CN113433086A - 一种模糊神经网络结合分光光度法预测水质cod的方法 - Google Patents
一种模糊神经网络结合分光光度法预测水质cod的方法 Download PDFInfo
- Publication number
- CN113433086A CN113433086A CN202110719087.8A CN202110719087A CN113433086A CN 113433086 A CN113433086 A CN 113433086A CN 202110719087 A CN202110719087 A CN 202110719087A CN 113433086 A CN113433086 A CN 113433086A
- Authority
- CN
- China
- Prior art keywords
- cod
- water quality
- digestion
- measuring
- spectrophotometry
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000002798 spectrophotometry method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 239000000126 substance Substances 0.000 title claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims description 4
- 229910052760 oxygen Inorganic materials 0.000 title claims description 4
- 239000001301 oxygen Substances 0.000 title claims description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 24
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 17
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims abstract description 17
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 17
- 239000011574 phosphorus Substances 0.000 claims abstract description 17
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000009499 grossing Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 230000029087 digestion Effects 0.000 claims description 62
- 239000003153 chemical reaction reagent Substances 0.000 claims description 45
- 238000006243 chemical reaction Methods 0.000 claims description 36
- 238000002156 mixing Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- APUPEJJSWDHEBO-UHFFFAOYSA-P ammonium molybdate Chemical compound [NH4+].[NH4+].[O-][Mo]([O-])(=O)=O APUPEJJSWDHEBO-UHFFFAOYSA-P 0.000 claims description 4
- 229940010552 ammonium molybdate Drugs 0.000 claims description 4
- 235000018660 ammonium molybdate Nutrition 0.000 claims description 4
- 239000011609 ammonium molybdate Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 239000002253 acid Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 32
- 238000001816 cooling Methods 0.000 description 21
- 239000000243 solution Substances 0.000 description 11
- 239000012153 distilled water Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- USHAGKDGDHPEEY-UHFFFAOYSA-L potassium persulfate Chemical compound [K+].[K+].[O-]S(=O)(=O)OOS([O-])(=O)=O USHAGKDGDHPEEY-UHFFFAOYSA-L 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000002835 absorbance Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical group [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 2
