文献类型：期刊文章

作　　者：宓云軿[1] 王晓萍[1] 金鑫[2]

机构地区：[1]浙江大学光电信息工程学系,浙江杭州310027 [2]浙江省环境监测中心,浙江杭州310012

出　　处：《浙江大学学报（工学版）》

基　　金：浙江省科技计划资助项目(2004C33069)

年　　份：2008

卷　　号：42

期　　号：5

起止页码：790-793

语　　种：中文

收录情况：AJ、BDHX、BDHX2004、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、EI(收录号：20082811370789)、IC、INSPEC、JST、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：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.

关 键 词：水质COD 机器学习  相关性模型  LM-BP神经网络  支持向量机 预测精度  

分 类 号：TP181] X832]