主成分分析结合BP神经网络对短程生物脱氮中氮的近红外光谱研究（英文）

发布时间：2018-04-16 10:40

本文选题：短程生物脱氮 + 氨氮　；参考：《光谱学与光谱分析》2016年10期

【摘要】：为实现高效短程生物脱氮及氨氮和亚硝酸盐氮的快速检测,采用主成分分析结合BP神经网络的方法建立短程生物脱氮工艺中氨氮和亚硝酸盐氮的近红外光谱定量分析模型(BP神经网络模型)。工艺运行结果表明:原水经过好氧阶段氨氮从45.3mg·L-1下降到2.7mg·L-1,亚硝酸盐氮从0.01mg·L-1上升到19.6mg·L-1,硝酸盐氮受到抑制;在缺氧段亚硝酸盐氮从19.6mg·L-1下降至1.2mg·L-1,系统实现了良好的短程生物脱氮效果。水样原始光谱主成分分析表明:前13个主成分代表了原始光谱数据的信息,其累计贡献率达到95.04%,排除了冗余信息且大大降低了模型的维数,光谱数据矩阵从192×2 203减少到192×13,大大降低了运算量并提高了模型的精度。BP神经网络模型校正结果显示:BP神经网络模型对氨氮、亚硝酸盐氮校正时的决定系数(R2)分别达到0.950 4和0.976 2,校正均方根误差(RMSECV)分别为0.016 6和0.010 9。BP神经网络模型预测结果显示:BP神经网络模型对氨氮、亚硝酸盐氮预测输出与期望输出之间的决定系数(R2)分别为0.974 0和0.981 4,预测均方根误差(RMSEP)分别为0.033 7和0.028 7,模型预测效果良好。研究表明,BP神经网络模型可以通过快速测定水样的近红外光谱数据预测短程生物脱氮工艺中氨氮和亚硝酸盐氮浓度,并根据氨氮和亚硝酸盐氮浓度变化及时、灵活地控制工艺的运行,为生物脱氮提供快速有效的检测技术和科学依据。
[Abstract]:In order to achieve high efficient short-range biological denitrification and rapid detection of ammonia nitrogen and nitrite nitrogen,The method of principal component analysis (PCA) combined with BP neural network (BP neural network) was used to establish the quantitative analysis model of ammonia nitrogen and nitrite nitrogen in short-range biological denitrification process and the BP neural network model.The results showed that ammonia nitrogen decreased from 45.3mg L-1 to 2.7mg L 1, nitrite nitrogen increased from 0.01mg L -1 to 19.6mg L -1, nitrate nitrogen decreased from 19.6mg L -1 to 1.2mg L 1 in anoxic stage, and short range biological denitrification was achieved.The original spectral principal component analysis of water samples shows that the first 13 principal components represent the information of the original spectral data, and their cumulative contribution rate reaches 95.044.The redundant information is eliminated and the dimension of the model is greatly reduced.The spectral data matrix is reduced from 192 脳 2 203 to 192 脳 13, which greatly reduces the computational complexity and improves the accuracy of the model.The determination coefficient (R2) of nitrite nitrogen correction was 0.950 4 and 0.976 2, respectively, and the corrected root mean square error (RMSECV) was 0.016 6 and 0.010 9.BP respectively.The coefficient of determination (R2) between the predicted output and expected output of nitrite is 0.974 0 and 0.981 4, respectively, and the root-mean-square error (RMS EPV) of prediction is 0.033 7 and 0.028 7, respectively.The results show that the BP neural network model can predict the concentration of ammonia nitrogen and nitrite nitrogen in short range biological denitrification process by fast determination of near infrared spectrum data of water samples, and change in time according to the concentration of ammonia nitrogen and nitrite nitrogen.Flexible control of the operation of the process provides rapid and effective detection technology and scientific basis for biological denitrification.
【作者单位】：安徽建筑大学环境与能源工程学院;安徽建筑大学水污染控制与废水资源化安徽省重点实验室;
【基金】：Major Science and Technology Program for Water Pollution Control and Treatment of China(2014ZX 07303-003-09,2014ZX07405-003-03) the Natural Science Project for Colleges of Anhui Province(KJ2016A817)
【分类号】：X703;O657.33