- 230000002378 acidificating effect Effects 0.000 description 2
- 235000010323 ascorbic acid Nutrition 0.000 description 2
- 229960005070 ascorbic acid Drugs 0.000 description 2
- 239000011668 ascorbic acid Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229910001430 chromium ion Inorganic materials 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 2
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 description 2
- 239000012286 potassium permanganate Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 1
- -1 ammonium ions Chemical class 0.000 description 1
- 229940026189 antimony potassium tartrate Drugs 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 239000012496 blank sample Substances 0.000 description 1
- 239000012490 blank solution Substances 0.000 description 1
- KRVSOGSZCMJSLX-UHFFFAOYSA-L chromic acid Substances O[Cr](O)(=O)=O KRVSOGSZCMJSLX-UHFFFAOYSA-L 0.000 description 1
- HLVXFWDLRHCZEI-UHFFFAOYSA-N chromotropic acid Chemical compound OS(=O)(=O)C1=CC(O)=C2C(O)=CC(S(O)(=O)=O)=CC2=C1 HLVXFWDLRHCZEI-UHFFFAOYSA-N 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- LBJNMUFDOHXDFG-UHFFFAOYSA-N copper;hydrate Chemical compound O.[Cu].[Cu] LBJNMUFDOHXDFG-UHFFFAOYSA-N 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- WBTCZEPSIIFINA-MSFWTACDSA-J dipotassium;antimony(3+);(2r,3r)-2,3-dioxidobutanedioate;trihydrate Chemical compound O.O.O.[K+].[K+].[Sb+3].[Sb+3].[O-]C(=O)[C@H]([O-])[C@@H]([O-])C([O-])=O.[O-]C(=O)[C@H]([O-])[C@@H]([O-])C([O-])=O WBTCZEPSIIFINA-MSFWTACDSA-J 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- AWJWCTOOIBYHON-UHFFFAOYSA-N furo[3,4-b]pyrazine-5,7-dione Chemical compound C1=CN=C2C(=O)OC(=O)C2=N1 AWJWCTOOIBYHON-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000011964 heteropoly acid Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- MEFBJEMVZONFCJ-UHFFFAOYSA-N molybdate Chemical compound [O-][Mo]([O-])(=O)=O MEFBJEMVZONFCJ-UHFFFAOYSA-N 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- DHRLEVQXOMLTIM-UHFFFAOYSA-N phosphoric acid;trioxomolybdenum Chemical compound O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.O=[Mo](=O)=O.OP(O)(O)=O DHRLEVQXOMLTIM-UHFFFAOYSA-N 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- YPNVIBVEFVRZPJ-UHFFFAOYSA-L silver sulfate Chemical compound [Ag+].[Ag+].[O-]S([O-])(=O)=O YPNVIBVEFVRZPJ-UHFFFAOYSA-L 0.000 description 1
