm的碳布(HCP330，上海河森电气有限公司，中国)，使用前用丙酮和乙醇混合物(v:v＝50％:50％)浸泡过夜，以去除表面可能吸附的有机物，用超纯水清洗干净烘干后高温氨化处理。阴极为一块2cm×2cm的载铂碳纸(HCP120，上海河森电气有限公司，中国)，载铂量为0.5mg/cm2，使用钛丝连接阴阳极并负载330Ω外电阻。参比电极为Ag/AgCl参比电极(R0303，天津艾达恒晟科技有限公司，中国；0.205V vs标准氢电极)，除参比电极用75％乙醇和紫外辐射灭菌，其余材料均于121℃高压灭菌20min后并在洁净工作台内完成组装。将处于对数生长期的S.loihica PV-4离心并用100mM磷酸盐缓冲液重悬至光密度约为1.0，按30％体积比接种至阳极室中，最后添加无菌阳极液充满阳极室，每升阳极液中含有1gNaHCO3、0.13g KCl、0.027g CaCl2·2H2O、0.2g MgCl2·6H2O、5.85g NaCl、7.2g HEPES、1.12g NaLa和0.5g酵母提取物，阴极室内添加阴极液，每升阴极液中含有10g NaCl和7.2gHEPES。开启蠕动泵以2mL/min在阳极室内进行自循环，即阳极室水力停留时间约为7min，系统与电化学工作站连接后，持续监测输出电压，构建的双室生物电化学系统样机如图2所示。
待系统启动完成后监测其正常稳定运行时的输出电压，依次提取系统0min、1min、2min、5min、10min、15min、20min、25min和30min的输出电压数据，测得系统内阻为500Ω，根据欧姆定律计算获得各时间节点电流数据分别记为Ib0、Ib1、Ib2、Ib5、Ib10、Ib15、Ib20、Ib25和Ib30。然后分别检测正常水样和有毒水样，其中正常水样包括I类水和II类水，有毒水样包括包括3种单一无机污染物Cd[II]、Hg[II]、Pb[II]和2种有机污染物盐酸金霉素(chlortetracyline HCL,CTC)、阿维菌素(avermectins,AVM)，浓度均为0.5mg/L，部分检测结果如图3所示。检测实验流程包括：待系统输出电压稳定后将系统进水切换为待测水样，持续30min观察系统的电压变化；检测结束后，迅速排空所有待测水样并通入正常电解液至输出电压恢复正常，确认产电能力充分恢复后进入下一轮检测实验，各待测水样均检测重复三次，依次提取检测水样0min、1min、2min、5min、10min、15min、20min、25min和30min的输出电压数据，计算获得各时间节点电流数据分别记为Id0、Id1、Id2、Id5、Id10、Id15、Id20、Id25和Id30。利用电流抑制率(CRn)评价待测水样毒性，CRn参照公式(1)计算：
Figure BDA0002609615530000061
收集并整理获取的关键时间节点的电流抑制率数据后，应用SPSS软件创建含有1个隐含层的3层神经网络，以电流抑制率数据作为模型输入，以水样有无毒性作为模型输出，记0为水样属于正常水样，1为水样属于有毒水样。对原始数据按照7:3的比例随机划分为两个部分，70％数据样本作为训练样本集，进行神经网络的学习训练，剩余数据作为测试样本集，评估已训练好的神经网络的预测性能；体系结构采取自定义，选择批处理训练类型和共轭梯度优化算法进行MLP神经网络的学习训练，训练时初始Lambda取值为0.0000005，初始Sigma取值为0.00005，间隔中心点取值为0，间隔偏移量取值为±0.5。训练结束后获取构建的神经网络信息如图4所示，其隐藏层激活函数为双曲正切函数，输出层激活函数为Softmax函数；该神经网络输入层、隐含层和输出层节点数比例为9:4:2，其拓扑结构如图5所示；神经网络模型预测统计图中可见训练和检验预测正确率均为100％(如图6)，ROC曲线下的区域为1(如图7)，表明成功构建MLP神经网络模型，最后将神经网络模型保存并导出。
双室生物电化学水质综合毒性传感器检测两种实际水体水样后，将0min、1min、2min、5min、10min、15min、20min、25min和30min的电流抑制率作为模型输入，检验训练好的MLP神经网络模型预测水体水质生物毒性的准确度。表1为应用本发明实施例1中构建的MLP神经网络模型对水体水质生物毒性的预测和真实结果，其中预测值是MLP神经网络模型预测水体水质生物毒性的结果，结果中0代表水样为无毒水样，若1代表水样为有毒水样，置信度代表预测结果的可信程度，置信度越高说明模型对预测的输出结果越肯定。结果显示，构建的MLP神经网络模型预测结果准确度均为100％，置信度均＞0.999，表明基于人工神经网络模型可实现快速、准确预测水体水质生物毒性。
表1
Figure BDA0002609615530000071

