一种基于卷积神经网络的水源污染物检测系统及方法与流程

1.本发明属于水源污染物监测技术领域，具体涉及一种基于卷积神经网络的水源污染物检测系统及方法。


背景技术：

2.随着经济的发展，人口的增加，不少地区水资源短缺，有的城市饮用水水源污染严重，居民生活饮用水安全受到威胁。
3.以作为京津地区饮用水源的丹江为例，丹江发源于秦岭腹地的商洛市，伴随着引丹入京工程的竣工，商洛赢得了“一江清水供京津”的美誉，同时为了保证京津地区的饮用水安全，商洛市也面临着新的考验与挑战。近年来，随着丹江流域工业与农业快的速发展，加速了沿线城市的发展。然而，工农业有机化合物废水的排放污染了丹江的河水，带来了生态环境组成与结构的改变以及日益突出的环境问题，最终将影响京津地区的饮用水安全。为了更好的保障京津地区供水安全，研究一整套对丹江水源污染物的快速、准确检测方法势在必行。
4.而饮用水源中的持久性有毒污染物是一类具有很强毒性、在环境中难以降解、并可通过食物链在动物和人体中富集和放大的污染物。大量证据表明，持久性有毒污染物大多具有“致癌、致畸、致突变”的三致效应和遗传毒性，对人体健康和生态系统危害极大。因此，开展持久性有毒污染物的实时检测和控制的研究迫在眉睫。
5.具体而言，持久性有机污染物(persistent organic pollutants，pops)和重金属是两类典型的持久性有毒污染物，它们在环境中分布广泛，而且这些有毒污染物在环境中往往以微量甚至痕量级存在，因此增加了分析检测的难度。目前，持久性有机污染物的检测方法主要有气相色谱-质谱(gc-ms)、液相色谱-质谱(lc-ms)以及免疫分析(ia)等；重金属检测方面主要采用原子吸收光谱(aas)、电感耦合等离子体原子发射光谱(icp-aes)、流动注射(fi)分析法以及激光诱导击穿光谱(libs)等。然而上述这些分析方法使用的仪器昂贵，而且样品分析前必须进行复杂的前处理，如加标、萃取、净化、浓缩、洗脱等，导致分析一组试样要花费较长的时间，且分析费用较大。已不能满足目前对环境痕量组分的检测要求。
6.红外光谱检测技术由于高效、简单和绿色的分析特点已被广泛应用于工农业生产当中。对于不同形态特点的分析对象，可采用不同的检测模式；整个分析过程不会对环境造成任何污染；测试重现性好、操作方便；可实现多目标组分的快速平行分析。然而，红外光谱的应用也存在它的不足之处，由于红外谱区的摩尔吸收率较低，使得红外光谱分析方法的分析灵敏度较差，无法进行微量或痕量分析。


技术实现要素：

7.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于卷积神经网络的水源污染物检测系统及方法，有效避免了现有技术中对饮水源中的持久性有毒污染物红外谱区的摩尔吸收率较低、红外光谱分析方法的分析灵敏度较差、无法进行微量
或痕量分析的缺陷。
8.为解决上述技术问题，本发明采用的技术方案是：一种基于卷积神经网络的水源污染物检测系统，其特征在于，包括容器，所述容器的底部连通有两个分别设置有第一阀门和第二阀门的分支管道，在两个所述分支管道中分别填充有第一吸附材料和第二吸附材料，可调速循环泵通过管道来同所述容器和两个所述分支管道连通。
9.上述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述第一阀门和第二阀门的数量均为若干个。
10.上述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述基于卷积神经网络的水源污染物检测系统，还包括光谱仪，所述光谱仪与上位机连接；所述光谱仪通过光纤来对第一吸附材料和第二吸附材料采集光谱信息。
11.上述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述第一吸附材料和第二吸附材料旁的分支管道上还设置有用于填充吸附材料的再生接口。
12.另外，本发明还提供了一种基于卷积神经网络的水源污染物检测方法，其特征在于，包括：
13.步骤1：富集材料与饮用水源中持久性有毒污染物间吸附行为的确定：
