学位论文 > 优秀研究生学位论文题录展示

双组分混合体系中人工神经网络分析方法的研究

作　者: 李双
导　师: 姬泓巍
学　校: 中国海洋大学
专　业: 海洋化学
关键词: 人工神经网络双组分同时测定催化光度法钙、镁铁、锰
分类号: P714.4
类　型: 硕士论文
年　份: 2010年
下　载: 25次
引　用: 0次
阅　读: 论文下载

内容摘要

钙和镁是海水中的常量元素,也是考查水体硬度的重要参数,因此简便快速的同时测定这两种元素具有重要的实际意义。铁和锰是人体必需的微量元素,在海水中属于痕量金属营养盐,对海洋生物的生长有重要作用。因此,研究测定痕量铁和锰的分析方法也具有重要的意义。本论文将化学计量学中的人工神经网络法分别与分光光度法和催化动力学分光光度法相结合,对海水中主要成分钙和镁的双组分体系和痕量金属元素铁和锰的双组份体系进行了研究,分别建立了一种能同时测定钙和镁双组分的人工神经网络-分光光度法的分析方法和一种能同时测定铁和锰的人工神经网络-催化光度法的分析方法,并将所建两种方法应用到实际水体系中进行测定,得到了令人满意的结果。本论文取得的主要成果有：1.成功建立了一种能同时测定钙和镁双组分的人工神经网络-分光光度法的分析方法。(1)确定了一种能同时测定钙和镁双组分的反应体系。该体系为：显示剂为偶氮胂(Ⅲ),缓冲溶液为硼砂—盐酸,掩蔽剂为邻菲罗琳。(2)确定了最佳的测定条件。该最佳条件为：偶氮胂(Ⅲ)的质量分数为w=0.010%,缓冲溶液硼砂—盐酸的浓度为c=1.5×10-3mol/L(pH=9.10),邻菲罗琳的质量分数为w=0.40%,测定波长为λ=610-660nm,显色时间为t=10 min,温度为室温。在此条件下,14种常见阴阳离子对测定结果均无明显的干扰。(3)确定了进行数据处理的人工神经网络的结构和算法。经研究,人工神经网络采用误差反向传播网络(back-propagation network) BP网络,数据处理采用Levenberg-Marquardt (L-M)算法,网络结构定为13-14-2,μ的初始值设为0.001,并自编了程序应用MATLAB软件进行数据处理。(4)成功地将所建方法应用于实际水体系。应用本文所建方法同时测定钙和镁混合物时的相对标准偏差RSD分别为钙2.31%和镁2.14%。将所建方法应用到实际水体系时,钙和镁的加标回收率结果表明：①自来水介质,钙为101.1%-103.6%,镁为100.8%-102.4%,RSD=0.082%-1.43%；②黄河水介质,钙为100.7%-103.2%,镁为96.6%-101.3%,RSD=0.14%～0.33%；③海水介质,钙为98.8%-103.3%,镁为98.4%-103.4%,RSD=0.22%-2.21%。2.成功建立了一种能同时测定痕量铁和锰双组分的人工神经网络-催化光度法的分析方法。(1)确定了一种能同时测定痕量铁和锰的双组分的反应体系。该体系为：指示剂为罗丹明B,氧化剂为KI04,活化剂为氨三乙酸和邻菲罗琳,缓冲溶液为HAc-NaAc。(2)确定了最佳的测定条件。该最佳条件为,罗丹明B的质量浓度为ρ=4.00×10-3g/L,pH=3.85,KI04的浓度为c=2.00×10-4mol/L,邻菲罗琳的浓度为c=2.00×10-3mol/L,氨三乙酸的浓度为c=1.00×10-5mol/L,测定波长为λ=555 nm,测定时间为t=6 min(间隔15s),反应起始温度为35℃。在此条件下,21种常见阴阳离子对测定结果均无明显的干扰。(3)确定了进行数据处理的人工神经网络的结构和算法。经研究,人工神经网络采用误差反向传播网络(back-propagation network) BP网络,数据处理采用Levenberg-Marquardt (L-M)算法,网络结构定为15-16-2,μ的初始值设为0.001,并自编了程序应用MATLAB软件进行数据处理。(4)成功地将所建方法应用于实际水体系。应用本文所建方法同时测定铁和锰混合物时的相对标准偏差RSD分别为铁2.30%和锰2.67%。将所建方法应用到实际水体系时,铁和锰的加标回收率结果表明：①自来水介质,铁为98.0%-104.3%,锰为96.5%-104.5%,RSD=0.23%～0.98%。②黄河水介质,铁为96.0%-101.0%,锰为98.7%-104.2%,RSD=0.13%～2.52%。③海水介质,铁为95.3%-104.8%,锰为95.3%-104.7%,RSD=0.14%-2.66%。3.利用本文建立的人工神经网络-催化光度法的分析方法对青岛近海11个站位的表层海水中铁和锰的含量进行了测定,得到了青岛近海表层海水的铁和锰的水平分布趋势。

