基于BP神經網絡的大氣污染物火焰光譜識別技術研究

龍坤　余愚　陳星宇　文倩

摘要：在環境保護工作中，環境監測有著重要作用，需要對氣體成分進行快速、準確的分析，但傳統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確的定量分析。基于此，根據火焰光度法和BP神經網絡原理，設計、訓練了BP神經網絡模型，用于大氣污染物的火焰光譜數據解算，并通過試驗驗證了該方法用于火焰光譜數據識別的可行性。

關鍵詞：氣體分析;火焰光度法;BP神經網絡;大氣污染物

0 引言

近年來，大氣污染越來越嚴重，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。目前已發現的數千種有毒有害物質中，絕大多數有毒有害物質都包含了硫、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中，物理檢測技術憑借其快速、靈敏、使用方便、可數字化等優勢，成為了國內外氣體成分分析技術的主流研究方向。隨著光譜儀技術的發展，基于火焰光度法的氣體成分分析系統走上了大氣污染物監測的舞臺。近期，出現了利用光譜儀采集光譜數據，然后對光譜數據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據中存在的交互效應和非線性的因果關系[2]，使得某些元素的光譜數據互相影響;并且根據賽伯-羅馬金公式（Schiebe-Lomakin equation）要求，元素濃度要在一定范圍內光譜數據與元素濃度才呈線性關系，導致濃度超出范圍時測量結果會不準確。

隨著現代智能算法飛速發展，為氣體分析技術的革新帶來了新的動力。神經網絡算法具有大規模并行處理、分布式信息存儲、良好的自組織自學習能力等特點[3]，在擬合優化、信號處理與模式識別、智能控制、故障診斷等領域有著廣泛的應用。

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，FPD）是一種以火焰作為激發光源，使被測元素的原子激發后產生光輻射，利用光電檢測系統來測量其特征光譜數據，通過分析光譜數據對元素進行定量分析的方法[4]。由于不同元素的原子核質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能級（E1）與激發態能級（E2）也不同，故其基態與激發態的能量差ΔE不同。特征輻射的波長、頻率與基態、激發態的能量差有關，其關系如式（1）所示。

式中，E2為激發態能級;E1為基態能級;ΔE為基態與激發態的能量差;h為普朗克常量;f為輻射頻率;c為光波在介質中傳播的速率;λ為輻射的波長。

不同元素發射光譜的特征波長不同，火焰光度法就是利用這一現象，當激發時其每種元素的發射光譜都會對合成光譜有所貢獻，會合成具有多種元素特征的發射光譜，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的光譜數據如圖1所示。

利用火焰發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之間的關系，可以用賽伯-羅馬金公式進行描述：

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

1.2? ? BP神經網絡原理

近年來，復雜模型對象的研究已經進入智能化階段，人工神經網絡的建模方法在智能化控制理論中有著重要的作用，被廣泛應用于復雜系統的模型建立中。其中，BP（back propagation）神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，是應用最廣泛的神經網絡。其具有任意復雜的模式分類能力和優良的多維函數映射能力，被廣泛應用于分類識別、回歸等實際工程領域。光譜數據的識別是一個非線性的數據擬合問題，可以利用BP神經網絡來建立光譜數據與對應的5種元素含量的模型。

BP神經網絡具有輸入層、隱藏層和輸出層，不同層間的神經元通過單向可調的連接權值連接，閾值b對神經元的興奮下限進行控制，神經網絡模型還包括了激活函數，負責將神經元的輸入映射到輸出端。BP神經網絡模型如圖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神經網絡模型。

神經網絡訓練的實質就是一個通過一定的方法產生滿足要求的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，以期使網絡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神經網絡的火焰光譜識別模型試驗

2.1? ? 訓練樣本集的準備

在火焰光譜的神經網絡數據解算模型的訓練中，訓練樣本集為396組5種元素的混合氣體火焰光譜數據及其對應的濃度信息。為了減少硬件系統在解算上的開銷，要減少神經元數量，就要減少輸入量的個數，但同時要保證減少單元數量后仍有可以區分不同元素的光譜特征。在減少樣本輸入量個數時，采用多個光譜數據點求平均值的方法，將多個光譜數據點合成一個樣本輸入量。

2.2? ? 神經網絡結構設計

光譜數據與其對應的元素含量呈連續對應關系，單隱藏層的感知器即可完成其映射，所以該神經網絡模型采用單層隱藏層結構。在目前對神經網絡的研究中，還沒有明確的神經模型隱藏層節點數的設計方法，通常使用試湊法對節點數進行設計。先利用隱藏節點經驗公式對隱藏層節點數進行估算，然后在一定估算范圍內采用不同隱藏層節點數生成多個神經網絡，當神經完成訓練后，再對模型進行篩選。

2.3? ? 試驗結果

對生成8～15個隱藏節點、26～71個輸入量的56個BP神經模型進行多次訓練。訓練完成后，根據神經網絡模型的mse（均方誤差）結果及網絡規模，選擇采用13個隱藏節點、44個輸入量的神經網絡模型，用于對火焰光譜數據的解算。其余97組光譜數據通過神經網絡模型進行分析得到解算數據后，將神經網絡模型的處理結果與實際值進行比較，得到如圖3所示的神經網絡算法分析結果的誤差直方圖。

3 結語

通過對實驗結果進行分析可以得出，在具有足夠樣本數量的條件下，基于BP神經網絡算法的火焰光譜數據分析方法的分析計算結果精度高，解決了光譜數據非線性解算的問題，降低了不同元素光譜數據的互相作用，滿足目前對大氣中有毒有害物質的火焰光譜數據快速解算的要求。

[參考文獻]

[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].光譜學與光譜分析，2015，35（7）：2025-2028.

[2] FRAGKAKI A G，FARMAKI 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網絡的Matlab實現及應用研究[J].現代電子技術，2006，29（2）：49-51.

[4] 地質礦產部地質辭典辦公室.地質大辭典（二）礦物、巖石、地球化學分冊[M].北京：地質出版社，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用技術。