【参考文献】

相关期刊论文前10条

1 张彦;;基于BP神经网络在白洋淀水质综合评价中的应用[J];水科学与工程技术;2014年03期

2 吴江;黄富荣;黄才欢;张军;陈星旦;;近红外光谱结合主成分分析和BP神经网络的转基因大豆无损鉴别研究[J];光谱学与光谱分析;2013年06期

3 喻泽斌;施丽玲;;PCA-BP神经网络在流域水质评价中的应用[J];桂林理工大学学报;2012年02期

4 汤守鹏;姚鑫锋;姚霞;田永超;曹卫星;朱艳;;基于主成分分析和小波神经网络的近红外多组分建模研究[J];分析化学;2009年10期

5 支霞辉;黄霞;李朋;薛涛;王晓慧;;污水短程脱氮工艺中亚硝酸盐积累的影响因素[J];中国环境科学;2009年05期

6 李凌云;彭永臻;杨庆;顾升波;李论;;SBR工艺短程硝化快速启动条件的优化[J];中国环境科学;2009年03期

7 刘宏欣;张军;王伯光;卢锷;;水中总氮的无损快速分析[J];光学精密工程;2009年03期

8 刘宏欣;张军;王伯光;刘慧璇;卢锷;;水质监测中总磷无损的近红外光谱分析研究[J];分析科学学报;2008年06期

9 何金成;杨祥龙;王立人;泮进明;;基于近红外光谱法的废水COD、BOD_5、pH的快速测量[J];环境科学学报;2007年12期

10 高荣强,范世福;现代近红外光谱分析技术的原理及应用[J];分析仪器;2002年03期

【共引文献】

相关期刊论文前10条

1 黄健;黄珊;张华;黄显怀;张勇;陶勇;唐玉朝;王萌;;主成分分析结合BP神经网络对短程生物脱氮中氮的近红外光谱研究（英文）[J];光谱学与光谱分析;2016年10期

2 刘文贞;陈红岩;李孝禄;袁月峰;郭晶晶;;基于自适应变异粒子群算法的混合核ε-SVM在混合气体定量分析中的应用[J];传感技术学报;2016年09期

3 卞伟;李军;赵白航;阚睿哲;张彦灼;张舒燕;王文啸;;硝化污泥中AOB/NOB对硝化特性的影响[J];中国环境科学;2016年08期

4 杨琼;朱乾华;任鹏;龙帅;杨季冬;;不同偏最小二乘法在化学需氧量近红外光谱特征波段选择中的应用[J];分析科学学报;2016年04期

5 赵斌;黄广民;王政;;利用高碘酸钠氧化制备椰衣醛基纤维[J];天然产物研究与开发;2016年08期

6 谈爱玲;赵勇;王思远;陈静雯;;基于PSO-SVR算法的牛乳电导率近红外回归模型研究[J];燕山大学学报;2016年04期

7 时伟芳;贾佳;冯鹏飞;谢宗铭;杨丽明;王建华;孙群;;春小麦种子物理指标与种子活力关系的初步分析[J];中国农业大学学报;2016年07期

8 刘文贞;陈红岩;袁月峰;郭晶晶;李孝禄;;基于遗传算法的小波神经网络在多组分气体检测中的应用[J];传感技术学报;2016年07期

9 于慧春;彭盼盼;殷勇;;霉变玉米中玉米赤霉烯酮和黄曲霉毒素B1含量电子鼻检测模型的构建[J];食品科学;2016年20期

10 陈国荣;;近红外光谱技术在木材工业中的研究进展[J];辽宁林业科技;2016年03期

【二级参考文献】

相关期刊论文前10条

1 罗阿东;焦彦朝;曹云恒;王艳;陈霄;;转基因大豆检测技术研究进展[J];南方农业学报;2012年03期

2 熊行创;方向;欧阳证;江游;黄泽建;张玉奎;;基于人工神经网络的生物组织质谱成像分类与识别方法[J];分析化学;2012年01期

3 范媛媛;桑英军;沈湘衡;;基于BP神经网络的图像质量评价参数优化[J];应用光学;2011年06期

4 刘炜;常庆瑞;郭曼;邢东兴;员永生;;夏玉米可见/近红外光小波主成分提取与氮素含量神经网络检测[J];红外与毫米波学报;2011年01期

5 高陈燕;;主成分分析法数学推导方法的研究[J];衡水学院学报;2010年04期

6 叶可萍;周光宏;徐幸莲;祝长青;;转基因大豆不同加工过程DNA降解研究[J];食品科学;2010年13期

7 刘春燕;;深圳市河流水质评价指标筛选方案探讨[J];干旱环境监测;2010年01期

8 黄富荣;潘涛;张甘霖;潘贤章;刘登飞;;应用近红外漫反射光谱快速测定土壤锌含量[J];光学精密工程;2010年03期

9 焦淑菲;相玉红;黄安民;王戈;张卓勇;;用人工神经网络-近红外光谱法测定毛竹中木质素与综纤维素的含量[J];首都师范大学学报(自然科学版);2010年01期

10 李亮;王雷鸣;丁武;;近红外光谱技术结合人工神经网络鉴别生鲜奶和蛋白掺假奶[J];食品工业;2009年06期

【相似文献】

相关期刊论文前10条

1 王建龙;生物脱氮新工艺及其技术原理[J];中国给水排水;2000年02期

2 刘秀芝,张唯,张萍;生物脱氮的工艺特点和发展趋势[J];黑龙江环境通报;2000年01期

3 杨麒,李小明;高效生物脱氮新技术[J];环境与开发;2001年04期

4 黄君涛,钟理,熊帆;污水生物脱氮新工艺[J];广东化工;2004年Z1期

5 于庆满,颜家保;生物脱氮新工艺的研究进展[J];工业安全与环保;2005年06期

6 廖雪义;蓝荣;;捷径生物脱氮的研究进展[J];生物学杂志;2006年04期

7 陈清后;;影响生物脱氮除磷的因素[J];污染防治技术;2007年01期

8 ;同步好氧硝化反硝化生物脱氮机理及应用研究项目通过鉴定[J];中国给水排水;2008年02期

9 安玉法;陶雷;柳知非;;生物脱氮在污染治理中的应用[J];污染防治技术;2008年01期

10 ;本钢生物脱氮工程运行稳定[J];本钢技术;2008年02期