14.通过设定的富集装置，分别对富集材料、富集温度以及最佳富集条件进行优化和选择，确定适用于饮用水源中各类持久性有毒污染物富集的最佳富集材料和吸附条件；
15.步骤2：基于红外光谱的持久性有毒污染物定量分析模型的建立：
16.通过采用合理的数据预处理方法和变量筛选方法，建立强吸附材料背景下弱红外响应信号的信息提取方法；分析基于特征近红外信息的线性和非线性校正方法；分析多模型算法在增强红外光谱模型构建中的应用和改进，建立饮用水源的持久性有毒污染物定量分析方法。
17.上述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述富集材料与饮用水源中持久性有毒污染物间吸附行为的确定包括：
18.通过吸附实验，结合常规化学分析法，获得关于不同富集材料、不同颗粒度、不同流速、不同ph值、不同吸附时间的持久性有毒污染物的红外光谱数据；对获得的光谱信号进行分析，研究不同吸附条件下红外光谱间的差异，确定各类持久性有毒污染物的最佳富集材料和吸附条件。
19.上述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述基于红外光谱的持久性有毒污染物定量分析模型的建立包括：对所述系统采集的污染物的红外光谱采用不同的光谱预处理方法、光谱建模变量筛选方法以及建模算法，确定最佳模型参数，建立具有自学习功能的、具有稳健性的污染物的定量分析模型。
20.上述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述建立具有自学习功能的、具有稳健性的污染物的定量分析模型的方式，包括：
21.步骤2-1：构建卷积神经网络结构，所述卷积神经网络结构包括输入层、卷积层c1、池化层s2、卷积层c3、池化层s4、卷积层c5、池化层s6、全连接层f7、全连接层f8和输出层；
22.步骤2-2：训练卷积神经网络；
23.步骤2-3：利用卷积神经网络对水源污染物成分含量进行识别。
24.上述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述训练卷
积神经网络的具体过程包括：
25.步骤2-2-1：输入光谱信号；
26.步骤2-2-2：从光谱信号中分割出疑似污染物成分含量；
27.步骤2-2-3：将光谱信号与步骤2-2-2得到的污染物成分含量进行与操作，得到疑似污染物成分含量；
28.步骤2-2-4：对步骤2-2-3中得到的每个训练样本设定标签，记为“污染物”和“非污染物”；
29.步骤:2-2-5将步骤2-2-3得到训练样本与步骤2-2-4设定的标签一起输入到构建的卷积神经网络中进行训练，得到训练后的网络模型；
30.所述利用卷积神经网络对水源污染物成分含量进行识别，其具体过程包括：
31.步骤2-3-1：输入光谱信号；
32.步骤2-3-2：从光谱信号中分割出疑似污染物成分含量；
33.步骤2-3-3：将光谱信号与步骤2-3-2得到的污染物成分含量进行与操作，得到疑似污染物成分含量；
34.步骤2-3-4：将步骤2-3-5中得到的识别样本输入到步骤2-2-5中得到的训练后的网络模型中，进行水源污染物成分含量识别，获得水源污染物成分含量的识别结果。
35.所述步骤2-1中的输入层、卷积层c1、池化层s2、卷积层c3、池化层s4、卷积层c5、池化层s6、全连接层f7、全连接层f8和输出层分别包括：
36.输入层用于将输入的光谱信号数据进行归一化；
37.卷积层c1用于对输入的光谱信号数据卷积，进行特征提取，卷积核取11*11，步长取4；
38.池化层s2用于对卷积层c1卷积后的光谱信号进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2；
39.卷积层c3用于对池化层s2降维后的光谱信号数据卷积，进行特征提取，卷积核取5*5，步长取2；
40.池化层s4用于对卷积层c3卷积后的光谱信号进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2；
