【技术领域】
本发明涉及环境监测的技术领域,特别是一种动态定浊前馈模型算法。
背景技术:
以往总磷监测的前处理是按照定义好的处理方法来进行标准的处理操作、这样就导致了不同的样品在同一个处理条件下,得到的处理后样品浊度差异较大,很大程度影响了总磷的光度法分析结果。为了解决这个问题,有人设计了一种动态的算法模型,可以根据不同样品的浊度、通过算法模型进行计算,动态离心处理到指定的目标浊度。但是这种模型算法是根据离心处理和浊度的关系建立的,对于其他因素引起的预处理差异效果不明,现提出一种动态定浊前馈模型算法。
技术实现要素:
本发明的目的就是解决现有技术中的问题,提出一种动态定浊前馈模型算法,适用于不同浊度的样品预处理需求,能够推导出指定浊度下所需的离心参数,提高预处理的效率、减少人力成本。
为实现上述目的,本发明提出了一种动态定浊前馈模型算法,该算法基于多元回归模型
y=a1x1+a2x2+a3x12+a4x22+a0(式1)
式1中,y是离心转速,x1是离心前浊度,x2是离心后目标浊度,a0、a1、a2、a3、a4是回归参数。
作为优选,该算法的实现具体包括以下步骤:
s1.选定离心后目标浊度,检测样品原浊度作为离心前浊度;
s2.将s1中离心后目标浊度以及样品离心前浊度代入多元回归模型中,经计算确定指定的目标浊度下所需的离心转速;
s3.对多元回归模型的进行误差分析。
作为优选,所述多元回归模型的回归参数计算方法为:运用最小二乘法计算回归参数的估计值,将多元非线性回归模型转化为线性回归模型处理。
作为优选,所述回归参数计算方法,具体包括如下步骤:
对于多元回归模型
y=a1x12+b1x1+a2x22+b2x2+c(式1)
令x1=x1,x2=x2,x3=x12,x4=x22,
则将多元非线性回归方程转化为多元线性回归方程:
y=a1x1+a2x2+a3x3+a4x4+a0(式2)
设(x11,x12,x13,x14,y1),…,(xn1,xn2,xn3,xn4,yn)是一组样本,多元线性回归方程的矩阵形式可以写为y=xa,其中,
运用最小二乘法估计回归参数:
取
时,
根据微积分求极值原理,求q对
得到
作为优选,步骤s3中,采取平均绝对误差分析多元回归模型的精度。
本发明的有益效果:本发明动态定浊前馈算法,集计算,处理一体化设计,采用二元二阶拟合方程推导。可调节目标浊度,可适用于不同浊度的样品预处理需求,具有模型反馈算法,能够实时计算离心参数适应样品的浊度变化,为样品的等效预处理提供基础。算法模型经过多种样品的模拟和验证,适用于各种水体的前处理。该算法在实现预处理功能的同时,降低了人为因素干扰,提高了工作效率。目前还没有针对动态定浊的前馈模型。该发明填补了这项空白;该模型可应用于水质总磷监测的前处理离心装置。
本发明的特征及优点将通过实施例进行详细说明。
【具体实施方式】
本发明一种动态定浊前馈模型算法,该算法基于多元回归模型
y=a1x1+a2x2+a3x12+a4x22+a0(式1)
式1中,y是离心转速,x1是离心前浊度,x2是离心后目标浊度,a0、a1、a2、a3、a4是回归参数。
进一步地,所述多元回归模型的回归参数计算方法为:运用最小二乘法计算回归参数的估计值,将多元非线性回归模型转化为线性回归模型处理,具体包括如下步骤:
对于多元回归模型y=a1x12+b1x1+a2x22+b2x2+c(式1)
令x1=x1,x2=x2,x3=x12,x4=x22,
则将多元非线性回归方程转化为多元线性回归方程:
y=a1x1+a2x2+a3x3+a4x4+a0(式2)
设(x11,x12,x13,x14,y1),…,(xn1,xn2,xn3,xn4,yn)是一组样本,多元线性回归方程的矩阵形式可以写为y=xa,其中,
运用最小二乘法估计回归参数:
取
根据微积分求极值原理,求q对
得到
进一步地,该算法的实现具体包括以下步骤:
s1.选定离心后目标浊度,检测样品原浊度作为离心前浊度;
s2.将s1中离心后目标浊度以及样品离心前浊度代入多元回归模型中,经计算确定指定的目标浊度下所需的离心转速;
s3.对多元回归模型的进行误差分析,采取平均绝对误差分析多元回归模型的精度。
本发明中模型评价指标采取平均绝对误差:平均绝对误差是所有单个观测值与算术平均值的偏差的绝对值的平均。平均绝对误差由于离差被绝对值化,不会出现正负相抵消的情况,因而,平均绝对误差能更好地反映预测值误差的实际情况。
多元回归分析中,从数值上说,r2介于0~1之间,越接近1,回归拟合效果越好,可以用来描述非线性或者有两个及两个以上自变量的相关关系,还可以用来判断回归方程的拟合程度,其取值范围是0—1,取值越大,表明回归方程的拟合程度越高,这个回归方程的参考价值越高,通过回归方程预测得到的结果就会越准确。根据测试数据构建的多元回归模型,其拟合优度r2=0.8652,一般认为超过0.8的模型拟合优度比较高;平均绝对误差mae=177.9155。
计算方法:
总偏差平方和(又称总平方和)sst:
回归平方和ssr:
残差平方和(又称误差平方和)sse:
其中,yi是因变量的实际值,
决定系数,其本质是在y的总偏差平方和中,由自变量x引起的回归平方和所占的比例有多大,即
由于
sst=ssr+sse
决定系数r2的计算方法又可以写为
表1(本发明评价指标)
上述实施例是对本发明的说明,不是对本发明的限定,任何对本发明简单变换后的方案均属于本发明的保护范围。