全文目录

摘要  5-7
Abstract  7-13
0 前言  13-14
1 文献综述  14-20
  1.1 化学计量学-分光光度法同时测定混合体系中多组分的方法概述  14-19
    1.1.1 卡尔曼滤波法(KF法)  15
    1.1.2 因子分析法(FA法)  15-16
    1.1.3 多元线性回归法(MLR法)  16
    1.1.4 矩阵分析法  16-17
    1.1.5 偏最小二乘法(PLS法)  17
    1.1.6 人工神经网络法(ANN)  17-19
  1.2 化学计量学-催化动力学同时测定多组分的方法概述  19-20
2 人工神经网络方法简介  20-30
  2.1 人工神经网络的发展及近况  20-21
  2.2 人工神经网络的基本原理  21-23
  2.3 人工神经网络的特点及分类  23-24
  2.4 基于MATLAB工具箱的神经网络概述  24-25
  2.5 BP-ANN简介  25-30
    2.5.1 BP-ANN基本原理  25-28
    2.5.2 BP-ANN网络流程图  28
    2.5.3 BP-ANN网络学习算法及比较  28-29
    2.5.4 BP-ANN网络的局限性  29-30
3 催化动力学光度法简介  30-32
  3.1 催化动力学光度法  30
  3.2 催化动力学光度法的特点  30-31
  3.3 催化动力学光度法的基本原理  31
  3.4 影响催化动力学光度法反应速率的因素  31-32
4 同时测定水体中钙和镁的人工神经网络-分光光度法的研究  32-54
  4.1 引言  32-34
    4.1.1 研究意义  32
    4.1.2 钙和镁分析方法的概述  32-33
    4.1.3 研究目的  33
    4.1.4 研究方法  33
    4.1.5 技术路线图  33-34
  4.2 主要仪器和化学试剂  34-37
    4.2.1 主要仪器  34-35
    4.2.2 主要化学试剂  35-37
  4.3 实验内容和结果  37-40
    4.3.1 实验方法  37
    4.3.2 实验条件的选择  37-39
    4.3.3 干扰离子实验  39-40
  4.4 利用BP神经网络进行数据处理  40-49
    4.4.1 训练集和校正集的组成及测定结果  40-41
    4.4.2 用动量梯度下降算法进行网络训练  41-45
    4.4.3 用L-M算法进行网络训练  45-49
    4.4.4 数据处理算法的确定  49
  4.5 实际水体中钙和镁的同时测定  49-52
    4.5.1 自来水中钙和镁的同时测定  49-50
    4.5.2 黄河水中钙和镁的同时测定  50
    4.5.3 海水中钙和镁的同时测定  50-52
  4.6 小结  52-54
5 同时测定水体中铁和锰的人工神经网络-催化光度法的研究  54-83
  5.1 引言  54-58
    5.1.1 研究意义  54
    5.1.2 铁和锰分析方法的概述  54-57
    5.1.3 研究目的  57
    5.1.4 研究方法  57
    5.1.5 技术路线图  57
    5.1.6 方法原理  57-58
  5.2 主要仪器和化学试剂  58-60
    5.2.1 主要仪器  58-59
    5.2.2 主要化学试剂  59-60
  5.3 实验内容和结果  60-65
    5.3.1 实验方法  60-61
    5.3.2 测定条件的确定  61-64
    5.3.3 干扰离子实验  64-65
  5.4 利用BP神经网络进行数据处理  65-72
    5.4.1 训练集和校正集的组成  65
    5.4.2 用动量梯度下降算法进行网络训练  65-68
    5.4.3 用L-M算法进行网络训练  68-72
    5.4.4 数据处理算法的确定  72
  5.5 实际水体中铁和锰的同时测定  72-81
    5.5.1 自来水中铁和锰的同时测定  72-74
    5.5.2 黄河水中铁和锰的同时测定  74-75
    5.5.3 海水中铁和锰的同时测定  75-81
  5.6 小结  81-83
结论  83-85
参考文献  85-92
附录  92-94
致谢  94-95
个人简历  95
发表的学术论文  95

双组分混合体系中人工神经网络分析方法的研究

内容摘要

全文目录

相似论文