李偉晶

（遼寧省錦州水文局，遼寧錦州 121000）

當前我國水污染事件頻發(fā)，對水質(zhì)進行（監(jiān)）檢測治理已刻不容緩。在對流域內(nèi)的水質(zhì)進行評價時，通常需采用指標COD（化學需氧量）衡量水質(zhì)是否已被污染。故本文引入紫外-可見光譜法的水質(zhì)COD檢測預(yù)測模型，對遼寧省錦州市某流域水質(zhì)情況進行分析預(yù)測[1]。

1 水污染研究現(xiàn)狀

通常在對水質(zhì)COD指標進行分析時有兩種方法：一種是光譜法，在對水質(zhì)COD指標進行分析時，通常選擇紫外-可見光測量水樣對光譜的吸收度，這種方法具有實時、在線的優(yōu)點；另一種是化學法，一般采用重鎘酸鉀和高錳酸鉀等強氧化性化學試劑，在強酸條件下對水樣進行氧化處理，然后再通過對實際消耗的氧化劑的量進行計算，以此判斷水質(zhì)化學需氧量，不足的是測量周期長、二次污染大，且實時性和在線性不好[1]。故本文主要選擇紫外-可見光譜法對錦州市某流域水質(zhì)COD指標進行合理預(yù)測、分析?；趯W者劉子毓、張宇等人的研究理論，該研究綜合了目前水質(zhì)分析中較為主流的主成分分析算法、極限學習機算法、粒子群優(yōu)化算法、粒子群優(yōu)化極限學習機預(yù)測模型，克服了常規(guī)水質(zhì)檢測分析與評價中，BP神經(jīng)網(wǎng)絡(luò)、T-S模糊神經(jīng)網(wǎng)絡(luò)存在的學習速度慢、計算分析結(jié)果復雜等不足。

2 水質(zhì)COD檢測分析算法模型

2.1 PCA主成分分析法

在常規(guī)數(shù)據(jù)資料處理時，往往會出現(xiàn)諸多冗余性數(shù)據(jù)，這些信息的存在會使特征信息量隱藏，不但會增加數(shù)據(jù)計算工作量，更會影響數(shù)據(jù)最終分析的準確度。對此，研究首先采用主成分分析法，有效去除高維數(shù)據(jù)中的大量冗余，通過提取特征因子和信息量，將復雜計算問題簡單化[2]。主成分分析法操作步驟如下：

1）將多個高緯樣本組成樣本矩陣，然后對該樣本矩陣相關(guān)數(shù)據(jù)指標進行標準化處理，以此獲得其特征向量。

2）結(jié)合特征向量的特征貢獻程度，確定主成分。

3）對得到的光譜數(shù)據(jù)進行降維處理且確定主成分后，即可結(jié)合主成分分析矩陣，對研究區(qū)水質(zhì)COD數(shù)據(jù)進行分析預(yù)測。

2.2 ELM極限學習機神經(jīng)網(wǎng)絡(luò)

2.3 PSO粒子群優(yōu)化算法

在PSO算法中，粒子表示每個優(yōu)化問題的潛在解。在基于粒子群優(yōu)化算法進行水質(zhì)分析時，首先會隨機生成一群粒子，而每個粒子都有與其相對應(yīng)的位置和初始化速度；然后，多次對粒子進行跌代即可獲得最優(yōu)解[3]。所以，可將PSO算法描述為：在一個多維目標搜索空間內(nèi)，隨機存在的N個粒子共同組成的粒子群。其中，第i個粒子的速度與位置可通過以下公式計算：

式中：j=1，2，…，D；i=1，2，…，m；M——種群規(guī)模；T——當前進化代數(shù)；r1，r2——分布于［0，1］間的隨機數(shù)；c1，c2——加速常數(shù)。

PSO粒子群優(yōu)化算法流程見圖1。

2 .4 PSO-ELM粒子群優(yōu)化極限學習機預(yù)測模型

在數(shù)據(jù)分析中，研究基于粒子群優(yōu)化算法，將極限學習機算法（ELM）的輸入閥值和輸入權(quán)值作為粒子群算法中的粒子[4]。與此同時，將實際值和預(yù)測值的均方根誤差RMSE作為適應(yīng)度函數(shù)：

圖1 PSO粒子群優(yōu)化算法流程

式中：yi——水質(zhì)COD的實際值；yj——COD的預(yù)測值。

基于PSO-ELM的粒子群優(yōu)化極限學習機預(yù)測流程見圖2。

3 實例應(yīng)用分析

研究主要結(jié)合上述方法，采用試驗分析方案對遼寧省錦州市某河流水質(zhì)進行檢測分析，選取6組水樣樣本對其進行紫外-可見光譜法分析。采用光源和光譜儀分別為DH-2000氘鹵鎢燈光源和Maya2000紫外可見光譜儀，測量分析過程嚴格遵循我國現(xiàn)行GB11914-89《重鉻酸鹽法水質(zhì)化學需氧量的測定》技術(shù)標準實施[5]。