- 229910000367 silver sulfate Inorganic materials 0.000 description 1
- HRZFUMHJMZEROT-UHFFFAOYSA-L sodium disulfite Chemical compound [Na+].[Na+].[O-]S(=O)S([O-])(=O)=O HRZFUMHJMZEROT-UHFFFAOYSA-L 0.000 description 1
- 229940001584 sodium metabisulfite Drugs 0.000 description 1
- 235000010262 sodium metabisulphite Nutrition 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/3103—Atomic absorption analysis
-
- 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
-
- 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
- Y02A20/152—Water filtration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
Abstract
本发明公开了一种模糊神经网络结合分光光度法预测水质COD的方法，多参数水质测定仪使用分光光度法的原理测量水质参数，使用它和便携式温度pH测定仪测量湖泊水质的COD、总磷、总氮、氨氮、高锰酸盐指数、温度、pH这七种参数，用皮尔逊相关系数的方法筛选水质指标，利用归一化方法和平滑方法对数据进行预处理。将得到的数据集随机分为训练数据和预测数据建立模糊神经网络模型。利用训练好的模型预测训练数据集的COD含量，比较预测值和真实值的误差，再使用模型预测预测数据集COD含量，比较预测值和真实值的误差。本发明方法有效预测水质COD，具有广泛的应用前景和实用价值。
Description
技术领域
本发明涉及水质检测，尤其涉及一种模糊神经网络结合分光光度法预测水质COD的方法。
背景技术
随着我国工业化农业化和城镇化的快速发展，水污染变得日益严重，已经一定程度的危害到了社会的发展和人民的日常生活，因此我国现阶段致力于水质的监测与处理，达到缓解水资源紧缺、保护人类健康的目的。
由于自然水体中生物化学过程的复杂性和不确定性，水质变化是一种具有典型非线性和时变特征的动力学过程，预测水质变化是环境研究中一个具有挑战性的问题。人工神经网络是处理复杂交互问题的有力工具，被认为是标准的非线性估计器，利用神经网络建立模型预测水质参数，不仅可以得到较高精度的预测数据，还可以节约维护和开发成本，对及时监测和控制水污染非常重要。
目前，水质预测的方法主要有灰色预测方法、人工神经网络和支持向量机等。灰色预测模型主要用于趋势性强、波动不大的短期水质预测问题,在数据较少的情况下,可以获得比较准确的预测结果。而SVM算法对大规模训练样本难以实施，对参数调节和和函数的选择敏感。神经网络具有模拟动态的、非线性的系统的优点，因此特别适合模拟没有被完全掌握的涉及复杂物理、化学及生物的反应系统。
发明内容
发明目的：本发明针对上述问题，提供一种模糊神经网络结合分光光度法预测水质COD的方法，提高水质COD的预测精度。
技术方案：一种模糊神经网络结合分光光度法预测水质COD的方法，包括如下步骤：
步骤1：确定采样点和采样频率，收集富有特征性的水样信息；
步骤2：用便携式温度pH测定仪测量水样的温度和pH，多参数水质测定仪利用分光光度法依次测量水样的COD、总磷、总氮、氨氮和高锰酸盐指数含量；
步骤3：对测量得到的指标与COD进行相关性排序，选取前五种相关系数高的指标作为预测输入，对相关性高的五种水质参数进行预处理，即平滑处理和归一化处理；
步骤4：建立合适的模糊神经网络模型，随机选取一部分水质参数作为网络的训练部分，另一部分作为网络的预测数据，五种水质参数作为网络的输入数据，COD含量作为网络的输出数据建立网络模型训练网络；
步骤5：用训练好的网络模型对随机训练数据进行预测，比较真实值和预测值；
步骤6：用训练好的模糊神经网络模型多次预测其余的预测数据，比较真实值和预测值。
进一步地，步骤2具体包括：
步骤2.1：测量水质中COD的含量，使用快速消解分光光度法，量取定量的COD消解试剂和湖水水样混合，混匀后放入消解仪进行定时消解，将消解完成后的溶液依次放入多参数水质测定仪中测量COD含量；
步骤2.2：测量水质中总磷的含量，使用钼酸铵分光光度法，量取定量的总磷消解试剂和湖水水样混合，混匀后放入消解仪进行定时消解，将消解完成后的溶液依次放入多参数水质测定仪中测量总磷含量；
步骤2.3：测量水质中总氮的含量，使用变色酸分光光度法，准确量取定量的总磷消解试剂和湖水水样混合，混匀后将各反应管依次放入消解仪消解；消解完成后依次向各个反应管中加入配备试剂并摇匀；量取配备试剂加入到备好的密封比色管中，分别量取各处理好的水样沿壁管加入到已加好配备试剂的比色管中，混匀后放入水质测定仪中测量总氮含量；