41.卷积层c5用于对池化层s4降维后的光谱信号数据卷积，进行特征提取，卷积核取3*3，步长取1；
42.池化层s6用于对卷积层c5卷积后的光谱信号进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取1；
43.全连接层f7用于设置1024个神经元，连接池化层s6输出的所有特征，设置relu函数为激活函数；
44.全连接层f8用于设置512个神经元，与全连接层f7的神经元全连接，设置relu函数为激活函数；
45.输出层用于设置2个神经元，与全连接层f8的神经元全连接，对输出结果进行二分类；
46.所述采用自适应的池化方法进行特征提取的具体步骤包括：
47.步骤a-1：根据公式计算均值池化的池化因子ω1，f
ij
为特征图谱在位置(i,j)处的像素值，sum为池化域中所有像素之和，e为自然对数的底，θ为校正误差；
48.步骤a-2：根据公式计算最大值池化的池化因子ω2；其中，max为池化域中的最大值，mean为池化域中除去最大像素后剩余像素的均值；
49.步骤a-3：根据公式计算池化区域的大小；其中，i为横坐标；j为纵坐标；s为池化方式的步长；
50.步骤a-4：按照步骤一中池化层s2、池化层s4和池化层s6设计的池化步长，重复步骤a-3，直至计算完所有池化区域。
51.本发明与现有技术相比具有以下优点：
52.本发明以丹江饮用水源中持久性有机污染物和重金属为研究对象，基于红外光谱增强技术，采用化学计量学方法构建如丹江这样的饮用水源中多种微量有机污染物和重金属的高通量分析模型，为如丹江这样的饮用水源中持久性有毒污染物的检测提供一种绿色分析方法。
53.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
54.图1为本发明的一实施例的整体技术路线图。
55.图2为本发明的自制装置的结构图。
56.图3为本发明的一实施例的系统验证结果图。
具体实施方式
57.本发明的实施例以如丹江这样的饮用水源中持久性有机污染物和重金属两类有毒污染物为研究对象，利用红外光谱分析技术，采用自行设计的污染物富集检测装置，在充分研究分析对象和富集材料相互作用的基础上，采用原位测量的方式，对富集后的污染物进行红外光谱分析；结合化学计量学方法对增强后的红外光谱进行定量分析，研究适合强背景光谱(富集材料的红外光谱)干扰下弱信息的提取方法；通过上述研究为如丹江这样的饮用水源中持久性有毒污染物的高通量计量监测提供一种绿色的分析方法。因此，本发明不仅具有理论价值，同时也具有实践意义，具体而言：
58.(1)通过对红外光谱增强方法国内外研究现状的分析可知，采用吸附富集的红外光谱增强方法，本发明既可以增强微量成分的红外光谱响应，同时还可以达到在线实时快速检测的目的；
59.(2)多元校正理论的日趋成熟，为微量污染物红外光谱信息的提取和计量提供理论和方法依据，保证项目顺利完成。从而为有毒污染物的检测提供一种绿色环保的分析方法。
60.下面将结合附图和实施例对本发明做进一步地说明。
61.如图1-图3所示，基于卷积神经网络的水源污染物检测系统，包括容器1，所述容器
1的底部连通有两个分别设置有第一阀门2和第二阀门3的分支管道4，在两个所述分支管道4中分别填充有第一吸附材料5和第二吸附材料6，可调速循环泵7通过管道来同所述容器1和两个所述分支管道4连通。
62.所述第一阀门2和第二阀门3的数量均为若干个。
63.还包括光谱仪8，所述光谱仪8与上位机9连接；
64.所述光谱仪8通过光纤10来对第一吸附材料5和第二吸附材料5采集光谱信息。
65.所述第一吸附材料5和第二吸附材料6旁的分支管道4上还设置有用于填充吸附材料的再生接口11。
66.所述基于卷积神经网络的水源污染物检测方法，包括：
67.步骤1：富集材料与饮用水源中持久性有毒污染物间吸附行为的确定，其包括：
68.通过设定的富集装置，分别对富集材料、富集温度以及如时间和ph值这样的最佳富集条件进行优化和选择，确定适用于如丹江这样的饮用水源中各类持久性有毒污染物富集的最佳富集材料和吸附条件；
69.步骤2：基于红外光谱的持久性有毒污染物定量分析模型的建立，其包括：