1）在對該研究中得到的光譜數(shù)據(jù)進行建模處理時，首先對其進行主成分算法分析，對數(shù)據(jù)進行降維，得到6組主成分分析特征量，見表1。

通過表1計算分析結(jié)果可知，6個主成分累計貢獻率達99.946%，采集的數(shù)據(jù)樣本能夠更好地傳遞原始光譜數(shù)據(jù)所表達的信息[6]。在上述數(shù)據(jù)處理基礎(chǔ)上，基于ELM極限學習機神經(jīng)網(wǎng)絡(luò)和PSO-ELM粒子群優(yōu)化極限學習機預(yù)測模型分析，最終得到6組主成分預(yù)測模型新訓練樣本矩陣，見表2。

圖2 基于PSO-ELM的粒子群優(yōu)化極限學習機預(yù)測流程圖

表1 基于主成分分析法的光譜數(shù)據(jù)特征值

表2 主成分分析矩陣表

2）選取以上6組數(shù)據(jù)樣本進行模型訓練分析，該研究PSO粒子群算法的種群規(guī)模N=6，學習因子c1=2，學習因子c2=2，數(shù)據(jù)最大跌代次數(shù)tmax=30，慣性權(quán)重w=0.6，將其輸入粒子群優(yōu)化極限學習機PSO-ELM模型中，經(jīng)過數(shù)據(jù)降維處理和數(shù)據(jù)跌代，最終得到PSO-ELM模型的預(yù)測結(jié)果擬合圖，見圖3。

圖3 基于PSO-ELM模型的預(yù)測結(jié)果擬合圖

從圖3可以看出：ELM模型的隱層閾值和輸入權(quán)值經(jīng)過PSO優(yōu)化后，模型預(yù)測擬合曲線逐漸平緩，由此表明經(jīng)過多次數(shù)據(jù)跌代處理，水質(zhì)分析結(jié)果精度大大提高[7]。如果以模型水質(zhì)分析預(yù)測運行時間來衡量，將上述3種不同方法應(yīng)用于遼寧省錦州市水質(zhì)分析評價預(yù)測中，效果存在很大差異。ELM模型、PSO-ELM模型和PCA-PSOELM水質(zhì)分析預(yù)測運行時間及誤差見表3。

表3 水質(zhì)分析預(yù)測運行時間和誤差

綜上3種水質(zhì)分析預(yù)測方法，PCA-PSOELM模型不僅運行時間較短，且分析結(jié)果誤差較小，僅為0.238 1，相對于ELM極限學習機算法和PSO-ELM模型而言，將PCA-PSO-ELM模型應(yīng)用于錦州市水質(zhì)分析預(yù)測和評價中，可顯著提升預(yù)測速率和預(yù)測精度[8]。

4 結(jié)語

綜上所述，在區(qū)域水質(zhì)分析預(yù)測中，COD是一個十分重要的參數(shù)。研究針對錦州市某區(qū)域水質(zhì)情況進行紫外-可見光譜法分析預(yù)測，其中綜合了PCA主成分分析法、ELM極限學習機神經(jīng)網(wǎng)絡(luò)和PSO粒子群優(yōu)化算法、SO-ELM粒子群優(yōu)化極限學習機預(yù)測模型。研究應(yīng)用結(jié)果表明，基于紫外-可見光譜法的PCA-PSO-ELM模型應(yīng)用于錦州市水樣水質(zhì)分析中，可大大提升水質(zhì)分析預(yù)測精度和預(yù)測效率，這一方法為遼寧省錦州市水質(zhì)實時、在線檢測分析與評價提供了重要參考依據(jù)。

［1］許衛(wèi)娟.離子色譜法測定地表水中氟化物的方法探討［J］.環(huán)境科學導刊，2014，33（4）：86—87.

［2］王志民，于福蘭，劉志芬，崔杰石.阜新市地表水資源質(zhì)量評價［J］.東北水利水電，2003（09）：38—39.

［3］張久龍，季營，羅瑩瑩，等.鉬酸銨分光光度法測定水中總磷不確定度［J］.硅谷，2012（21）：183—184.

［4］陳妍.鉬酸銨分光光度法測定水中總磷含量的不確定度評定［J］.廣東化工，2014，41（2）：115—116.

［5］李學森.凌河流域水資源現(xiàn)狀及保護措施［J］.水土保持應(yīng)用技術(shù)，2015（03）：36—37.

［6］高素麗.遼陽市水資源開發(fā)利用和管理保護對策［J］.水土保持應(yīng)用技術(shù)，2011（04）：45—47.

［7］楊錦華.佛寺水庫水源飲水安全與水環(huán)境保護［J］.水利技術(shù)監(jiān)督，2006（03）：50—52.

［8］溫樹成.大伙房水庫水體富營養(yǎng)化現(xiàn)狀分析及對策研究［J］.水土保持應(yīng)用技術(shù)，2015（02）：31—32.