Claims (6)

1.一种基于人工神经网络的水质生物毒性预测方法，其特征在于：利用以电化学活性微生物为核心的生物电化学水质综合毒性传感器检测水体水样，通过采集传感器检测正常水体水样和有毒水体水样的电流变化数据，以特定时间节点的电流抑制率作为模型输入，水质有无毒性作为模型输出，训练并检验人工神经网络预测模型，利用生物电化学水质综合毒性传感器检测实际水体水样后，基于所获得的人工神经网络预测模型，通过关键时间节点的电流抑制率判断水质有无毒性，以实现对水质生物毒性快速及准确地预测；所述预测方法的具体步骤如下：
1)构建生物电化学系统，包括工作电极、对电极和参比电极；
2)孵育Shewanella loihica PV-4纯培养生物膜，向系统内添加处于对数生长期的S.loihica PV-4菌悬液和电解液，所述电解液中含有磷酸盐缓冲液、作为电子供体的乳酸钠和作为电子受体的富马酸，系统不施加外部电势，持续监测工作电极电势至电位稳定；
3)驯化S.loihica PV-4纯培养生物膜正向胞外电子传递能力，将系统的工作电极电势调整为0V，电解液更换为仅含磷酸盐缓冲液和乳酸钠的电解液，持续监测系统的输出电流至电流稳定；
4)获取系统正常稳定运行时的电流数据，待系统输出电流<15μA时，重新添加新鲜电解液，观察并记录系统输出电流变化，提取系统第0min、1min、2min、5min、10min、15min、20min、25min和30min的电流，分别记为Ib0、Ib1、Ib2、Ib5、Ib10、Ib15、Ib20、Ib25和Ib30；
5)获取系统检测正常水样和有毒水样的电流数据，其中正常水样包括I类水和II类水，有毒水样包括含20种单一毒性污染物的水样，毒性污染物均为0.5mg/L，每次检测具体过程为待系统稳定运行后，将电解液更换为待测水样，并额外添加磷酸盐缓冲液和乳酸钠，观察并记录系统输出电流变化，提取系统第0min、1min、2min、5min、10min、15min、20min、25min和30min的电流，分别记为Ib0、Ib1、Ib2、Ib5、Ib10、Ib15、Ib20、Ib25和Ib30；
6)计算各关键时间节点的电流抑制率CRn，n分别取值为0、1、2、5、10、15、20、25和30，CRn计算方法为下式(1)：
Figure FDA0002609615520000011
7)收集并整理关键时间节点的电流抑制率数据后，运用SPSS创建多层感知器(Multilayer Perception,MLP)神经网络，其层数为3层，选择系统检测水样电流抑制率CRn作为模型输入，水样有无毒性作为模型输出，记0为正常水样，1为有毒水样，将样本数据以7:3划分为训练样本集和测试样本集，体系结构采取自定义，使用批处理训练类型和共轭梯度优化算法进行MLP神经网络的学习训练和检验，当模型的预测正确率≥95％，且受试者工作特征曲线下的区域≥0.95时认定神经网络模型构建成功，然后保存并导出，得到用于水质检测的MLP神经网络模型；
8)应用生物电化学水质综合毒性传感器检测实际水体水样后，基于训练好的神经网络预测模型，将0min、1min、2min、5min、10min、15min、20min、25min和30min的电流抑制率作为输入，若模型输出为0则判断水样为无毒水样，若模型输出为1则判断水样为有毒水样，实现对水质生物毒性进行快速和准确地预测。
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中系统总体积为50mL，所述工作电极为碳布，对电极为铂片电极，参比电极为Ag/AgCl电极。
3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中S.loihica PV-4菌悬液的添加量为15mL，电解液的添加量为25mL，所述电解液的组分配比为：每升电解液中含有50mM磷酸盐缓冲液、10mM作为电子供体的乳酸钠和20mM作为电子受体的富马酸。
4.根据权利要求1所述的方法，其特征在于，所述步骤(3)中更换的电解液中磷酸盐缓冲液为50mM，乳酸钠为10mM。
5.根据权利要求1所述的方法，其特征在于，所述步骤(5)中20种单一毒性污染物的水样中的污染物分别为10种无机污染物(例如Cd[II]、Zn[II]、Hg[II]、Pb[II]、Cu[II]、As[III]、Mn[II]、Cr[VI]、Ni[II]和Ag[I])和10种有机污染物(例如盐酸金霉素、阿维菌素、伊维菌素、百菌清、对硫磷、甲萘威、马拉硫磷、溴氰菊酯、阿特拉津和内吸磷)。
6.根据权利要求1所述的方法，其特征在于，所述步骤(5)中添加的磷酸盐缓冲液和乳酸钠的浓度分别为50mM和0.5mM。
CN202010749651.6A 2020-07-30 2020-07-30 一种基于人工神经网络的水质生物毒性预测方法 Active CN111948272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010749651.6A CN111948272B (zh) 2020-07-30 2020-07-30 一种基于人工神经网络的水质生物毒性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010749651.6A CN111948272B (zh) 2020-07-30 2020-07-30 一种基于人工神经网络的水质生物毒性预测方法

