本发明涉及污染处理领域，尤其涉及一种获取吸附剂连续吸附量的方法及装置。
背景技术：
社会经济的迅速发展带来严重的水体污染问题，主要污染物包括有机污染物、重金属污染物以及营养盐等。在众多处理水体污染物的技术(生物法、化学法、物理法等)中，吸附法通过直接吸附水体中污染物的方式达到净化水体的效果，成本低廉，操作方便，更具环境友好性。
吸附剂对污染物的吸附量大小是判定一种吸附剂优劣的重要条件，在不同的吸附剂物性参数以及不同的吸附水体环境条件下，吸附剂对污染物的吸附量不同。现在这方面的研究主要采用实验的方法，获得在不同吸附剂物性参数以及不同的吸附水体环境条件下的离散的吸附量。而将吸附剂应用在实际环境中吸附污染物时，需要知道吸附剂在实际应用环境条件下对污染物的吸附量，由于实际吸附水体环境的复杂性，吸附量也随着实际吸附环境的变化而变化。当用户在使用吸附剂时，为了方便用户使用，需要给用户提供不同吸附环境条件下的吸附量的参考值。
现有技术中，对于吸附量的实验和计算，只能得到不同吸附条件下离散的吸附量，但是由于环境条件的复杂性，离散的吸附量是无法满足用户需求的。因此，如何得到一种可以获取任意吸附环境条件下的吸附量的方法，是吸附剂在处理污染水体的实际应用中亟待解决的技术问题。
技术实现要素：
有鉴于此，本发明实施例提供了一种获取连续吸附量的方法及装置，解决了现有技术中无法获取到连续的吸附量的难题。
本发明实施例公开了一种获取吸附剂连续吸附量的方法，包括：
获取不同的吸附条件和不同吸附条件下的吸附量；所述吸附条件包括吸附剂参数和吸附环境参数；
根据不同的吸附条件和不同吸附条件下的吸附量，构建训练样本集s；
s＝{((e1,d1),q1)，((e2,d2),q2)，…，((en,dn),qn)}；en表示第n个吸附条件的吸附剂参数，dn表示第n个吸附条件的吸附环境参数，qn表示第n个吸附条件下的吸附量；
对所述训练样本集采用最小二乘支持向量机ls-svm方法，构建公式(1)所示的吸附量预测模型，得到连续的吸附量；
其中，q表示吸附量、αi为拉格朗日乘子，b为偏置量，
可选的，所述吸附剂参数包括吸附剂的粒径；所述吸附环境参数包括：吸附温度、吸附溶液ph值、吸附时间、污染物浓度、吸附剂和吸附溶液的固液比。
可选的，所述对所述训练样本集采用最小二乘支持向量机ls-svm方法，构建公式(1)所示的吸附量预测模型包括：
将所述训练样本集s代入公式(2)，构造带有约束的优化问题；
式中，j(ω,e,b)为损失函数，ω为权向量，e为松弛变量，b为偏置量，γ为惩罚系数，
所述核空间映射函数满足公式(3)：
式中，k(xi，xj)为核函数；
根据拉格朗日乘子α，将所述优化问题转化为对应的无约束优化函数l，所述无约束优化函数l的表达式参见公式(4)；
根据所述无约束优化函数l求解优化问题，得到最优拉格朗日乘子α＝(α1,α2,...,αn)′；
根据所述最优拉格朗日乘子α和所述训练样本集s、所述核空间映射函数
将所述公式(5)和所述公式(6)代入预设置函数，得到吸附量q与吸附剂参数e和吸附环境参数d的预测模型，即所述吸附量的预测模型，所述预设置函数的表达式参见公式(7)；
可选的，所述核函数k(xi，xj)为径向基核函数，所述径向基核函数的表达式参见公式(8)；
式中，xi＝(ei，di)，xj＝(ej，dj)，σ为核函数宽度。
本发明实施例公开了一种获取吸附剂连续吸附量的装置，包括：
样本数据获取单元，用于获取不同的吸附条件和不同吸附条件下的吸附量；所述吸附条件包括吸附剂参数和吸附环境参数；
样本集构建单元，用于根据不同的吸附条件和不同吸附条件下的吸附量，构建训练样本集s；
s＝{((e1,d1),q1)，((e2,d2),q2)，…，((en,dn),qn)}；en表示第n个吸附条件的吸附剂参数，dn表示第n个吸附条件的吸附环境参数，qn表示第n个吸附条件下的吸附量；
吸附量预测模型构建单元，用于对所述训练样本集采用最小二乘支持向量机ls-svm方法，构建公式(1)所示的吸附量预测模型，得到连续的吸附量；
其中，q表示吸附量、αi为拉格朗日乘子，b为偏置量，
可选的，所述吸附剂参数为吸附剂粒径；所述吸附环境参数包括：吸附温度、吸附溶液ph值、吸附时间、污染物浓度、吸附剂和吸附溶液的固液比。
可选的，所述吸附量预测模型构建单元，包括：
优化问题构造子单元，用于将所述训练样本集s代入公式(2)，构造带有约束的优化问题；
式中，j(ω,e,b)为损失函数，ω为权向量，e为松弛变量，b为偏置量，γ为惩罚系数，
所述核空间映射函数满足公式(3)：
式中，k(xi，xj)为核函数；