步骤2.4：测量水质中氨氮的含量，使用纳氏试剂分光光度法，量取定量的氨氮消解试剂和湖水水样混合，摇匀后静置，再依次放入多参数水质测定仪中测量氨氮含量；
步骤2.5：测量水质中高锰酸盐指数含量，使用分光光度法，量取定量的高锰酸盐指数消解试剂和湖水水样混合，混匀后放入消解仪进行定时消解；消解完后，依次向各反应管中加入配备试剂，将其混匀静置，再依次放入多参数水质测定仪中测量高锰酸盐指数含量。
进一步地，步骤3具体包括：
使用皮尔逊相关系数对六种指标和COD之间的相关性进行分析并排序，对预测模型中的输入数据进行相关性排序，可以有效筛选出相关性高、对模型有效的指标，简化预测模型，消除模型中的冗余指标，皮尔逊相关系数是一种可以反应两种变量之间相关联程度大小的统计学方法，是两个变量之间的协方差和标准差之间的商，皮尔逊相关系数表达式为：
其中，X和Y分别为两个变量。
对数据进行归一化处理，将数据归一化至[0,1]内，数据归一化处理可以大幅度提高神经网络模型的训练速度，保证网络的良好性能，归一化相应方程和反归一化方程为：
Xi＝(Xmax-Xmin)·X'i+Xmin
采用lowess平滑方法平滑数据，减小实验误差对神经网络模型的干扰。它是使用加权线性最小二乘法和一级多项式模型进行局部回归的一种平滑方法，表达式为：
其中，
xi是计算的变量，xj是xi跨度内包含的的相邻点，wj是xi和跨度内包含的所有相邻点的权重，平滑值
是xi处的加权平均值或加权回归预测。
进一步地，步骤4中建立合适的模糊神经网络模型包括以下步骤：
步骤4.1：根据样本的输入输出维数确定网络的网络结构，确定迭代次数，对模糊神经网络进行初始化，随机初始化模糊隶属度函数中心，宽度和参数；
步骤4.2：根据模糊规则计算各输入变量xj的隶属度；
步骤4.3：将各隶属度进行模糊计算，用来匹配模糊规则；
步骤4.4：根据模糊计算结果计算模糊模型的输出值；
步骤4.5：计算误差；
步骤4.6：修正神经网络系数；
步骤4.7：修正隶属度函数的中心和宽度。
进一步地，步骤5具体包括：
使用训练集预测训练集中COD含量，比较COD的真实值y和预测值
使用均方误差值
相对误差值和相关系数比较实际值和预测值之间的误差大小。
进一步地，步骤6具体包括：
使用预测集预测预测集中COD含量，共预测8次，比较COD真实值y和预测值
使用均方误差值
相对误差值和相关系数比较实际值和预测值之间的误差大小。
有益效果：与现有技术相比，本发明具有如下显著的优点：利用分光光度法检测湖泊水质的各个参数，更加高效且测量准确；利用神经网络的机器学习方法，更能体现出各因素与水质之间的复杂非线性关系；地表湖泊水质中COD含量会不断浮动，使用模糊神经网络模型可以有效获取各水质与COD之间的复杂关系，由其余水质参数预测湖泊COD含量，精度高且预测结果更好，模型对数据进行预测的相关系数高且相对误差小。
附图说明
图1为本发明中利用模糊神经网络预测水质COD的流程图；
图2为本发明中模糊神经网络预测湖泊水质的流程图；
图3为本发明中模糊神经网络算法流程图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
一种基于模糊神经网络的水质COD预测方法，如图1和图2所示，包括以下步骤：
步骤1：采集湖泊水样，确定合适的采样点和采样频率，每天固定上午8点在湖泊固定五处采集湖泊水样，使用透明塑料杯存放并各自贴上标签，水样存储时间不超过24小时；
步骤2：先使用便携式温度pH测定仪测量水样的温度和pH，再用多参数水质测定仪依次测量水样的COD、总磷、总氮、氨氮和高锰酸盐指数含量，得到89组数据集D，
D＝{(DCOD1,DTP1,DTN1,DNH3-N1,DCODMN1,Dtemp1,DpH1),...,(DCODn,DTP1n,DTNn,DNH3-Nn,DCODMNn,Dtempn,DpHn)}
步骤3：对测量得到的几种指标与COD进行相关性排序，选取五个相关系数较高的指标(氨氮、pH、温度、总氮、高锰酸盐指数)作为预测输入，预测集为Dp：
再对相关性较高的五种水质参数进行预处理即平滑处理和归一化处理，最终得到的数据集为Dp *：
步骤4：建立合适的模糊神经网络模型，随机将数据集Dp *拆分为73组训练集和16组预测集，五种水质参数作为网络的输入数据，COD含量作为网络的输出数据建立模型训练网络，网络反复迭代105次；
步骤5：用训练好的网络模型对随机训练数据进行预测，使用训练集预测训练集中COD含量，比较COD的真实值y和预测值
使用均方误差值
相对误差值和相关系数比较实际值和预测值之间的误差大小。用模型对训练集进行预测，相对误差控制在6％以内，训练得到的网络对训练数据本身有着非常好的拟合度，并且没有出现过拟合的现象。训练集的网络实际输出与真实值之间的均方误差值为0.1050，相关系数为0.9669。；
步骤6：用训练好的模糊神经网络模型预测其余的预测数据，使用预测集预测预测集中COD含量，一共预测8次，比较COD真实值y和预测值
使用均方误差值
相对误差值和相关系数比较实际值和预测值之间的误差大小。我们使用模型对预测数据进行8次实验，由8次的实验数据可知，该模型的相关系数基本都在0.8-0.95之间，相对误差几乎都控制在15％以内且没有出现过拟合的现象。
步骤1中确定合适的采样点和采样频率，力求以最低的采样频次，取得最有时间代表性的样品，既要满足能反映水质状况的要求，又要切实可行。
