一种基于人工神经网络的溶液氨氮浓度计算方法

技术领域

本发明属于环境监测技术领域，具体涉及一种基于人工神经网络的溶液氨氮浓度计算方法。

背景技术

氨氮指在溶液中处于游离态的分子氮，或者水合离子形态存在的化合氮。氨氮残留是造成水污染的主要原因之一，会导致水体富营养化，因此氨氮含量也是判断水污染程度的重要标志，在地表水环境质量监测中具有关键性意义。

测定水体氨氮含量的手段主要有比色法以及分光光度法两类，这两种方法的理论依据都是朗伯-比尔定律：氨氮可以在特定的环境下与显色试剂中的成分发生反应，生成有色化合物，从而在水中形成均匀的非散射系。对于这种溶液，其吸光能力与溶液的浓度有着明显的线性关系。传统上，一般使用分光光度计来对溶液的吸光能力进行定量分析，从而计算出原溶液中的氨氮浓度，或者通过将反应后的水样与一系列已知浓度的标准溶液颜色深浅程度进行对比，判断溶液中氨氮含量的大致浓度区间。

由于分光光度计存在体积庞大、造价高、功耗大等缺陷，阻碍了氨氮浓度监测设备的广泛推广；而采用试纸或试剂的比色法虽然降低了检测成本，但该方法仅能大致定性氨氮浓度所在区间，无法精确定量计算。

现有技术方案发现了纳氏试剂反应后的氨氮溶液颜色特征值与氨氮浓度存在线性关系，并通过G通道数值一元线性拟合出相应计算曲线(曹生现,王延红,郑丽婷,刘驰,夏珺.基于图像处理的水质中氨氮含量的检测研究[J].化工自动化及仪表,2014,41(08):910-914.)。该方法降低了氨氮浓度定量计算的设备成本，但是仍然存在以下问题：线性拟合经验方程为一元一次函数，仅能拟合线性区间内量程数据；但是根据实验结果，浓度与颜色特征值之间存在较为显著的二次曲线关系，线性拟合必然造成精度损失。同时，为了实现较高的曲线线性度，须配合使用特殊光源及光程长度的比色皿，进一步提高了设备成本和试剂使用量。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于人工神经网络的溶液氨氮浓度计算方法，采集氨氮标准液显色反应后的颜色特征值作为训练集，建立颜色空间虚拟坐标系中相应的基准点，建立人工神经网络模型，预测待测溶液中氨氮浓度，从而提高精度和试剂利用率，降低设备及维护成本。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于人工神经网络的溶液氨氮浓度计算方法，包括下述步骤：

分别使用不同浓度的氨氮标准液与显色试剂进行显色反应，记m组参与显色反应的氨氮标准液的氨氮浓度分别为C1,C2,C3,…,Cm；

待显色反应完成后，分别提取反应后溶液的颜色特征值，记为P1,P2,P3,…,Pm，每一特征值由颜色空间内的若干向量构成；

使用待测溶液与显色试剂进行显色反应，记待测溶液的氨氮浓度为Cd；

待显色反应完成后，提取反应后溶液的颜色特征值，记为Pd；

按照颜色特征值，在颜色空间系统内建立Pd,P1,P2,P3,…,Pm对应坐标空间位置的点；

根据选取的颜色空间系统不同，每个点坐标映射为该空间系统内的n阶空间向量，每一向量代表该系统内相对应的颜色通道数值；

建立人工神经网络模型，该模型由含有n个节点的输入层，含有单层任意节点的隐含层以及含有1个节点的输出层构成；

使用颜色特征值P1,P2,P3,…,Pm对应坐标空间位置的点坐标及各颜色特征值对应氨氮浓度C1,C2,C3,…,Cm作为训练集，其中点坐标的n阶空间向量作为模型的输入值，对应氨氮浓度作为模型的输出值，对人工神经网络模型进行训练；

模型训练完成后，使用颜色特征值Pd对应坐标空间位置的点坐标n阶空间向量作为模型的输入值，对颜色特征值Pd所对应的氨氮浓度进行预测，得到的输出值即为待测溶液的氨氮浓度Cd。

进一步的，所述显色试剂为单组份或多组份，当显色试剂为多组份时，按照反应顺序分别依次将显色试剂加入氨氮标准液中进行反应。

进一步的，所述显色试剂为纳氏试剂或水杨酸钠-酒石酸钾钠溶液。

进一步的，所述颜色空间系统使用s-RGB系统；

每个颜色特征值包含(R,G,B)三个分向量，则颜色特征值Pd,P1,P2,P3,…,Pm均表示为三维立体坐标系中对应的点，设其坐标的各分向量值分别为：Pd(Rd,Gd,Bd),P1(R1,G1,B1),P2(R2,G2,B2),P3(R3,G3,B3),…,Pm(Rm,Gm,Bm)；

