论文部分内容阅读
近年来,水质污染问题日益严重,硝酸盐氮作为工业废水中的第二大污染物,其是衡量水体毒性和富营养化程度的重要指标。传统的水质硝酸盐氮(NO3~--N)检测过程繁琐、耗时长、成本高、易产生二次污染,难以满足水质监测的要求。在水资源匮乏的今天,提高水质监测是保证用水安全的重要一环。故本文针对紫外吸收光谱的水质硝酸盐氮检测进行以下研究工作。本文提出使用一种紫外光谱水质检测系统,并进行水质硝酸盐氮标准溶液的制备、光谱采集、训练集与预测集的合理划分。为了有效提高模型的预测性能,对原始光谱进行平滑、标准正态变换、去趋势等6种预处理方法结合偏最小二乘回归(PLSR)和多元线性回归(MLR)建立紫外全光谱法的线性预测模型。实验结果表明,线性模型对于低浓度样本预测误差大,去趋势结合PLSR建立的紫外全光谱模型预测性能较佳。由于水质硝酸盐氮光谱数据与浓度值具有复杂的非线性,基于PLS提取的主成分上建立了BP神经网络和RBF神经网络非线性预测模型。实验结果表明,经过PLS降维预处理可以有效提高模型预测准确度。相比较于PLS-BPNN模型,PLS-RBFNN模型性能稳定、可调节参数少、误差小,适用于水质硝酸盐氮的非线性建模。通过光谱面积积分筛选出临界浓度值3mg/L,建立低浓度样本浓度值与光谱积分面积拟合的一元线性回归预测和高浓度样本PLS-RBF神经网络非线性预测的组合模型,并与PLSR模型和PLS-RBFNN模型相比较。结果显示,组合模型性能最佳,其预测值与真实值的均方根误差(RMSE)为0.3831,平均绝对百分比误差(MAPE)为0.99%,平均绝对误差(MAE)为0.2967,三种参数为模型中最小,相对误差整体较小。相比较于单一模型,组合模型可以实现更准确地预测硝酸盐氮的含量,检测上限高达几百mg/L,并且对“三氮”的另外一种组分亚硝酸盐氮的检测具有一定适用性。鉴于硝酸盐氮和亚硝酸盐氮光谱的相似性,运用PLS-ELM建立一个二分类模型,识别率在一定程度上高达100%。