Publications (2)

Publication Number Publication Date
CN111948272A true CN111948272A (zh) 2020-11-17
CN111948272B CN111948272B (zh) 2022-07-12

Family

ID=73338279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010749651.6A Active CN111948272B (zh) 2020-07-30 2020-07-30 一种基于人工神经网络的水质生物毒性预测方法

Country Status (1)

Country Link
CN (1) CN111948272B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113376226A (zh) * 2021-06-08 2021-09-10 北京航空航天大学 一种通过反转产电菌的胞外电子传递方向强化其检测水质毒性的方法
CN114518143A (zh) * 2022-03-07 2022-05-20 简智科技(海宁)有限公司 一种智能环境感知系统
CN114518395A (zh) * 2021-12-06 2022-05-20 北京理工大学 一种基于吸附态洛伊希瓦氏菌pv-4实现微生物电化学传感器即时检测的方法
CN114994150A (zh) * 2022-05-31 2022-09-02 中国标准化研究院 一种红花椒麻度的电子舌快速分类方法
CN115044473A (zh) * 2022-05-07 2022-09-13 北京航空航天大学 一种电化学活性细菌冻干粉制备工艺及即时检测水质生物毒性的方法
CN116026892A (zh) * 2023-03-29 2023-04-28 河北农业大学 水质检测方法、控制终端、水质检测系统及存储介质
CN116502530A (zh) * 2023-04-27 2023-07-28 重庆大学 基于机器学习的膜污染预警方法及其装置
CN117171583A (zh) * 2023-09-04 2023-12-05 生态环境部南京环境科学研究所 一种基于人工智能神经网络的水质生物毒性预测方法
CN117875573A (zh) * 2024-03-12 2024-04-12 湖北省疾病预防控制中心（湖北省预防医学科学院） 一种基于生物毒性和生物有效性的水环境评价方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020077756A1 (en) * 1999-11-29 2002-06-20 Scott Arouh Neural-network-based identification, and application, of genomic information practically relevant to diverse biological and sociological problems, including drug dosage estimation
CN101793887A (zh) * 2010-01-09 2010-08-04 中国水产科学研究院黄海水产研究所 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法
CN106934221A (zh) * 2017-02-27 2017-07-07 华南理工大学 一种基于神经网络的水质评价分类方法
CN107643333A (zh) * 2017-08-28 2018-01-30 江苏大学 一种检测水体毒性的双信号生物电化学方法
CN108334977A (zh) * 2017-12-28 2018-07-27 鲁东大学 基于深度学习的水质预测方法及系统
CN110297034A (zh) * 2019-06-12 2019-10-01 重庆工商大学融智学院 一种城市生态环境的动态变化及预测方法
CN110390429A (zh) * 2019-07-15 2019-10-29 重庆邮电大学 一种基于神经网络的水环境质量预测系统及方法
US20200143255A1 (en) * 2017-06-27 2020-05-07 Technion Research & Development Foundation Limited Dna-based neural network

