浅析三维荧光技术对自来水厂有机物去除效果.docVIP

浅析三维荧光技术对自来水厂有机物去除效果 自来水厂原水中有机污染物浓度非常低，常见的水质指标，如高锰酸盐指数，Uv254等无法有效对水处理过程中有机物的去除情况进行充分的评估。维荧光光谱(excitationemissionmatrix，EEM)技术由于其高度的灵敏性，不破坏样品结构，在水体监测和水处理领域日益引起研究者的关注。三维荧光光谱中包含有极为丰富的荧光信息，常见的荧光光谱分析方法有寻峰法(peak—picking)、平行因子分析法(PARAFAC)、主成分分析法(PCA)c“、体积积分法(FRI)。寻峰法是较为普遍的光谱分析方法，但是寻峰法只考虑维光谱中的特定峰值，大最荧光数据并没有充分得到使用口。平行因子分析法处理荧光数据时收敛速度慢，对噪声或模型偏差较为敏感。因此对大量荧光光谱信息进行处理，构建稳健的光谱模埕!。发展稳健的三维荧光光谱解析方法依旧是匾待解决的问题。 自组织映射神经网络(self_organizing map。SOM)，也称为Kohonen神经网络，属于非监督、自学习的神经网络。广泛应用于模式识别、特征提取、数据压缩等领域。已有研究者将SOM网络用于环境水体检测、水质评价等方匾，但少有将SOM网络用于水体三维荧光光谱的解析。本研究采 用SOM网络，结合K-means算法，对自来水厂工艺流程中不同水样的三维荧光光谱进行解析，提取有效的荧光光谱特征，结合其他水质指标，对水处理过程中有机物的去除情况进行综合评估，以优化水处理工艺参数。提高水处理工艺性能。 1．1水样采集 水样来自江苏南部太湖地区某自来水厂，水源为太湖。由于近年来太湖水域一直存在水体富营养化问题。此自来水厂在传统水处理工艺基础上又增加了臭氧、生物活性炭等深度处理，以强化对水体有机污染物的去除，水厂处理流程。水样采集时间为2011年4月，从每个水处理单元出水中取3个平行样，折板絮凝和平流沉淀池为一个单体，记为从沉淀池取水。总共采集18个水样，将水样采集后放入干净聚四氟乙烯甥料瓶内，迅速带回实验室，0．45脚滤膜过滤后置于棕色玻璃瓶中，在4℃冰柜中保存待用。所有水样分析在4 d内完成。 1．2三维荧光光谱测量、水质指标和数据预处理 水样三维荧光光谱由荧光分光光度计(Cary Eclipse，美国安捷伦)测量和采集。测{蠹波长范围：激发波长(A。)220～400 m，增量5咖；发射波长(A。)280～500 nIn，增量2m；狭缝宽度5 nil3。PMT电压600 V，扫描速度l 200nm·min。水样在1 cnl石英荧光比色皿中测餐。实验空白水为Mill卜Q超纯水(Millipore，18．3 Mfl·cm)。在对荧光光谱进行解析前，首先需要对荧光数据进行预处理，以消除瑞利和拉曼散射的影响，提高EEM光谱解析效率。将瑞利散射上方光谱数据置零，以去除瑞和散射的影响。此外，以空白水样做参比。扣除空白水样光谱数据，以消除托曼散射的影响。 1．3 SOM网络和解析荧光光谱过程 SOM网络是由芬兰学者Kohonen于1981年提出的一种无监督学习的神经元网络模型，分成上、下两层：下层为输入层，卜层为输出层(或映射层)。输出层的每个神经元同它周围的其他神经元侧向连接，排列成棋盘状平面；输入层为单层神经元排列。（如图下） 使用SOM网络对三维荧光光谱进行解析，结合研究中使用的光光谱数据，主要解析过程如下。 第一步，荧光数据降维。在使用SOM网络进行分析之前，需要把已经预处理过的18个水样的三维荧光光谱展开．转换成二维向量。展开后。产生维度为2 109×18的矩阵，其中：列表示展开的激发一发射波长数据组，行表示所要处理的水样个数。 第二步，数据标准化。将二维向量进行标准化处理，保证标准化后的数据平均值为0，方差为1，以避免数量级不同带来的对训练结果的影响。数据准备完成后，数据样本被转化成一个标准化的SOM数据结构，这就是训练网络的输入数据。 第三步：SOM网络初始化、训练。初始化包括权值向量、相应训练参数的初始化。训练采用高斯晒数批量训练方式，分粗调和精调两个阶段。经过学习和训练，输入的每一类荧光数据都会在神经网络上有特定的映射。最终获得荧光数据的映射神经元。 第四步：SOM网络聚类分析。利用K-means算法对SOM网络的竞争层神经元的权值进行分类，以DBI值(da—viesJbouldin index)自动选掸聚类数。通过计算各神经元之间的欧式距离，获得的最小欧式距离为每一类神经元的中心区域，然后联合每类中的多个竞争层神经元权值作为每类的代表性特征向量集，从I『|i间接表征r荧光光谱所含组分的相对浓度。 三维荧光SOM网络的构建、验证，以及分析结果的可视化在Matlab 7．0和SOM Toolbo