1.一种基于神经网络的COD紫外光谱在线检测优化方法,其特征在于,包括:
测量待测水样的浊度、悬浮物、电导率和pH值;
用紫外光谱法测量待测水样的COD值,作为待测水样的COD初始值;
将待测水样的浊度、悬浮物、电导率、pH值和COD初始值作为已训练的BP神经网络的输入向量,得到待测水样的COD优化值。
2.根据权利要求1所述的基于神经网络的COD紫外光谱在线检测优化方法,其特征在于,所述BP神经网络通过如下方法训练得到:
构造若干训练水样,两两训练水样的浊度、悬浮物、电导率和pH值至少有一项不同;
测量每个训练水样的浊度、悬浮物、电导率和pH值;
用紫外光谱法测量训练水样的COD值,作为训练水样的COD初始值;
用重铬酸钾法测量训练水样的COD值,作为训练水样的COD标准值;
建立BP神经网络,以训练水样的浊度、悬浮物、电导率、PH值和COD初始值作为BP神经网络的输入向量,得到训练水样的COD优化值;
重复训练BP神经网络若干次,选取训练水样的COD优化值与COD标准值偏差最小的BP神经网络。
3.根据权利要求2所述的基于神经网络的COD紫外光谱在线检测优化方法,其特征在于,所述重复训练BP神经网络若干次,选取训练水样的COD优化值与COD标准值偏差最小的BP神经网络包括:
选取全部训练水样的90%训练神经网络若干次,得到若干个训练结果;
选取90%训练水样的COD优化值与COD标准值偏差最小的BP神经网络;
将全部训练水样的剩余10%输入训练得到的BP神经网络,比较输出的COD优化值与COD标准值,若COD优化值与COD标准值的整体绝对偏差优于COD初始值与COD标准值的对偏差,则说明训练成功。
4.根据权利要求2所述的基于神经网络的COD紫外光谱在线检测优化方法,其特征在于,所述训练水样通过如下方法得到:
选取至少一个原始水样,并对每个原始水样进行如下操作,得到不同浊度、悬浮物、电导率和/或PH值的训练水样:
将原始水样稀释至不同的倍数;
以及/或者,添加SiO2浊度标准溶液,调节浊度;
以及/或者,添加烘干污泥,调节悬浮物;
以及/或者,添加KCl电导率标准溶液,调节电导率;
以及/或者,添加HCl/NaOH溶液,调节PH值。
5.根据权利要求4所述的基于神经网络的COD紫外光谱在线检测优化方法,其特征在于,所述浊度通过便携式仪器法测量得到,所述悬浮物通过重量法测量得到,所述电导率通过便携式仪器法测量得到,所述pH值通过玻璃电极法或便携式酸度计测量得到。
6.根据权利要求1-5任一所述的基于神经网络的COD紫外光谱在线检测优化方法,其特征在于,还包括:
将输入向量进行归一化,使其映射到[-1,1]区间之内。
7.根据权利要求6所述的基于神经网络的COD紫外光谱在线检测优化方法,其特征在于,所述BP神经网络的隐藏节点设置为15个,训练的最大迭代次数设置为1000,学习速率设置为0.05,最小目标误差设置为10-6,目标函数使用COD优化值与COD标准值的均方差,激励函数使用Sigmond函数f(x)=1/(1+e^(-αx)),求解最优化的训练算法使用Levenberg-Marquardt算法。