无约束优化函数构建子单元，用于根据拉格朗日乘子α，将所述优化问题转化为对应的无约束优化函数l，所述无约束优化函数l的表达式参见公式(4)；
最优拉格朗日乘子获取子单元，用于根据所述无约束优化函数l求解优化问题，得到最优拉格朗日乘子α＝(α1,α2,...,αn)′；
权向量和偏置量获取子单元，用于根据所述最优拉格朗日乘子α和所述训练样本集s、所述核空间映射函数
吸附量预测模型获取子单元，用于将所述公式(5)和所述公式(6)代入预设置函数，得到吸附量q与吸附剂参数e和吸附环境参数d的预测模型，即所述吸附量的预测模型，所述预设置函数的表达式参见公式(7)；
可选的，所述核函数k(xi，xj)为径向基核函数，所述径向基核函数的表达式参见公式(8)；
式中，xi＝(ei，di)，xj＝(ej，dj)，σ为核函数宽度。
本发明实施例公开了一种获取吸附剂连续吸附量的方法及装置，包括：在采用实验的方法获取了不同吸附条件下的吸附量后，将不同的吸附条件以及不同条件下的吸附量构成训练样本集，并对所述训练样本集采用最小二乘支持向量机ls-svm方法，构建吸附量预测模型，并根据预测模型预测出各个吸附条件下的吸附量，从而得到连续的吸附量。由此，在实验数据量较少、吸附量和各吸附条件呈现非线性关系的情况下，ls-svm能更好地对任意吸附剂参数和吸附环境条件下的吸附量进行预测，解决了现有技术中无法获取到吸附剂的连续的吸附量的难题。
除此之外，将ls-svm作为预测模型方法，相对于其他预测模型方法，ls-svm能够更好地处理小样本问题和非线性问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例提供的一种获取吸附剂连续吸附量的方法的流程示意图；
图2示出了本发明实施例提供的一种获取吸附剂连续吸附量的装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考图1，示出了本发明实施例提供的一种获取吸附剂连续吸附量的方法的流程示意图，在本实施例中，该方法包括：
s101：获取不同的吸附条件和不同吸附条件下的吸附量；所述吸附条件包括吸附剂参数和吸附环境参数；
本实施例中，不同的吸附条件以及不同吸附条件下的吸附量可以是通过实验的手段获取到的。其中，吸附剂参数可以包括吸附剂的粒径等，具体的可以是某一特定吸附剂；吸附环境参数包括：吸附温度、吸附溶液ph值、吸附时间、污染物浓度、吸附剂和吸附溶液的固液比等。
其中，某一特定吸附剂是指一种已经制备好的可用的吸附剂，其组成、ph值、比表面积大小、表面官能团种类和数量、以及表面形貌等本身性质已经确定，在应用中这些性质是已确定的。
在不同的吸附条件下，得到的吸附量可能是不同的，也就是说，不同的吸附剂粒度、或者不同的吸附环境，得到的吸附量是不同的。
需要说明的是，s101中得到的吸附量是离散的吸附量，每个吸附条件对应一个吸附量。
举例说明：通过特定的吸附剂和对应的污染物，通过实验方法得到在特定的吸附剂粒径、特定的吸附温度、特定的吸附液ph值、特定的吸附时间、特定的污染物浓度、以及特定的吸附剂和吸附溶液的固液比条件下吸附剂对污染物的吸附量。离散的吸附量q采用以下公式9)可以计算得出：
9)q＝(c0－c)v/m；
q(mg/g)为吸附量，c0和c(mg/l)分别为吸附前和吸附后溶液中污染物的浓度，v(l)为吸附溶液的体积，m(g)为吸附剂的质量。
其中，对于水体中的污染物(有机物、重金属、营养盐等)的浓度可以采用分光光度计或离子色谱或电感耦合等离子体发射光谱仪等来测定。
s102：根据不同的吸附条件和不同吸附条件下的吸附量，构建训练样本集s；
s＝{((e1,d1),q1)，((e2,d2),q2)，…，((en,dn),qn)}；en表示第n个吸附条件的吸附剂参数，dn表示第n个吸附条件的吸附环境参数，qn表示第n个吸附条件下的吸附量；
本实施例中，s样本集中每个样本点包含一个吸附条件和该吸附条件下的吸附量。
s103：对所述训练样本集采用最小二乘支持向量机ls-svm方法，构建公式(1)所示的吸附量预测模型，得到连续的吸附量；
其中，q表示吸附量、αi为拉格朗日乘子，b为偏置量，
需要说明的是，支持向量机(supportvectormachine，svm)是与相关的学习算法有关的监督学习模型，其建立在统计学习理论的vc维理论和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中，以求获得最好的推广能力，用于分类和回归分析。
最小二乘支持向量机(leastsquaressupportvectormachine，ls-svm)是改进的svm，在本发明中，ls-svm是以实验数据为基础，拟合出吸附量q对于吸附剂参数e和吸附环境参数d的预测模型。
