基于BP神經(jīng)網(wǎng)絡(luò)的大氣污染物火焰光譜識別技術(shù)研究

龍坤　余愚　陳星宇　文倩

摘要：在環(huán)境保護工作中，環(huán)境監(jiān)測有著重要作用，需要對氣體成分進行快速、準(zhǔn)確的分析，但傳統(tǒng)火焰光度法的解算方法存在局限性，不能對氣體成分進行準(zhǔn)確的定量分析?；诖?，根據(jù)火焰光度法和BP神經(jīng)網(wǎng)絡(luò)原理，設(shè)計、訓(xùn)練了BP神經(jīng)網(wǎng)絡(luò)模型，用于大氣污染物的火焰光譜數(shù)據(jù)解算，并通過試驗驗證了該方法用于火焰光譜數(shù)據(jù)識別的可行性。

關(guān)鍵詞：氣體分析;火焰光度法;BP神經(jīng)網(wǎng)絡(luò);大氣污染物

0 引言

近年來，大氣污染越來越嚴(yán)重，不論是霧霾，還是有毒廢氣排放，均時刻危害著人們的身體健康，影響城市居民的正常生活。目前已發(fā)現(xiàn)的數(shù)千種有毒有害物質(zhì)中，絕大多數(shù)有毒有害物質(zhì)都包含了硫、磷、氮、砷、氯等5種元素中的一種或幾種，如果能快速檢測出這5種元素的含量，就能迅速判斷大氣中有毒有害物的類型與大氣污染程度[1]。

在氣體成分分析技術(shù)中，物理檢測技術(shù)憑借其快速、靈敏、使用方便、可數(shù)字化等優(yōu)勢，成為了國內(nèi)外氣體成分分析技術(shù)的主流研究方向。隨著光譜儀技術(shù)的發(fā)展，基于火焰光度法的氣體成分分析系統(tǒng)走上了大氣污染物監(jiān)測的舞臺。近期，出現(xiàn)了利用光譜儀采集光譜數(shù)據(jù)，然后對光譜數(shù)據(jù)進行多元線性回歸解算的方法，但多元線性分析法忽略了數(shù)據(jù)中存在的交互效應(yīng)和非線性的因果關(guān)系[2]，使得某些元素的光譜數(shù)據(jù)互相影響;并且根據(jù)賽伯-羅馬金公式（Schiebe-Lomakin equation）要求，元素濃度要在一定范圍內(nèi)光譜數(shù)據(jù)與元素濃度才呈線性關(guān)系，導(dǎo)致濃度超出范圍時測量結(jié)果會不準(zhǔn)確。

隨著現(xiàn)代智能算法飛速發(fā)展，為氣體分析技術(shù)的革新帶來了新的動力。神經(jīng)網(wǎng)絡(luò)算法具有大規(guī)模并行處理、分布式信息存儲、良好的自組織自學(xué)習(xí)能力等特點[3]，在擬合優(yōu)化、信號處理與模式識別、智能控制、故障診斷等領(lǐng)域有著廣泛的應(yīng)用。

1 火焰光度法識別原理

1.1? ? 火焰光度檢測法

火焰光度檢測法（Flame Photometric Detection，F(xiàn)PD）是一種以火焰作為激發(fā)光源，使被測元素的原子激發(fā)后產(chǎn)生光輻射，利用光電檢測系統(tǒng)來測量其特征光譜數(shù)據(jù)，通過分析光譜數(shù)據(jù)對元素進行定量分析的方法[4]。由于不同元素的原子核質(zhì)量以及外層電子運動軌跡的半徑不同，不同元素原子的基態(tài)能級（E1）與激發(fā)態(tài)能級（E2）也不同，故其基態(tài)與激發(fā)態(tài)的能量差ΔE不同。特征輻射的波長、頻率與基態(tài)、激發(fā)態(tài)的能量差有關(guān)，其關(guān)系如式（1）所示。

式中，E2為激發(fā)態(tài)能級;E1為基態(tài)能級;ΔE為基態(tài)與激發(fā)態(tài)的能量差;h為普朗克常量;f為輻射頻率;c為光波在介質(zhì)中傳播的速率;λ為輻射的波長。

不同元素發(fā)射光譜的特征波長不同，火焰光度法就是利用這一現(xiàn)象，當(dāng)激發(fā)時其每種元素的發(fā)射光譜都會對合成光譜有所貢獻(xiàn)，會合成具有多種元素特征的發(fā)射光譜，然后通過對特征光譜進行分析、識別。需要被檢測的硫、磷、氮、砷、氯5種元素在340～900 nm的光譜數(shù)據(jù)如圖1所示。

利用火焰發(fā)射光譜法對待測元素含量進行分析時，元素特征譜線I與元素含量c之間的關(guān)系，可以用賽伯-羅馬金公式進行描述：

式中，a是比例系數(shù)，為一個與試樣蒸發(fā)及激發(fā)過程相關(guān)的參數(shù);b為元素的自吸收系數(shù)。元素特征譜線I與元素含量c之間存在一一對應(yīng)的映射關(guān)系，據(jù)此可以通過元素的光譜數(shù)據(jù)，對其含量進行定量分析。