步骤2中的多参数测量需要用到的器材有多参数水质测定仪、智能多参数消解仪、便携式温度pH测定仪，烧杯，30mm比色皿若干，10mm比色皿若干，150mm密封试管若干，100mm密封试管若干，敞口试管若干，大小移液枪两个，配套试剂。实验包括以下步骤：
步骤2.1：测量水质中COD的含量，使用快速消解分光光度法，将水样与配套试剂在消解器中进行快速氧化还原反应，反应后产生三价铬离子，通过分光光度法测定其浓度。首先打开消解仪和水质测定仪，选择COD消解和COD低量程皿模式，准备数支敞口反应管置于冷却架的空冷却槽上。准确量取2.5mL蒸馏水加入到0号反应管中，分别量取各水样2.5mL依次加入到其他反应管中，依次向各个反应管中加入0.7mL重铬酸钾试剂，再依次向反应管中加入4.8mL的硫酸银试剂，混匀后放入消解孔中165摄氏度消解10分钟。消解完成后拿出放在冷却槽上空气冷却2分钟，依次向各反应管中加入2.5mL蒸馏水并混匀，再水冷却2分钟。将水冷却完成后的溶液依次倒入对应编号的30mm比色皿中，0号比色皿为空白溶液，放入比色池中并盖上盖子，按空白键，再依次将其余溶液放入比色池中测量COD含量；
步骤2.2：测量水质中总磷的含量，使用钼酸铵分光光度法，水中的含磷化合物在过硫酸钾的作用下转变为正磷酸盐。正磷酸盐在酸性介质中,可同钼酸铵和酒石酸氧锑钾反应,生成磷钼杂多酸。磷钼酸能被抗坏血酸还原,生成深色的磷钼蓝，在700nm波长下,测定样品的吸光度，再得到样品浓度。首先打开消解仪开关选择总磷消解模式，打开水质测定仪选择总磷低量程皿模式，准备数支150mm密封反应管置于冷却架的空冷却槽上。准确量取8mL蒸馏水和其他水样依次加入反应管中，依次向各个反应管中加入1mL过硫酸钾试剂，将瓶盖拧紧后摇匀水样，将各反应管放入消解仪中120摄氏度消解30分钟。消解完成后拿出放在冷却槽上空气冷却2分钟，再水冷却2分钟。之后依次加入1mL抗坏血酸溶液和1mL钼酸盐溶液试剂，混匀后静置10分钟。将0号溶液倒入30mm比色皿之后放入测定仪中测量，并置空白样，之后再依次测量其余溶液；
步骤2.3：测量水质中总氮的含量，使用变色酸分光光度法，水样在碱性条件下，以过硫酸钾作为氧化剂，经高温高压消解后，所有含氮化合物都转化为硝酸盐氮的形式，剩余的过硫酸钾通过加入过量的焦亚硫酸钠反应消除，硝酸盐-氮在强酸性条件下与铬变酸反应生成黄色化合物，显色液的吸光度值与水样中的总氮含量成正比。首先打开消解仪开关选择总氮消解模式，打开水质测定仪选择总氮模式，准备数支150mm密封反应管置于冷却架的空冷却槽上。准确量取蒸馏水和各水样5mL放入反应管中，依次向各个反应管中加入2mL专用试剂NTA，将瓶盖拧紧后摇匀水样，将各反应管依次放入消解仪中122摄氏度消解40分钟。消解完成后将样品放到冷却架上先空气冷却2分钟，再水冷却2分钟。冷却完成后，依次向各个反应管中加入1mL NTB试剂并摇匀。准备数支100mm的密封比色管置于试管架上，准确量取4mL NTC试剂加入到备好的密封比色管中，分别量取各处理好的水样1mL沿壁管加入到已加好NTC试剂的比色管中，加完水样立即拧紧瓶盖翻转摇匀10次，放入冷却槽中，水冷却10分钟。水冷却结束后，将各反应管从冷却槽中拿出，擦拭干净管壁后放入水质测定仪中测量总氮含量；
步骤2.4：测量水质中氨氮的含量，使用纳氏试剂分光光度法，以游离态的氨或铵离子等形式存在的氨氮与纳氏试剂反应生成淡红棕色络合物，于波长420nm处测量吸光度。首先打开水质测定仪选择氨氮模式。准备数支敞口反应管置于冷却架的空冷却槽上。准确量取10mL无氨水和其他水样加入到各反应管中，向各个反应管中加入1mL N3试剂，1mL N2试剂，摇匀后静置10分钟。然后将溶液依次倒入10mm比色皿中，放入水质测定仪中测量各水样氨氮浓度；
步骤2.5：测量水质中高锰酸盐指数含量，使用分光光度法，在酸性加热条件下用过量高锰酸钾氧化水中还原物质，在波长525nm处测定剩余高锰酸钾的量并得到高锰酸盐指数浓度。首先打开消解仪和水质测定仪，准备数支150mm密封反应管置于冷却架的空冷却槽上。准确量取蒸馏水和各水样5mL放入反应管中，依次向各个反应管加入1mL CM1试剂并混匀，再加入1mL CM2试剂并混匀。将各反应管的瓶口拧紧后依次放入消解仪中105摄氏度消解32分钟，消解完后将各样品放到冷却架上空气冷却2分钟，再水冷却2分钟。依次向各反应管中加入1mL CM3试剂，将其混匀后静置2分钟，再将溶液倒入30mm比色皿放入水质测定仪中测量高锰酸盐指数浓度。
步骤3中参数预处理包括以下方法：
使用皮尔逊相关系数对几种指标和COD之间的相关性进行分析并排序，对预测模型中的输入数据进行相关性排序，可以有效筛选出相关性高、对模型有效的指标，简化预测模型，消除模型中的冗余指标。皮尔逊相关系数是一种可以反应两种变量之间相关联程度大小的统计学方法，是两个变量之间的协方差和标准差之间的商，计算公式为：
最终得到氨氮与COD之间的相关系数的绝对值为0.3734，pH与COD之间的相关系数的绝对值为0.1595，温度与COD之间的相关系数的绝对值为0.1498，总氮与COD之间的相关系数的绝对值为0.1393，高锰酸盐指数与COD之间的相关系数的绝对值为0.1272，总磷与COD之间的相关系数的绝对值为0.0295。说明与COD含量相关性较高的五个指标为氨氮、pH、温度、总氮和高锰酸盐指数。
对数据进行归一化处理，将数据归一化至[0，1]内，数据归一化处理可以大幅度提高神经网络模型的训练速度，保证网络的良好性能，归一化相应方程式和反归一化方程为：