本实施例中，可以通过实验方法或者其它方法得到不同条件下离散的吸附量，然后将不同条件和不同条件下的吸附量构成样本集，并对样本集进行训练，得到预测模型，进而得到连续的吸附量，解决了现有技术中，只能通过实验得到离散的吸附量的难题。
除此之外，将ls-svm作为预测模型方法，相对于其他预测模型方法，ls-svm能够更好的处理小样本问题和非线性问题。
其中，由于实验测得的数据有限，相对于全部吸附量来说，实验数据是稀少的，在这种情况下，就需要预测方法具有良好的小样本问题处理能力；并且，吸附量q随着吸附剂参数e和吸附环境参数d的变化而变化，吸附量q同吸附剂参数e和环境参数d的关系是非线性的。所以挖掘这种非线性关系是预测模型必须具备的能力。
本实施例中，为了得到更优的吸附量的结果，可以对上述实施例进行优化，具体的，包括：
s201：将所述训练样本集s代入公式(2)，构造带有约束的优化问题；
式中，j(ω,e,b)为损失函数，ω为权向量，e为松弛变量，b为偏置量，γ为惩罚系数，
所述核空间映射函数满足公式(3)：
式中，k(xi，xj)为核函数；
s202：根据拉格朗日乘子α，将所述优化问题转化为对应的无约束优化函数l，所述无约束优化函数l的表达式参见公式(4)；
s203：根据所述无约束优化函数l求解优化问题，得到最优拉格朗日乘子α＝(α1,α2,...,αn)′；
s204：根据所述最优拉格朗日乘子α和所述训练样本集s、所述核空间映射函数
s205：将所述公式(5)和所述公式(6)代入预设置函数，得到吸附量z与吸附剂参数c和吸附环境参数d的预测模型，即所述吸附量的预测模型，所述预设置函数的表达式参见公式(7)；需要说明的是，上述实施例中的核函数有多种形式，一般情况下采用径向基核函数。
因此，本实施例中核函数k(xi，xj)为径向基核函数，所述径向基核函数的表达式参见公式(8)；
式中，xi＝(ei，di)，xj＝(ej，dj)，σ为核函数宽度。
参考图2，示出了本发明实施例提供的一种获取连续吸附量的装置的结构示意图，在本实施例中，包括：
样本数据获取单元301，用于获取不同的吸附条件和不同吸附条件下的吸附量；所述吸附条件包括吸附剂参数和吸附环境参数；
样本集构建单元302，用于根据不同的吸附条件和不同吸附条件下的吸附量，构建训练样本集s；
s＝{((e1,d1),q1)，((e2,d2),q2)，…，((en,dn),qn)}；en表示第n个吸附条件的吸附剂参数，dn表示第n个吸附条件的吸附环境参数，qn表示第n个吸附条件下的吸附量；
吸附量预测模型构建单元303，用于对所述训练样本集采用最小二乘支持向量机ls-svm方法，构建公式(1)所示的吸附量预测模型，得到连续的吸附量；
其中，q表示吸附量、αi为拉格朗日乘子，b为偏置量，
可选的，所述吸附剂参数包括吸附剂粒径；所述吸附环境参数包括：吸附温度、吸附溶液ph值、吸附时间、污染物浓度、吸附剂和吸附溶液的固液比。
可选的，所述吸附量预测模型构建单元，包括：
优化问题构造子单元，用于将所述训练样本集s代入公式(2)，构造带有约束的优化问题；
式中，j(ω,e,b)为损失函数，ω为权向量，e为松弛变量，b为偏置量，γ为惩罚系数，
所述核空间映射函数满足公式(3)：
式中，k(xi，xj)为核函数；
无约束优化函数构建子单元，用于根据拉格朗日乘子α，将所述优化问题转化为对应的无约束优化函数l，所述无约束优化函数l的表达式参见公式(4)；
最优拉格朗日乘子获取子单元，用于根据所述无约束优化函数l求解优化问题，得到最优拉格朗日乘子α＝(α1,α2,...,αn)′；
权向量和偏置量获取子单元，用于根据所述最优拉格朗日乘子α和所述训练样本集s、所述核空间映射函数
吸附量预测模型获取子单元，用于将所述公式(5)和所述公式(6)代入预设置函数，得到吸附量q与吸附剂参数e和吸附环境参数d的预测模型，即所述吸附量的预测模型，所述预设置函数的表达式参见公式(7)；
可选的，所述核函数k(xi，xj)为径向基核函数，所述径向基核函数的表达式参见公式(8)；
式中，xi＝(ei，di)，xj＝(ej，dj)，σ为核函数宽度。
通过本实施例的装置，在实验数据量较少、吸附量和各吸附条件呈现非线性关系的情况下，ls-svm能更好地对任意吸附剂参数和吸附环境条件下的吸附量进行预测，解决了现有技术中无法获取到吸附剂的连续的吸附量的难题。
除此之外，将ls-svm作为预测模型方法，相对于其他预测模型方法，ls-svm能够更好地处理小样本问题和非线性问题。需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。