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020077756A1 (en) * 1999-11-29 2002-06-20 Scott Arouh Neural-network-based identification, and application, of genomic information practically relevant to diverse biological and sociological problems, including drug dosage estimation
CN101793887A (zh) * 2010-01-09 2010-08-04 中国水产科学研究院黄海水产研究所 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法
CN106934221A (zh) * 2017-02-27 2017-07-07 华南理工大学 一种基于神经网络的水质评价分类方法
US20200143255A1 (en) * 2017-06-27 2020-05-07 Technion Research & Development Foundation Limited Dna-based neural network
CN107643333A (zh) * 2017-08-28 2018-01-30 江苏大学 一种检测水体毒性的双信号生物电化学方法
CN108334977A (zh) * 2017-12-28 2018-07-27 鲁东大学 基于深度学习的水质预测方法及系统
CN110297034A (zh) * 2019-06-12 2019-10-01 重庆工商大学融智学院 一种城市生态环境的动态变化及预测方法
CN110390429A (zh) * 2019-07-15 2019-10-29 重庆邮电大学 一种基于神经网络的水环境质量预测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUE YI 等: "Comparative analysis of microbial fuel cell based biosensors developed with a mixed culture and Shewanella loihica PV-4 and underlying biological mechanism", 《BIORESOURCE TECHNOLOGY》 *
ZAINAB Z. ISMAIL 等: "Recourse recovery of bioenergy from cellulosic material in a microbial fuel cell fed with giant reed-loaded wastewater", 《BIOFUELS》 *
杨鑫斌等: "水质监测中的微生物燃料电池技术及其进展", 《河南理工大学学报(自然科学版)》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113376226A (zh) * 2021-06-08 2021-09-10 北京航空航天大学 一种通过反转产电菌的胞外电子传递方向强化其检测水质毒性的方法
CN114518395A (zh) * 2021-12-06 2022-05-20 北京理工大学 一种基于吸附态洛伊希瓦氏菌pv-4实现微生物电化学传感器即时检测的方法
CN114518143A (zh) * 2022-03-07 2022-05-20 简智科技(海宁)有限公司 一种智能环境感知系统
CN115044473A (zh) * 2022-05-07 2022-09-13 北京航空航天大学 一种电化学活性细菌冻干粉制备工艺及即时检测水质生物毒性的方法
CN114994150A (zh) * 2022-05-31 2022-09-02 中国标准化研究院 一种红花椒麻度的电子舌快速分类方法
CN114994150B (zh) * 2022-05-31 2023-10-27 中国标准化研究院 一种红花椒麻度的电子舌快速分类方法
CN116026892B (zh) * 2023-03-29 2023-06-16 河北农业大学 水质检测方法、控制终端、水质检测系统及存储介质
CN116026892A (zh) * 2023-03-29 2023-04-28 河北农业大学 水质检测方法、控制终端、水质检测系统及存储介质
CN116502530A (zh) * 2023-04-27 2023-07-28 重庆大学 基于机器学习的膜污染预警方法及其装置
CN116502530B (zh) * 2023-04-27 2023-11-07 重庆大学 基于机器学习的膜污染预警方法及其装置
CN117171583A (zh) * 2023-09-04 2023-12-05 生态环境部南京环境科学研究所 一种基于人工智能神经网络的水质生物毒性预测方法
CN117171583B (zh) * 2023-09-04 2024-05-31 生态环境部南京环境科学研究所 一种基于人工智能神经网络的水质生物毒性预测方法
CN117875573A (zh) * 2024-03-12 2024-04-12 湖北省疾病预防控制中心（湖北省预防医学科学院） 一种基于生物毒性和生物有效性的水环境评价方法和系统

Also Published As

Publication number Publication date
CN111948272B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN111948272B (zh) 一种基于人工神经网络的水质生物毒性预测方法
Jiang et al. Microbial fuel cell sensors for water quality early warning systems: Fundamentals, signal resolution, optimization and future challenges
Pasternak et al. Self-powered, autonomous Biological Oxygen Demand biosensor for online water quality monitoring
Kumar et al. A critical review on early-warning electrochemical system on microbial fuel cell-based biosensor for on-site water quality monitoring
CN104376380B (zh) 一种基于递归自组织神经网络的氨氮浓度预测方法
CN108469507B (zh) 一种基于自组织rbf神经网络的出水bod软测量方法
CN110308255B (zh) 一种基于污染指示菌群对近海水体污染程度定量预测方法
CN113358722B (zh) 一种基于悬浮态电化学活性微生物实现水质毒性快速检测的方法
CN103940883B (zh) 可快速检测水体生物毒性的一次性微生物膜传感器的制备方法、应用、装置及检测方法
CN112784476B (zh) 不同工艺类型农污处理设施出水氨氮软测量方法及装置
CN107402586A (zh) 基于深度神经网络的溶解氧浓度控制方法及系统
CN112786119B (zh) 多工艺类型农污设施tn处理效果预测方法、装置、介质
US20230366004A1 (en) Train compartment air adjustment and control method and apparatus, storage medium, and program product
CN114578011A (zh) 一种基于多传感器多源数据融合的水质监测方法
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
Yang et al. Studies on fault diagnosis of dissolved oxygen sensor based on GA-SVM
CN111948271B (zh) 一种调控电极电势强化微生物电化学系统检测水体水质生物毒性的方法
Fernandes et al. Draw on artificial neural networks to assess and predict water quality
Schleiter et al. Bioindication of chemical and hydromorphological habitat characteristics with benthic macro-invertebrates based on artificial neural networks
CN112836432A (zh) 基于迁移学习的室内颗粒悬浮物浓度预测方法
CN112085148A (zh) 一种基于蚁群算法的密闭容器气体泄漏检测方法
Liu et al. Multiplex analysis of fundamental surface water quality indicators by multichannel electrochemical device combined with MFCSC model
CN112707508B (zh) 基于bp-ann的农污设施cod处理效果预测方法、装置、平台
CN116031453A (zh) 一种质子交换膜燃料电池特征频率阻抗在线估计方法
Xiang et al. Automated analysis of food-borne pathogens using a novel microbial cell culture, sensing and classification system

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
GR01 Patent grant
GR01 Patent grant