1.2? ? BP神經(jīng)網(wǎng)絡(luò)原理

近年來，復(fù)雜模型對象的研究已經(jīng)進入智能化階段，人工神經(jīng)網(wǎng)絡(luò)的建模方法在智能化控制理論中有著重要的作用，被廣泛應(yīng)用于復(fù)雜系統(tǒng)的模型建立中。其中，BP（back propagation）神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。其具有任意復(fù)雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力，被廣泛應(yīng)用于分類識別、回歸等實際工程領(lǐng)域。光譜數(shù)據(jù)的識別是一個非線性的數(shù)據(jù)擬合問題，可以利用BP神經(jīng)網(wǎng)絡(luò)來建立光譜數(shù)據(jù)與對應(yīng)的5種元素含量的模型。

BP神經(jīng)網(wǎng)絡(luò)具有輸入層、隱藏層和輸出層，不同層間的神經(jīng)元通過單向可調(diào)的連接權(quán)值連接，閾值b對神經(jīng)元的興奮下限進行控制，神經(jīng)網(wǎng)絡(luò)模型還包括了激活函數(shù)，負(fù)責(zé)將神經(jīng)元的輸入映射到輸出端。BP神經(jīng)網(wǎng)絡(luò)模型如圖2所示，是一個具有n個輸入量、m個輸出量的單層隱藏層的BP神經(jīng)網(wǎng)絡(luò)模型。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練的實質(zhì)就是一個通過一定的方法產(chǎn)生滿足要求的w、b矩陣的過程。BP算法的基本思想是梯度下降方法，采用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實際輸出值與期望輸出值的誤差均方值為最小。

2 基于BP神經(jīng)網(wǎng)絡(luò)的火焰光譜識別模型試驗

2.1? ? 訓(xùn)練樣本集的準(zhǔn)備

在火焰光譜的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)解算模型的訓(xùn)練中，訓(xùn)練樣本集為396組5種元素的混合氣體火焰光譜數(shù)據(jù)及其對應(yīng)的濃度信息。為了減少硬件系統(tǒng)在解算上的開銷，要減少神經(jīng)元數(shù)量，就要減少輸入量的個數(shù)，但同時要保證減少單元數(shù)量后仍有可以區(qū)分不同元素的光譜特征。在減少樣本輸入量個數(shù)時，采用多個光譜數(shù)據(jù)點求平均值的方法，將多個光譜數(shù)據(jù)點合成一個樣本輸入量。

2.2? ? 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

光譜數(shù)據(jù)與其對應(yīng)的元素含量呈連續(xù)對應(yīng)關(guān)系，單隱藏層的感知器即可完成其映射，所以該神經(jīng)網(wǎng)絡(luò)模型采用單層隱藏層結(jié)構(gòu)。在目前對神經(jīng)網(wǎng)絡(luò)的研究中，還沒有明確的神經(jīng)模型隱藏層節(jié)點數(shù)的設(shè)計方法，通常使用試湊法對節(jié)點數(shù)進行設(shè)計。先利用隱藏節(jié)點經(jīng)驗公式對隱藏層節(jié)點數(shù)進行估算，然后在一定估算范圍內(nèi)采用不同隱藏層節(jié)點數(shù)生成多個神經(jīng)網(wǎng)絡(luò)，當(dāng)神經(jīng)完成訓(xùn)練后，再對模型進行篩選。

2.3? ? 試驗結(jié)果

對生成8～15個隱藏節(jié)點、26～71個輸入量的56個BP神經(jīng)模型進行多次訓(xùn)練。訓(xùn)練完成后，根據(jù)神經(jīng)網(wǎng)絡(luò)模型的mse（均方誤差）結(jié)果及網(wǎng)絡(luò)規(guī)模，選擇采用13個隱藏節(jié)點、44個輸入量的神經(jīng)網(wǎng)絡(luò)模型，用于對火焰光譜數(shù)據(jù)的解算。其余97組光譜數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)模型進行分析得到解算數(shù)據(jù)后，將神經(jīng)網(wǎng)絡(luò)模型的處理結(jié)果與實際值進行比較，得到如圖3所示的神經(jīng)網(wǎng)絡(luò)算法分析結(jié)果的誤差直方圖。

3 結(jié)語

通過對實驗結(jié)果進行分析可以得出，在具有足夠樣本數(shù)量的條件下，基于BP神經(jīng)網(wǎng)絡(luò)算法的火焰光譜數(shù)據(jù)分析方法的分析計算結(jié)果精度高，解決了光譜數(shù)據(jù)非線性解算的問題，降低了不同元素光譜數(shù)據(jù)的互相作用，滿足目前對大氣中有毒有害物質(zhì)的火焰光譜數(shù)據(jù)快速解算的要求。

[參考文獻(xiàn)]

[1] 丁志軍，王普紅，李志軍，等.全譜火焰光度法檢測硫、磷、氮、砷、氯元素[J].光譜學(xué)與光譜分析，2015，35（7）：2025-2028.

[2] FRAGKAKI A G，F(xiàn)ARMAKI E，THOMAIDIS N S，et al.Comparison of multiple linear regression，partial least squares and artificial neural networks for prediction gas chromatographic relative retention times of trimethylsilylated anabolic androgenic steroids[J].Journal of Chromatography A，2012，1256（18）：232-239.

[3] 劉浩，白振興.BP網(wǎng)絡(luò)的Matlab實現(xiàn)及應(yīng)用研究[J].現(xiàn)代電子技術(shù)，2006，29（2）：49-51.

[4] 地質(zhì)礦產(chǎn)部地質(zhì)辭典辦公室.地質(zhì)大辭典（二）礦物、巖石、地球化學(xué)分冊[M].北京：地質(zhì)出版社，2005.

收稿日期：2020-04-03

作者簡介：龍坤（1994—），男，四川德陽人，碩士研究生，研究方向：機電控制理論及其應(yīng)用技術(shù)。