基于bp神经网络的氯化石蜡氯含量间接检测方法
【技术领域】
[0001] 本发明涉及一种间接检测氯化石蜡中总氯含量的方法，尤其是通过测量和氯化石 蜡中总氯含量息息相关的其它物理量来间接测定总氯含量的方法。
【背景技术】
[0002] 氯化石蜡是C1。一C3。的正构烷烃的氯化衍生物，其通式为C nH2n+2 XC1X，式中η为平 均碳原子数，X为平均氯原子数，氯化石蜡的工业产品常以氯含量的多少来命名，主要品种 有氯蜡-42、氯蜡-52、氯蜡-70,常作为辅助增塑剂、阻燃剂、润滑油添加剂、皮革加脂剂等。 在产品技术指标中氯含量一项最为重要，它决定了氯化石蜡产品的性能和用途，例如，氯 蜡-70为固体粉末，用作阻燃剂，而氯蜡-52是粘稠状液体，主要用作增塑剂。因此氯化石 蜡产品中氯含量的测定精度，是判定氯化石蜡产品质量优劣的重要手段；对生产厂家而言 也是直接关系到经济效益好坏的主要因素之一。目前，氯化石蜡氯含量的国标测定方法为 汞量法，该方法通过将样品在氧气中燃烧，使样品中的氯转变为氯离子。在微酸性溶液中， 用强电离的硝酸汞溶液将氯离子变为弱电离的氯化汞，用二苯偶氮酰阱指示剂与过量的汞 离子生成紫红色络合物来判定终点。该方法存在的问题是：废酸需处理(加过量的硫化物沉 淀汞，用过氧化氢氧化过量的硫化钠、防止汞以多硫化物的形式溶解)。方法较麻烦，且必须 有专人负责汞的回收。
【发明内容】
[0003] 为了克服上述现有技术的不足，本发明提供了一种氯化石蜡的氯含量的间接检测 方法。氯化石蜡的氯含量决定了氯化石蜡产品的理化性质，通常氯含量一定时，产品的密 度、加热减量、色度及粘度也随之确定。换而言之，产品的密度、加热减量、色度及粘度等理 化性质与氯含量之间存在某种直接或间接的关联关系。本发明即采用间接测量这些易测 的物理量结合人工神经网络方法实现间接测定氯化石蜡中氯含量，避免了汞量法等传统 测定方法繁琐的前处理过程，也避免了测定过后废液的处理回收，减少了对环境的毒害。 一种基于BP神经网络的氯化石蜡氯含量间接检测方法，其步骤如下： (I) BP神经网络模型的建立：所建立的BP神经网络为三层结构，节点单元的传递函数 为sigmoid型：
，输出层中，节点的单元特性为线性，各节点的神经 元数目可根据训练需要调节； (2) BP神经网络的训练：以密度、加热减量、色度、粘度作为输入数据集，以GB1679-88 方法测定的氯化石蜡氯含量作为输出数据集对编写好的人工神经网络进行训练，训练采用 的算法为BP型反向传播算法模型； (3)间接测定氯化石蜡的氯含量：神经网络训练达标后即可通过测定未知氯含量的氯 化石蜡产品的密度、色度、粘度以及加热减量来间接测定氯化石蜡产品的氯含量。
[0004] 本发明通过测量氯化石蜡产品中一些和氯含量息息相关的易测物理量结合人工 神经网络来实现氯含量的间接测定。人工神经网络（Artificial Neural Network，下简称 ANN)是模拟生物神经元的结构而提出的一种信息处理方法。人工神经网络包含大量神经 元，这些神经元可分为输入层、隐层和输出层的多层结构。输入和输出层为单层，神经元数 (也称节点数）分别由输入和输出变量的数目确定；隐层可以是单层也可以是多层；隐层 层数与各隐层节点数的确定比较复杂，一般应以获得最优网络性能为目标，根据所研究的 具体问题，按经验或做尝试比较确定。神经网络学习训练目的是使网络模型较准确地描述 实际对象输入与输出变量间的映射关系，并对所需变量做出预测，因此必须利用一个或多 个代表对象特性的样本数据集对ANN进行训练。最简单的情况就是通过特定的学习算法， 调整各神经元间信息通道的连接权值，使ANN的实际输出不断逼近期望输出。
[0005] BP神经网络算法的基本原理是根据希望的输出和实际的网络输出之间的误差平 方和最小的原则来调整网络的权值，它主要由信息的正向传递和误差的反向传播组成。在 正向传播过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层神经元的状态 只影响下一层神经元的状态，若在输出层没有得到期望的输出，则计算输出层的误差变化 值，然后通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值，直至达 到期望目标值。
[0006] BP神经网络是一种单向传播的多层前向网络。网络除输入输出节点外。还有一层 或多层的隐层节点，同层节点中没有任何耦合。输入信号从输入层节点依次传过各隐层节 点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。其节点单元特性(传 递函数）通常为Sigmoid型
，但在输出层中，节点的单元特性有时为 线性。
[0007] BP算法是一种适合于多层神经元网络的算法，它是建立在剃度下将法的基础上 的。假设含有共L层和η个节点的一个任意网络，每层单元只接受前一层的输出信息并输 出给下一层各单元，各节点(有时称单元）的特性为Sigmoid型(它是连续可微的，不同于感 知器中的线性阈值函数，因为它是不连续的)。为简单起见，认为网络只有一个输出y。设给 定N个样本_編德: 络的输出雜_，节点i的输出为親::，现在研究第1层的第j个单元，当输入第k个样本时，节 点j的输入为：
表示1-1层，输入第k个样本时，第j个单元节点的输出： 使用误差函数为平方型：
是单元j的实际输出。总误差为：
下面分两种情况来讨论： (1) 若节点j为输出单元，则 :?:::=:?
(2) 若节点j不为输出单元，则
式中是送到下一层（1+1)的输入，计算
要从（1+1)层算回来。
[0008] 在（1+1)层第m个单元时：
由以上两式可以得到：
事先抽样测定一系列氯化石蜡产品的密度、加热减量、色度、粘度和氯含量建立人工神 经网络训练集。以密度、加热减量、色度、粘度作为输入数据集，以GB1679-88