基于機器學習的水質COD測量方法研究.pdf

1、由于水質成分的多樣性和復雜性，表征水質有機污染程度的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復雜性的非線性模型。 機器學習包括人工神經網(wǎng)絡(ArtificialNeuralNetwork，ANN)、支持向量機(SupportVectorMachine，SVM)等技術的發(fā)展為解決

2、上述復雜問題提供了新的途徑和可能性。本文研究機器學習技術在基于紫外吸收多光譜法水質COD測量中的應用。主要研究內容和結論如下： 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，設定特征波長值，利用多個特征波長處的吸光度和預先測得的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的內部信息，也更加準確的估算水體的COD。 對LM-BP人工神經網(wǎng)絡模型進行了介紹

3、，并對使用LM-BP人工神經網(wǎng)絡進行COD測量建模中的數(shù)據(jù)預處理、網(wǎng)絡結構選擇、訓練控制等關鍵技術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COD演算模型的建立中，對支持向量機的相關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習技術具有更好的推廣能力。