由于水质成分的多样性和复杂性,表征水质有机污染程度的COD与水样的紫外吸收多光谱信息之间存在高度的非线性,是一个非线性系统。对于这种多个自变量的非线性系统,需要建立复杂的模型。因此,利用紫外吸收多光谱法测定COD值需要建立一个能够比较完备表征水质复杂性的非线性模型。 机器学习包括人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)等技术的发展为解决上述复杂问题提供了新的途径和可能性。本文研究机器学习技术在基于紫外吸收多光谱法水质COD测量中的应用。主要研究内容和结论如下: 使用紫外吸收多光谱法对不同行业不同种类的水样,分别进行全波长扫描,分析其紫外波段吸光度图谱,设定特征波长值,利用多个特征波长处的吸光度和预先测得的COD值对该种类水样的进行建模。该方法更加完善地表征了反映水体COD的内部信息,也更加准确的估算水体的COD。 对LM-BP人工神经网络模型进行了介绍,并对使用LM-BP人工神经网络进行COD测量建模中的数据预处理、网络结构选择、训练控制等关键技术问题进行了较为深入的讨论,并使用实验数据验证了该模型具有良好的拟合能力和推广能力。 把近几年发展起来的支持向量机(SVM)引入水质COD演算模型的建立中,对支持向量机的相关理论和方法进行了介绍,对不同参数对支持向量机模型的性能影响进行了讨论,并使用实验数据验证了在小样本情况下支持向量机模型比其它机器学习技术具有更好的推广能力。 介绍了紫外扫描式COD测量仪上位机系统软件的设计和实现,包括软件设计的流程、功能模块和算法的具体实现。 最后,总结了本文的主要研究内容以及取得的一些结论,并对有待进一步研究的问题进行了展望。