所述人工神经网络模型输入层有3个节点，每个节点分别对应(R,G,B)三个分向量的值；输出层节点为输入值对应氨氮浓度的值。

进一步的，显色反应完成后，使用颜色传感器依次提取反应后溶液的颜色特征值，光源为该传感器自带LED，检测光程设为10mm。

有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：

本发明提出的一种基于神经网络的溶液氨氮浓度计算方法，通过已有的标准液颜色特征值数据集训练人工神经网络模型，从而能够根据待测溶液颜色特征值对其氨氮浓度进行精确预测，降低传统多元线性及非线性拟合所导致的精度误差，减少光源及检测光程的特殊要求，降低设备成本。

改进以往朗伯-比尔定律等一元线性函数拟合计算方法所导致的精度误差，无需反复实验选择光源、光程等参数以提高线性度，通过训练人工神经网络实现氨氮浓度的定量检测，降低了人工拟合经验方程导致的误差，提高精度和试剂利用率，降低设备及维护成本。本发明可兼容CIE Lab、Luv、LCh、Yxy、CMYK、s-RGB、Hex等多种颜色空间系统，可基于反向传播、卷积神经网络等多种人工神经网络实现，具有较高的平台兼容性和通用性。

附图说明

图1是人工神经网络结构示意图；

图2是训练完成后的神经网络模型氨氮浓度预测值与实际值误差对比图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明所述的一种基于人工神经网络的溶液氨氮浓度计算方法，包括以下步骤：

设氨氮检测区间为0.025mg/L至0.375mg/L，分别使用不同浓度的氨氮标准液与显色试剂进行显色反应，记10组参与显色反应的氨氮标准液的氨氮浓度分别为：

C1＝0.025mg/L，C2＝0.05mg/L，C3＝0.075mg/L，C4＝0.1mg/L，C5＝0.125mg/L；

C6＝0.15mg/L，C7＝0.2mg/L，C8＝0.25mg/L，C9＝0.32mg/L，C10＝0.375mg/L；

实施例试剂为国标法-流动注射法所述标准试剂，本发明可兼容现有标准试剂，但无需使用特定波长分光光度计，设备成本低廉，使用中无需增加试剂使用成本。

显色试剂选择水杨酸钠-酒石酸钾钠溶液，制备方法如下：称取6g水杨酸钠，加入适量水搅拌，使之完全溶解，再称取5g酒石酸钾钠溶于水中，与上述溶液合并已入100ml容量瓶中，加水稀释至标线，储存于棕色玻瓶中。此时溶液pH值大致为6.50。

分别取各浓度40ml氨氮标准液至50ml比色管中，加入5ml显色试剂，再加入2ml亚硝基铁氰化钠混匀，最后加入2ml次氯酸钠溶液，稀释至标线，充分混匀，放置20分钟后显色反应完成。

亚硝基铁氰化钠制备方法如下：称取0.5g亚硝基铁氰化钠至100ml容量瓶中，溶于水，稀释至标线。

次氯酸钠溶液制备方法如下：将7.7g固体氢氧化钠用水溶解转移至1000ml容量瓶中，再加入35ml已经标定过的次氯酸钠试剂，加水稀释至标线。储存于棕色玻瓶中。

显色反应完成后，使用设备依次提取反应后溶液的颜色特征值P1,P2,P3,…,P10，此处使用Texas Advanced Optoelectronic Solutions公司TCS3200D型颜色传感器，光源为该传感器自带LED，检测光程设为10mm。

取40ml待测溶液至50ml比色管中，加入5ml显色试剂，再加入2ml亚硝基铁氰化钠混匀，最后加入2ml次氯酸钠溶液，稀释至标线，充分混匀，放置20分钟后显色反应完成。标准试剂本身无毒性危害，常温反应无需高温加热消解，不会分解产生氰化物分子，环境安全性高。

使用设备提取反应后溶液的颜色特征值Pd，则计算待测溶液的氨氮浓度Cd的人工神经网络模型结构如图1所示。

TCS3200D型颜色传感器输出为s-RGB颜色空间系统数值，具体格式如下：

Pd(Rd,Gd,Bd),P1(214,184,108),P2(203,180,103),P3(181,160,90),…

建立反向传播神经网络模型，设该模型由含有3个节点的输入层，3个节点的单层隐含层，1个节点的输出层构成。其中，输入层3个节点分别对应(R,G,B)三个分向量的值。输出层节点为输入值对应氨氮浓度的值。

使用P1(214,184,108)、P2(203,180,103)、P3(181,160,90)…各分向量，及其对应的氨氮浓度C1＝0.025mg/L、C2＝0.05mg/L、C3＝0.075mg/L…作为训练集的输入、输出值，对上述人工神经网络模型进行训练。实际训练中，10个氨氮标准液浓度中，每一浓度分别重复进行100组实验，共1000组数据，随机选取其中950组为训练集，50为测试集。

上述模型载入训练集后，以0.01为学习速率ir的步长，精度为五位小数，验证检查值为6，迭代54次后停止学习，模型训练完成。使用测试集对训练完成的模型进行检验，可见该模型的均方误差为2.4255e-05，均方根误差为0.0049249，平均绝对误差为0.0037521(单位为mg/L)，其误差分析如图2所示，当测试数据集为50组时平均误差远小于0.05mg/L。

此时，使用Pd(Rd,Gd,Bd)坐标的各分向量作为模型输入值，对其输出值进行预测，该输出值即为待测溶液的氨氮浓度Cd。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。