基于BP神經網絡的氯化石蠟氯含量間接檢測方法技術

本發明專利技術公開了一種基于BP神經網絡算法模型的氯化石蠟氯含量間接檢測方法，首先通過抽樣測定一系列氯化石蠟產品的密度、加熱減量、色度、粘度和氯含量建立人工神經網絡訓練集，以密度、加熱減量、色度、粘度作為輸入數據集，以氯含量作為輸出數據集對編寫好的人工神經網絡進行訓練，并不斷調節網絡參數使得輸入和輸出之間建立良好的映射關系。網絡訓練達標后相當于獲得了氯化石蠟的氯含量與密度、加熱減量、色度、粘度的函數表達式，即可通過測定未知氯含量的氯化石蠟產品的密度、色度、粘度以及加熱減量來間接測定氯化石蠟產品的氯含量。本發明專利技術通過測定易測物理量結合人工神經網絡來間接測定氯化石蠟的氯含量，有效避免了汞量法等傳統測定方法繁瑣的前處理過程，也避免了測定過后廢液的處理回收，減少了對環境的毒害。

【技術實現步驟摘要】
基于BP神經網絡的氯化石蠟氯含量間接檢測方法
本專利技術涉及一種間接檢測氯化石蠟中總氯含量的方法，尤其是通過測量和氯化石蠟中總氯含量息息相關的其它物理量來間接測定總氯含量的方法。
技術介紹
氯化石蠟是C10—C30的正構烷烴的氯化衍生物，其通式為CnH2n+2-xClx，式中n為平均碳原子數，x為平均氯原子數，氯化石蠟的工業產品常以氯含量的多少來命名，主要品種有氯蠟-42、氯蠟-52、氯蠟-70，常作為輔助增塑劑、阻燃劑、潤滑油添加劑、皮革加脂劑等。在產品技術指標中氯含量一項最為重要，它決定了氯化石蠟產品的性能和用途，例如，氯蠟-70為固體粉末，用作阻燃劑，而氯蠟-52是粘稠狀液體，主要用作增塑劑。因此氯化石蠟產品中氯含量的測定精度，是判定氯化石蠟產品質量優劣的重要手段；對生產廠家而言也是直接關系到經濟效益好壞的主要因素之一。目前，氯化石蠟氯含量的國標測定方法為汞量法，該方法通過將樣品在氧氣中燃燒，使樣品中的氯轉變為氯離子。在微酸性溶液中，用強電離的硝酸汞溶液將氯離子變為弱電離的氯化汞，用二苯偶氮酰阱指示劑與過量的汞離子生成紫紅色絡合物來判定終點。該方法存在的問題是：廢酸需處理（加過量的硫化物沉淀汞，用過氧化氫氧化過量的硫化鈉、防止汞以多硫化物的形式溶解）。方法較麻煩，且必須有專人負責汞的回收。
技術實現思路
為了克服上述現有技術的不足，本專利技術提供了一種氯化石蠟的氯含量的間接檢測方法。氯化石蠟的氯含量決定了氯化石蠟產品的理化性質，通常氯含量一定時，產品的密度、加熱減量、色度及粘度也隨之確定。換而言之，產品的密度、加熱減量、色度及粘度等理化性質與氯含量之間存在某種直接或間接的關聯關系。本專利技術即采用間接測量這些易測的物理量結合人工神經網絡方法實現間接測定氯化石蠟中氯含量，避免了汞量法等傳統測定方法繁瑣的前處理過程，也避免了測定過后廢液的處理回收，減少了對環境的毒害。一種基于BP神經網絡的氯化石蠟氯含量間接檢測方法，其步驟如下：（1）BP神經網絡模型的建立：所建立的BP神經網絡為三層結構，節點單元的傳遞函數為sigmoid型：，輸出層中，節點的單元特性為線性，各節點的神經元數目可根據訓練需要調節；(2)BP神經網絡的訓練：以密度、加熱減量、色度、粘度作為輸入數據集，以GB1679-88方法測定的氯化石蠟氯含量作為輸出數據集對編寫好的人工神經網絡進行訓練，訓練采用的算法為BP型反向傳播算法模型；（3）間接測定氯化石蠟的氯含量：神經網絡訓練達標后即可通過測定未知氯含量的氯化石蠟產品的密度、色度、粘度以及加熱減量來間接測定氯化石蠟產品的氯含量。本專利技術通過測量氯化石蠟產品中一些和氯含量息息相關的易測物理量結合人工神經網絡來實現氯含量的間接測定。人工神經網絡(ArtificialNeuralNetwork，下簡稱ANN)是模擬生物神經元的結構而提出的一種信息處理方法。人工神經網絡包含大量神經元，這些神經元可分為輸入層、隱層和輸出層的多層結構。輸入和輸出層為單層，神經元數(也稱節點數)分別由輸入和輸出變量的數目確定；隱層可以是單層也可以是多層；隱層層數與各隱層節點數的確定比較復雜，一般應以獲得最優網絡性能為目標，根據所研究的具體問題，按經驗或做嘗試比較確定。神經網絡學習訓練目的是使網絡模型較準確地描述實際對象輸入與輸出變量間的映射關系，并對所需變量做出預測，因此必須利用一個或多個代表對象特性的樣本數據集對ANN進行訓練。最簡單的情況就是通過特定的學習算法，調整各神經元間信息通道的連接權值，使ANN的實際輸出不斷逼近期望輸出。BP神經網絡算法的基本原理是根據希望的輸出和實際的網絡輸出之間的誤差平方和最小的原則來調整網絡的權值，它主要由信息的正向傳遞和誤差的反向傳播組成。在正向傳播過程中，輸入信息從輸入層經隱含層逐層計算傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態，若在輸出層沒有得到期望的輸出，則計算輸出層的誤差變化值，然后通過網絡將誤差信號沿原來的連接通路反傳回來修改各層神經元的權值，直至達到期望目標值。BP神經網絡是一種單向傳播的多層前向網絡。網絡除輸入輸出節點外。還有一層或多層的隱層節點，同層節點中沒有任何耦合。輸入信號從輸入層節點依次傳過各隱層節點，然后傳到輸出節點，每一層節點的輸出只影響下一層節點的輸出。其節點單元特性（傳遞函數）通常為Sigmoid型，但在輸出層中，節點的單元特性有時為線性。BP算法是一種適合于多層神經元網絡的算法，它是建立在剃度下將法的基礎上的。假設含有共L層和n個節點的一個任意網絡，每層單元只接受前一層的輸出信息并輸出給下一層各單元，各節點（有時稱單元）的特性為Sigmoid型（它是連續可微的，不同于感知器中的線性閾值函數，因為它是不連續的）。為簡單起見，認為網絡只有一個輸出y。設給定N個樣本，任一個節點i的輸出為，對某一個輸入為，網絡的輸出，節點i的輸出為，現在研究第l層的第j個單元，當輸入第k個樣本時，節點j的輸入為：表示l-1層，輸入第k個樣本時，第j個單元節點的輸出：使用誤差函數為平方型：是單元j的實際輸出。總誤差為：定義于是下面分兩種情況來討論：（1）若節點j為輸出單元，則（2）若節點j不為輸出單元，則式中是送到下一層（l+1）的輸入，計算要從（l+1）層算回來。在（l+1）層第m個單元時：由以上兩式可以得到：事先抽樣測定一系列氯化石蠟產品的密度、加熱減量、色度、粘度和氯含量建立人工神經網絡訓練集。以密度、加熱減量、色度、粘度作為輸入數據集，以GB1679-88方法測定的氯化石蠟氯含量作為輸出數據集對編寫好的人工神經網絡進行訓練。本專利技術采用的神經網絡為BP型反向傳播算法模型。反向傳播算法的步驟可概括如下：（1）選定權系數初值；（2）重復下述過程直到收斂；①對k=1到N正向過程計算：計算每層各單元的，k=2，…，N反向過程計算：對各層（l=L-1到2），對每層各單元，計算②修正權值為步長，其中其訓練過程包括5個步驟：步驟1：用小的隨即數對每一層的權值w和偏差b初始化，以保證網絡不被大的加權輸入飽和。步驟2：計算網絡各層輸出矢量A1和A2，以及網絡誤差E。步驟3：計算各層反向傳播的誤差變化D2和D1，并計算各層權值的修正值及新的權值。步驟4：再次計算權值修正后的誤差平方和SSE值。步驟5：檢查SSE值是否小于目標誤差，若是，則訓練結束；否則繼續。利用足夠的已知數據通過反復對神經網絡進行訓練直至訓練誤差小于預設值，就相當于獲得了氯化石蠟的氯含量與密度、加熱減量、色度、粘度的函數表達式。神經網絡訓練達標后即可通過測定未知氯含量的氯化石蠟產品的密度、色度、粘度以及加熱減量來間接測定氯化石蠟產品的氯含量。與現有技術相比，本專利技術的有益效果是：通過測定易測物理量結合人工神經網絡來間接測定氯化石蠟的氯含量，有效避免了汞量法等傳統測定方法繁瑣的前處理過程，也避免了測定過后廢液的處理回收，減少了對環境的毒害。附圖說明圖1為本專利技術為間接測定氯化石蠟氯含量所建立的BP神經網絡模型。圖2為本專利技術氯化石蠟氯含量間接檢測原理框圖。具體實施方式如圖1所示，本專利技術通過采集氯化石蠟產品幾個較易直接測定的物理量如密度、色度、粘度以及加熱減量，以一定的算法建立三層BP人工神經網絡預測模型。采用matlab語本文檔來自技高網...

