Please wait a minute...
浙江大学学报(工学版)
J4  2008, Vol. 42 Issue (5): 790-793    
论文     
基于机器学习的水质COD预测方法
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
 全文: PDF 
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    
出版日期: 2008-05-02
基金资助:

浙江省科技计划资助项目（2004C33069）
通讯作者: 王晓萍，女，教授. E-mail: xpwang@zju.edu.cn   
作者简介: 宓云軿（1983-），女，江苏常熟人，硕士生，主要从事环境检测与智能仪器研究. E-mail: yunping044@163.com
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章　　
宓云軿
王晓萍
金鑫

引用本文:

宓云軿 王晓萍 金鑫. 基于机器学习的水质COD预测方法[J]. J4, 2008, 42(5): 790-793.

FU Yun-Peng, WANG Xiao-Ping, JIN Xin. . J4, 2008, 42(5): 790-793.

链接本文:

http://www.zjujournals.com/xueshu/eng/CN/    或    http://www.zjujournals.com/xueshu/eng/CN/Y2008/V42/I5/790

[1] 袁红, 王波, 王丽, 许睦旬. 以轮廓为对象的体态特征情绪分类与预测[J]. 浙江大学学报(工学版), 2018, 52(1): 160-165.
[2] 尤海辉, 马增益, 唐义军, 王月兰, 郑林, 俞钟, 吉澄军. 循环流化床入炉垃圾热值软测量[J]. 浙江大学学报(工学版), 2017, 51(6): 1163-1172.
[3] 朱东阳, 沈静逸, 黄炜平, 梁军. 基于主动学习和加权支持向量机的工业故障识别[J]. 浙江大学学报(工学版), 2017, 51(4): 697-705.
[4] 廖苗, 赵于前, 曾业战, 黄忠朝, 张丙奎, 邹北骥. 基于支持向量机和椭圆拟合的细胞图像自动分割[J]. 浙江大学学报(工学版), 2017, 51(4): 722-728.
[5] 谢罗峰, 徐慧宁, 黄沁元, 赵越, 殷国富. 应用双树复小波包和NCA-LSSVM检测磁瓦内部缺陷[J]. 浙江大学学报(工学版), 2017, 51(1): 184-191.
[6] 钟崴, 彭梁, 周永刚, 徐剑, 从飞云. 基于小波包分析和支持向量机的锅炉结渣诊断[J]. 浙江大学学报(工学版), 2016, 50(8): 1499-1506.
[7] 赵凌, 黄平捷, 刘宝玲, 赵树浩, 侯迪波, 张光新. 多层导电结构内部状态脉冲涡流检测分析方法[J]. 浙江大学学报(工学版), 2016, 50(4): 603-608.
[8] 陈大伟, 姚拴宝, 刘韶庆, 郭迪龙. 高速列车头型气动反设计方法[J]. 浙江大学学报(工学版), 2016, 50(4): 631-640.
[9] 冯培恩, 彭贝, 高宇, 邱清盈. 液压挖掘机作业循环阶段的智能识别[J]. 浙江大学学报(工学版), 2016, 50(2): 209-217.
[10] 潘翔,童伟淮,张三元,郑河荣. 结合语义本体与泊松方程的动画角色模型分割[J]. 浙江大学学报(工学版), 2015, 49(9): 1634-1641.
[11] 黄发明, 殷坤龙, 张桂荣, 唐志政, 张俊. 多变量PSO-SVM模型预测滑坡地下水位[J]. 浙江大学学报(工学版), 2015, 49(6): 1193-1200.
[12] 谭海龙, 刘康玲, 金鑫, 石向荣, 梁军. 基于μσ-DWC特征和树结构M-SVM的多维时间序列分类[J]. 浙江大学学报(工学版), 2015, 49(6): 1061-1069.
[13] 吴鹏洲,于慧敏,曾雄. 基于正则化风险最小化的目标计数[J]. 浙江大学学报(工学版), 2014, 48(7): 1226-1233.
[14] 程健, 项志宇, 于海滨, 刘济林. 城市复杂环境下基于三维激光雷达实时车辆检测[J]. 浙江大学学报(工学版), 2014, 48(12): 2101-2106.
[15] 汪开灿,许霁,翟国富. 基于电磁超声的铝板缺陷识别方法[J]. 浙江大学学报(工学版), 2014, 48(11): 2031-2038.