磷酸盐溶液紫外收光谱中的应用.doc

BP神经网络在磷酸盐溶液紫外吸收光谱中的应用 王 睿 余震虹 鱼 瑛 （江南大学控制工程通信研究所，江苏 无锡 214122） 摘 要 利用紫外分光光度法测定磷酸盐溶液的光谱，经过转换得到吸光度与溶液浓度的非线性关系，使用BP神经网络算法处理此非线性问题。Matlab语言中的神经网络工具箱提供了许多有关神经网络设计、训练和仿真的函数来实现BP网络，使应用BP网络来解决此类问题变得方便和有效。实验证明Levenberg-Marquardt法网络收敛速度最快，量化共轭梯度法最慢。本文还运用Matlab中的数据拟合法与BP神经网络法进行比较，前者虽然得到拟合曲线关系式，但较为复杂，工作量大。因此，BP神经网络法更适合于解决此类问题。 关键词 磷酸盐溶液，紫外分光光度法，BP神经网络，Matlab语言。 A 文章编号： 1 引言 人工神经网络始于20世纪40年代初，它的基本思想是模拟人脑细胞的工作原理，建立模型进行分类和预测。它的最大优点是抗干扰、抗噪音能力强，同时具有非线性转换能力。作为一种新的处理方法，人工神经网络在各种分析研究中取得了重大进展，许多科研工作者深入细致的理论研究对其发展做出了巨大贡献，相继提出了感知器、自适应线性元件、WF算法、神经网络自适应共振模型、BP算法等，现已提出了60多种模型[1]。对于多组分混合物体系，由于吸收光谱的相互重叠，使得定量分析较为困难，人工神经网络的使用却能在一定程度上克服这些困难。其中BP神经网络是最具代表性、使用最多、应用最广的误差反向传播多层前馈式网络。虽然BP算法是目前比较流行的神经网络学习算法，但是传统的基于标准梯度下降法的BP算法在求解实际问题时，由于收敛速度缓慢，影响到求解质量[2]。为此，研究者们在标准BP算法的基础上进行了许多有益的改进，提出了弹性梯度下降法、共轭梯度法、拟牛顿算法、Levenberg-Marquardt训练方法等。本文将采用优化的BP神经网络算法，使网络训练的收敛速度有所提高。 磷酸盐是一种无机化合物，随着其含量的增加必然引起环境污染。我国虽然拥有辽阔的水域资源，但是随着污水的任意排放，水质已经被严重污染，其中以磷为主要污染源。目前对磷酸盐的测定主要有分光光度法、容量法和离子色谱法。在水质监测中，磷酸盐的测定常采用钼酸铵-酒石酸锑钾-抗坏血酸分光光度法，此方法的主要缺点是操作冗长，干扰较多，使用仪器昂贵[3]。为此，许多研究人员进行了不少改进和创新。近几年，出现较多的有关磷酸盐监测方法的成果，颇具潜力。 李在均[4]等人发现孔雀绿-磷钼杂多酸缔合物稳定性好，不受氧化剂影响，酸度范围较宽，试验表明，生成的绿色缔合物最大吸收波长在635nm，表观摩尔吸光系数为9.30×104,磷含量在0～12ug/25ml[5]研究了在非离子表面活性剂聚乙烯醇存在下，磷钼杂多酸和孔雀绿于硫酸介质中形成绿色离子缔合物的条件，研制出一种快速检测水中磷酸盐的测试管分析法。王庆霞[6]等建立了流动注射孔雀绿-磷钼杂多酸分光光度法测定水中痕量正磷酸盐的方法，优化了试验条件，该法在0～0.300mg/L0.002mg/L，准确度和精密度都符合要求，适用于地表水、地下水及饮用水等清洁水体中正磷酸盐的检测。本文采用BP神经网络算法解析磷酸盐溶液的紫外吸收光谱，跟前面所述的各种方法有所不同，开辟了一条新的数据处理道路，对磷的检测具有重要意义。 2 BP神经网络 BP(Back Propagation)神经网络是近年来应用最为广泛的人工神经网络之一，它是由许多并行运算的简单单元组成，这些单元类似于生物神经系统的单元。BP网络主要应用于函数逼近、模式识别、分类、数据压缩等方面，倘若有用信号较弱，噪音较强时，便可选用BP神经网络进行建模，将会在短时间内得到满意的结果。 2.1 基本原理 BP神经网络由输入层i、隐含层j、输出层k及各层之间的节点连接权所组成，其拓扑结构如图1所示。其网络的学习过程由信息的正向传播和误差的反向传播构成[7]： 图 1 BP神经网络拓扑结构 Fig 1 BP neural network topology (1)正向传播过程:输入信息从输入层经隐含层逐层处理,传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播。 (2)反向传播过程：运用链导数法则将连接权关于误差函数的导数沿原来的连接通路返回，通过修改各层的权值使得误差函数减小。 2.2 Matlab中BP神经网络的实现 Matlab神经网络工具箱中提供的与BP网络设计相关的函数主要包括以下几类[8]： (1)创建函数：newff，它是用来生成BP神经网络并进行初始化的。此函数可以确定网络层数、每层中的神经元数和变换函数。这个函数有六个输入参数，分别是：输入向量