Xi＝(Xmax-Xmin)·X'i+Xmin
采用lowess平滑方法平滑数据，减小实验误差对神经网络模型的干扰。它是使用加权线性最小二乘法和一级多项式模型进行局部回归的一种平滑方法，其相应的方程式为：
步骤4中建立合适的模糊神经网络模型如图3所示，包括以下步骤：
步骤4.1：根据样本的输入输出维数确定网络的网络结构，根据样本的输入维数为5确定模型的输入节点个数为5，样本的输出维数为1确定模型的输出节点为1，根据输入和输出节点个数人为确定隶属度函数个数为8，即隐含节点为8，网络结构为5-8-1。确定迭代次数为105，对模糊神经网络进行初始化，随机初始化模糊隶属度函数中心c，宽度b和参数p0～p6；
步骤4.2：根据模糊规则计算各输入变量xj的隶属度；
步骤三：将各隶属度进行模糊计算，用来匹配模糊规则；
步骤四：根据模糊计算结果计算模糊模型的输出值；
步骤五：计算误差；
步骤六：修正神经网络系数；
步骤七：修正隶属度函数的中心和宽度。
本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。
Claims (6)
1.一种模糊神经网络结合分光光度法预测水质COD的方法，其特征在于，包括如下步骤：
步骤1：确定采样点和采样频率，收集富有特征性的水样信息；
步骤2：用便携式温度pH测定仪测量水样的温度和pH，多参数水质测定仪利用分光光度法依次测量水样的COD、总磷、总氮、氨氮和高锰酸盐指数含量；
步骤3：对测量得到的指标与COD进行相关性排序，选取前五种相关系数高的指标作为预测输入，对相关性高的五种水质参数进行预处理，即平滑处理和归一化处理；
步骤4：建立合适的模糊神经网络模型，随机选取一部分水质参数作为网络的训练部分，另一部分作为网络的预测数据，将步骤3中的五种水质参数作为网络的输入数据，COD含量作为网络的输出数据建立网络模型训练网络；
步骤5：用训练好的网络模型对随机训练数据进行预测，比较真实值和预测值；
步骤6：用训练好的模糊神经网络模型多次预测其余的预测数据，比较真实值和预测值。
2.根据权利要求1所述的模糊神经网络结合分光光度法预测水质COD的方法，其特征在于，所述步骤2具体包括：
步骤2.1：测量水质中COD的含量，使用快速消解分光光度法，量取定量的COD消解试剂和湖水水样混合，混匀后放入消解仪进行定时消解，将消解完成后的溶液依次放入多参数水质测定仪中测量COD含量；
步骤2.2：测量水质中总磷的含量，使用钼酸铵分光光度法，量取定量的总磷消解试剂和湖水水样混合，混匀后放入消解仪进行定时消解，将消解完成后的溶液依次放入多参数水质测定仪中测量总磷含量；
步骤2.3：测量水质中总氮的含量，使用变色酸分光光度法，准确量取定量的总磷消解试剂和湖水水样混合，混匀后将各反应管依次放入消解仪消解；消解完成后依次向各个反应管中加入配备试剂并摇匀；量取配备试剂加入到备好的密封比色管中，分别量取各处理好的水样沿壁管加入到已加好配备试剂的比色管中，混匀后放入水质测定仪中测量总氮含量；
步骤2.4：测量水质中氨氮的含量，使用纳氏试剂分光光度法，量取定量的氨氮消解试剂和湖水水样混合，摇匀后静置，再依次放入多参数水质测定仪中测量氨氮含量；
步骤2.5：测量水质中高锰酸盐指数含量，使用分光光度法，量取定量的高锰酸盐指数消解试剂和湖水水样混合，混匀后放入消解仪进行定时消解；消解完后，依次向各反应管中加入配备试剂，将其混匀静置，再依次放入多参数水质测定仪中测量高锰酸盐指数含量。
3.根据权利要求1所述的模糊神经网络结合分光光度法预测水质COD的方法，其特征在于，所述步骤3具体包括：
使用皮尔逊相关系数对六种指标和COD之间的相关性进行分析并排序，对预测模型中的输入数据进行相关性排序，皮尔逊相关系数表达式为：
其中，X和Y分别为两个变量；
对数据进行归一化处理，将数据归一化至[0,1]内，归一化相应方程和反归一化方程为：
Xi＝(Xmax-Xmin)·X′i+Xmin
采用lowess平滑方法平滑数据，主要方法是令yi和xi为两个变量，并假设数据是有序从小到大，对每一个yi计算它的平滑值
其表达式为：
其中，
xi是计算的变量，xj是xi跨度内包含的的相邻点，wj是xi和跨度内包含的所有相邻点的权重，平滑值
是xi处的加权平均值或加权回归预测。
4.根据权利要求3所述的模糊神经网络结合分光光度法预测水质COD的方法，其特征在于，所述步骤4中建立合适的模糊神经网络模型包括以下步骤：
步骤4.1：根据样本的输入输出维数确定网络的网络结构，确定迭代次数，对模糊神经网络进行初始化，随机初始化模糊隶属度函数中心，宽度和参数；
步骤4.2：根据模糊规则计算各输入变量xj的隶属度；
步骤4.3：将各隶属度进行模糊计算，用来匹配模糊规则；
步骤4.4：根据模糊计算结果计算模糊模型的输出值；
步骤4.5：计算误差；
步骤4.6：修正神经网络系数；
步骤4.7：修正隶属度函数的中心和宽度。
5.根据权利要求3所述的模糊神经网络结合分光光度法预测水质COD的方法，其特征在于，所述步骤5具体包括：
使用训练集预测训练集中COD含量，比较COD的真实值y和预测值
使用均方误差值
相对误差值和相关系数比较实际值和预测值之间的误差大小。
6.根据权利要求1所述的模糊神经网络结合分光光度法预测水质COD的方法，其特征在于，所述步骤6具体包括：
使用预测集预测预测集中COD含量，共预测8次，比较COD真实值y和预测值
使用均方误差值
