一种在线紫外光谱水质分析仪
由于数据点数较少(只有54个)，所以采用留一检验[10]来比较各个模型预估的精确性。即依次取出54个样本数据点中的一个作为测试数据，采用剩余的53个数据作为训练数据，然后用训练完成的模型预测该测试数据，如此重复54次，得到54个样本的预估值。
图5反映了用两个相关系数最高的特征波长(254nm和265nm)计算混合模型的结果。其中Y轴表示COD的真值，X轴表示通过模型计算的COD的预测值，圆点是COD样本根据真值和预测值在图上的分布，当中一条45°直线衡量COD的预测值偏离COD真值的程度。由图可见，样本训练结果分布在直线的附近，显示了混合模型良好的预测精度。
6结论
实验结果显示，该预测模型相关性好，分析精度高；采用的算法运算速度快，适合在线监测。从实际运行看，该在线水质分析仪有精度高、跟踪性能好、操作方便、人机交互界面友好、运行成本低廉的特点，其独有的封闭式防水结构能适应任何户外条件，且数据传输功能适合远程监控，能随时报告水质情况，与同类产品相比具有较大的技术优势。
参考文献
［1］Castillo，L Khorassani，H.EITrebuchon，P Thomas.O.UV treatability test for chemical and petrochemical wastewater［J］.Wat.Sci.Tech，39(10、11)：17－23.
［2］Vaillant，S Pouet，M.F Thomas，O.Basic handling of UV Spectra for urban water quality monitoring［J］.Urban Water，2002，(4)：273－281.
［3］Charef，A Ghauch，A Baussand，P Martin－Bouyer，M.Waterquality monitoring using a smart sensing system［J］.Measurement，2000，(28)：219－224.
［4］Benjathapanun，N Boyle，W.J.O Grattan,K.T.V.Classification of UV－Vis Spectroscopic data using principal componentanalysis and neural network techniques［J］.Measurement，1998，(24)：1－7.
［5］Chevalier，L.R Irwin，C.N Craddock.J.N.Evaluation of In Spectra UV analyzer for measuring conventional water and wastewater parameters［J］.Advances in Environmental Research，2002，(6)：369－375.
［6］Xia，H.FDai，L.K.Dynamic node creation and fast learning algorithm for a hybrid feed forward neural networ［C］.Proceedings of the International Conference on Machine Learning and Cybernetics，Hangzhou，China，2002，202－205.
［7］魏复盛.水和废水监测分析方法指南［M］.北京：中国环境科学出版社，1990.
［8］刘学文.一种新型COD在线自动监测仪［J］.分析仪器，2002，(2)：15－17.
［9］马玉琴.环境检测［M］.湖北：武汉工业大学出版社，1998.
［10］边肇祺，张学工.模式识别(第二版)［M］.北京：清华大学出版社，2000.(end)
评论