基于機器學(xué)習(xí)的水質(zhì)COD測量方法研究.pdf

1、由于水質(zhì)成分的多樣性和復(fù)雜性，表征水質(zhì)有機污染程度的COD與水樣的紫外吸收多光譜信息之間存在高度的非線性，是一個非線性系統(tǒng)。對于這種多個自變量的非線性系統(tǒng)，需要建立復(fù)雜的模型。因此，利用紫外吸收多光譜法測定COD值需要建立一個能夠比較完備表征水質(zhì)復(fù)雜性的非線性模型。 機器學(xué)習(xí)包括人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)、支持向量機(SupportVectorMachine，SVM)等技術(shù)的發(fā)展為解決

2、上述復(fù)雜問題提供了新的途徑和可能性。本文研究機器學(xué)習(xí)技術(shù)在基于紫外吸收多光譜法水質(zhì)COD測量中的應(yīng)用。主要研究內(nèi)容和結(jié)論如下： 使用紫外吸收多光譜法對不同行業(yè)不同種類的水樣，分別進行全波長掃描，分析其紫外波段吸光度圖譜，設(shè)定特征波長值，利用多個特征波長處的吸光度和預(yù)先測得的COD值對該種類水樣的進行建模。該方法更加完善地表征了反映水體COD的內(nèi)部信息，也更加準(zhǔn)確的估算水體的COD。 對LM-BP人工神經(jīng)網(wǎng)絡(luò)模型進行了介紹

3、，并對使用LM-BP人工神經(jīng)網(wǎng)絡(luò)進行COD測量建模中的數(shù)據(jù)預(yù)處理、網(wǎng)絡(luò)結(jié)構(gòu)選擇、訓(xùn)練控制等關(guān)鍵技術(shù)問題進行了較為深入的討論，并使用實驗數(shù)據(jù)驗證了該模型具有良好的擬合能力和推廣能力。 把近幾年發(fā)展起來的支持向量機(SVM)引入水質(zhì)COD演算模型的建立中，對支持向量機的相關(guān)理論和方法進行了介紹，對不同參數(shù)對支持向量機模型的性能影響進行了討論，并使用實驗數(shù)據(jù)驗證了在小樣本情況下支持向量機模型比其它機器學(xué)習(xí)技術(shù)具有更好的推廣能力。