论文部分内容阅读
目前,我国COD自动在线监测仪的设计原理大部分是基于国家标准方法,即模拟传统湿化学法将分析过程在线化。由于样品仍然必须先加热消解后测定,因而分析周期长;加之方法采用试剂多,管路系统复杂,操作维护麻烦,故障率高;此外排放物还带来严重的“二次污染”,因此,研制开发简便、快速、可靠、无二次污染的水质COD自动在线监测仪具有十分重要的意义。 废水中COD值的大小主要取决于其中有机物的组成和浓度。已有工作表明,大多数有机物在紫外光谱区有很强的吸收。在一定的条件,有机物的吸光度与COD有很好的相关性,利用这种相关性,可以用紫外吸光度来直接测定COD。这是一种既不用化学试剂、也无须对样品加热消解、测定快速、简便的方法。 本文从有机物的紫外吸收光谱入手,选择有一定代表性的某些有机物,探讨其紫外吸收规律与有机物含量的关系,采用误差反向传播人工神经网络(Back Propagation Artificial Neural Network,简称BP-ANN),借此建立紫外吸收光谱直接测定废水COD的化学计量学方法,并利用此模型对模拟废水样和实际废水样进行预测。 本文利用LmNetPF(V2.4)神经网络通用平台完成建模和相关的数学运算。LmNetPF采用BP算法中的Levenberg-Marquardt动量项法实现,该法具有训练速度快、学习时间短的特点。通过训练网络得出最佳网络参数为:学习速率1,动量项0.0001,输入层至中间层传递函数为双曲正切s型函数,中间层至输出层为线性型函数,BP网的拓扑结构为26(输入层节点数)—25(隐含层节点数)