基于机器学习的水质COD预测方法

运用紫外光谱进行水质有机污染物浓度（化学耗氧量(COD)）的检测,必须建立紫外光谱数据与COD值之间的数学模型.运用机器学习方法中的LM-BP神经网络和支持向量机,建立了紫外多波段光谱数据与COD值的相关性模型,讨论了在LM-BP神经网络建模中网络结构选择、输入数据处理和训练程度控制,以及在支持向量机建模中核函数及其参数选择等问题.对某种水样的紫外多波段光谱,分别运用最小二乘法、LM-BP神经网络、支持向量机的相关性模型进行COD预测.结果表明,2种机器学习方法的预测能力明显优于最小二乘法,能够得到满意的预测精度,为运用物理方法解决化学量测量中普遍存在的相关性问题,提供了实际可行的解决方案.     

基于紫外吸收原理的在线水质COD测量仪设计

化学需氧量(简称COD)是水质有机物污染程度的代表性指标。着重介绍了基于紫外光吸收原理的在线水质COD测量仪的工作原理及构成;对不同水样的实验数据进行了紫外光吸光度与化学需氧量的相关性分析,探讨了用紫外吸光度作为水中COD的替代参数的可行性。该测量仪器可应用于废水的在线监测,与传统的COD测量仪相比,具有速度快、可靠性高、使用成本低等优点,将成为在线水质COD监测的主要设备。     

光腔衰荡光谱技术及其应用综述

光腔衰荡光谱(CRDS)技术是近几年迅速发展起来的一种吸收光谱检测技术。在介绍光腔衰荡光谱检测原理的基础上,详细推导了CRDS技术用于反射率测量和痕量气体浓度检测的理论公式。分析了CRDS技术由于实际吸收光程长,检测精度不受光源强度及其变化的影响,因此具有检出限低,测量精度高,可靠性好等特性。综述了CRDS技术在微量污染气体监测中的应用及其发展趋势。最后提出了应用光腔衰荡光谱检测污染气体中不同有害成分浓度的一种新思路。