相对误差值和相关系数比较实际值和预测值之间的误差大小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110719087.8A CN113433086B (zh) | 2021-06-28 | 2021-06-28 | 一种模糊神经网络结合分光光度法预测水质cod的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110719087.8A CN113433086B (zh) | 2021-06-28 | 2021-06-28 | 一种模糊神经网络结合分光光度法预测水质cod的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113433086A true CN113433086A (zh) | 2021-09-24 |
| CN113433086B CN113433086B (zh) | 2023-01-31 |
Family
ID=77754966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110719087.8A Active CN113433086B (zh) | 2021-06-28 | 2021-06-28 | 一种模糊神经网络结合分光光度法预测水质cod的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113433086B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114839340A (zh) * | 2022-04-27 | 2022-08-02 | 芯视界（北京）科技有限公司 | 水质生物活性检测方法及装置、电子设备和存储介质 |
| CN115728463A (zh) * | 2022-12-01 | 2023-03-03 | 哈尔滨工业大学 | 一种基于半嵌入式特征选择的可解释性水质预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
| CN109344971A (zh) * | 2018-09-26 | 2019-02-15 | 北京工业大学 | 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法 |
| CN110057761A (zh) * | 2019-03-01 | 2019-07-26 | 江苏中车环保设备有限公司 | 一种全光谱结合快速易测指标的水质在线监测系统与方法 |
| CN111354423A (zh) * | 2020-02-29 | 2020-06-30 | 北京工业大学 | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 |
| CN112989704A (zh) * | 2021-03-30 | 2021-06-18 | 北京工业大学 | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 |
-
2021
- 2021-06-28 CN CN202110719087.8A patent/CN113433086B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
| CN109344971A (zh) * | 2018-09-26 | 2019-02-15 | 北京工业大学 | 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法 |
| CN110057761A (zh) * | 2019-03-01 | 2019-07-26 | 江苏中车环保设备有限公司 | 一种全光谱结合快速易测指标的水质在线监测系统与方法 |
| CN111354423A (zh) * | 2020-02-29 | 2020-06-30 | 北京工业大学 | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 |
| CN112989704A (zh) * | 2021-03-30 | 2021-06-18 | 北京工业大学 | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹建芳著: "T-S模糊神经网络", 《大规模场景图像的情感语义分析若干关键技术研究》, 31 January 2018 (2018-01-31), pages 64 - 66 * |
| 温忠麟著: "皮尔逊相关系数", 《皮尔逊相关系数 心理与教育统计》, 30 April 2016 (2016-04-30), pages 141 - 142 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114839340A (zh) * | 2022-04-27 | 2022-08-02 | 芯视界（北京）科技有限公司 | 水质生物活性检测方法及装置、电子设备和存储介质 |