【技術保護點】
一種基于BP神經網絡的氯化石蠟氯含量間接檢測方法，其特征是：通過采集氯化石蠟產品幾個較易直接測定的物理量如密度、色度、粘度以及加熱減量結合BP神經網絡算法模型實現氯化石蠟氯含量的間接測定，包括如下步驟：（1）BP神經網絡模型的建立：所建立的BP神經網絡為三層結構，節點單元的傳遞函數為sigmoid型?：，輸出層中，節點的單元特性為線性，各節點的神經元數目可根據訓練需要調節；(2)?BP神經網絡的訓練：以密度、加熱減量、色度、粘度作為輸入數據集，以GB1679?88方法測定的氯化石蠟氯含量作為輸出數據集對編寫好的人工神經網絡進行訓練，訓練采用的算法為BP型反向傳播算法模型；（3）間接測定氯化石蠟的氯含量：神經網絡訓練達標后即可通過測定未知氯含量的氯化石蠟產品的密度、色度、粘度以及加熱減量來間接測定氯化石蠟產品的氯含量。

【技術特征摘要】
1.一種基于BP神經網絡的氯化石蠟氯含量間接檢測方法，其特征是：通過采集氯化石蠟產品幾個較易直接測定的物理量為密度、色度、粘度以及加熱減量結合BP神經網絡算法模型實現氯化石蠟氯含量的間接測定，包括如下步驟：（1）BP神經網絡模型的建立：所建立的BP神經網絡為三層結構，節點單元的傳遞函數為sigmoid型：，其中B>0，輸出層中，節點的單元特性為線性，各節點的神經元...

【專利技術屬性】
技術研發人員：傅應強，王西弱，王西宇，王文本，
申請(專利權)人：安徽星鑫化工科技有限公司，安徽工程大學，
類型：發明
國別省市：安徽;34