| CN115728463A (zh) * | 2022-12-01 | 2023-03-03 | 哈尔滨工业大学 | 一种基于半嵌入式特征选择的可解释性水质预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113433086B (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10570024B2 (en) | Method for effluent total nitrogen-based on a recurrent self-organizing RBF neural network | |
| CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
| CN113433086B (zh) | 一种模糊神经网络结合分光光度法预测水质cod的方法 | |
| CN102854296B (zh) | 一种基于集成神经网络的污水处理软测量方法 | |
| CN104376380B (zh) | 一种基于递归自组织神经网络的氨氮浓度预测方法 | |
| CN111354423A (zh) | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 | |
| Han et al. | Data-driven intelligent monitoring system for key variables in wastewater treatment process | |
| US20170185892A1 (en) | Intelligent detection method for Biochemical Oxygen Demand based on a Self-organizing Recurrent RBF Neural Network | |
| CN109344971B (zh) | 一种基于自适应递归模糊神经网络的出水氨氮浓度预测方法 | |
| Ventura et al. | Artificial neural networks for estimation of kinetic analytical parameters | |
| CN106841075B (zh) | 基于神经网络的cod紫外光谱在线检测优化方法 | |
| CN110320335B (zh) | 一种关于污水处理出水水质指标的多元鲁棒软测量方法 | |
| CN113077039B (zh) | 基于任务驱动rbf神经网络的出水总氮tn软测量方法 | |
| CN110542748B (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
| CN114136900A (zh) | 一种结合紫外可见光吸收光谱技术的水质检测方法 | |
| CN115165770B (zh) | 基于宽光谱及bpnn的水体cod与浊度同时检测方法 | |
| CN113029993A (zh) | 一种基于注意力机制的紫外光谱快速总氮在线检测方法 | |
| CN116818692A (zh) | 一种dbn算法结合分光光度法预测水质的方法 | |
| CN113222324B (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 | |
| CN114913933A (zh) | 存储器、污水处理过程atp预测方法、装置及设备 | |
| CN114166769A (zh) | 一种紫外-可见光谱水质多参数监测系统 | |
| CN114660248B (zh) | 基于多步预测策略的cod预警方法和装置 | |
| CN114912580B (zh) | 一种基于自适应判别策略的区间二型模糊神经网络出水总磷智能检测方法 | |
| Ji et al. | Simultaneous determination of calcium and magnesium in water using artificial neural network spectro-photometric method | |
| CN116297251B (zh) | 一种多传感器组合的水质检测系统及其检测探头 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240117 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 223000 No.1, Meicheng East Road, Huaian Economic and Technological Development Zone, Jiangsu Province Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240329 Address after: No. 36, Chanwang Street, Suyin Industrial Park, Xingqing District, Yinchuan City, 750000 Ningxia Hui Autonomous Region Patentee after: Yinchuan Lianhua Technology Development Co.,Ltd. Country or region after: China Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Country or region before: China |