70.通过采用合理的数据预处理方法和变量筛选方法，建立强吸附材料背景下弱红外响应信号的信息提取方法；分析基于特征近红外信息的线性和非线性校正方法；分析多模型算法在增强红外光谱模型构建中的应用和改进，建立一种分析精度高，重现性好的如丹江这样的饮用水源的持久性有毒污染物定量分析方法。
71.这样，所述基于卷积神经网络的水源污染物检测系统的方法的关键点在于如下所示：
72.一、吸附稳定、容量大以及通用性好的富集材料的选择和吸附条件优化，即为：
73.由于富集效率决定于富集材料和富集对象的理化性质。富集材料选择不合理，不仅无法实现微量污染物的稳定、有效富集，而且对富集材料再生和重复利用环节是一个挑战；因为物理吸附过程进行的特别快，参与吸附的各相间瞬间达到平衡，吸附剂再生容易，但吸附的稳定性差；化学吸附过程进行缓慢，吸附平衡也需要很长时间，吸附剂再生困难，但吸附比较稳定。拟通过考察如丹江这样的饮用水源中持久性有机污染物和重金属污染物的理化性质，结合传统的理化分析方法，分别从吸附材料的极性、吸附材料的颗粒度、吸附温度控制以及调节吸附环境的ph值等方面进行优化，确定吸附稳定性、吸附速度和富集材料再生的难易程度三个因素兼顾的最佳平衡点。
74.二、弱信号信息提取和计量算法研究及评价标准，即为：
75.由于树脂类富集材料具有很强的红外吸收，在本发明中，采集的光谱是富集材料和富集污染物共同响应的结果。因此，相对于树脂强的红外吸收光谱，污染物的红外响应信息极其微弱，因此需要结合信息提取方法和建模算法，才能最终得到较好的定量分析结果。拟采用不同的光谱预处理方法、变量优选方法和(非)线性多模型共识算法来提高模型的预测精度，以校正相关系数(rc)、交叉验证均方根误差(rmsecv)、预测均方根误差(rmsep)和预测相关系数(rv)以及akaike信息标准(aic)五项指标对校正结果进行评价。
76.本发明的一实施例：以如丹江这样的饮用水源中持久性有机污染物和重金属为研究对象，基于红外光谱增强技术，采用化学计量学方法构建饮用水源中多种微量有机污染物和重金属的高通量分析模型，为如丹江这样的饮用水源中持久性有毒污染物的检测提供
一种绿色分析方法。
77.根据以上所述发明的内容，本实施例以实现如丹江这样的饮用水源持久性有机污染物和重金属的增强红外光谱定量检测为目的，采取实验分析、方法研究和模型设计、应用验证相结合的研究方法，整体技术路线如图1所示。
78.所述富集材料与饮用水源中持久性有毒污染物间吸附行为的确定是通过实验分析而获得的，具体包括：
79.通过吸附实验，结合常规化学分析法，获得关于不同富集材料、不同颗粒度、不同流速、不同ph值、不同吸附时间的持久性有毒污染物的红外光谱数据；对获得的光谱信号进行分析，研究不同吸附条件下红外光谱间的差异，确定各类持久性有毒污染物的最佳富集材料和吸附条件。
80.所述基于红外光谱的持久性有毒污染物定量分析模型的建立，具体包括：
81.对所述系统采集的污染物的红外光谱采用不同的光谱预处理方法、光谱建模变量筛选方法以及建模算法，确定最佳模型参数，建立具有自学习功能的、具有较高稳健性的污染物的定量分析模型。
82.所述基于卷积神经网络的水源污染物检测系统的方法，还包括：
83.系统验证和理论总结，所述系统验证和理论总结包括：
84.将研究的方法和模型转化为一套实际的装置，在所建立的基于富集材料红外增强光谱的污染物检测系统上进行应用验证，根据验证结果进一步修正设计的方法、模型和算法，最终达到解决水源污染物检测的目的。以此进一步揭示持久性有毒污染物红外光谱检测背后的科学问题，总结试验过程发现的规律，为实际污染物快速检测提供理论基础和方法指导。
85.所述实施例的方法，具体如下；
86.一、富集材料与饮用水源中持久性有毒污染物间吸附行为分析：
87.以丹江饮用水源中持久性有机污染物(多酚类污染物)和重金属(铬、铅)为研究对象，采用自制富集装置进行循环富集，以溶液中残留的污染物含量为检测目标，通过调节富集温度、流动速度、吸附时间、吸附环境的ph值等因素，寻找最佳富集条件，该寻找最佳富集条件的具体过程如下：
88.(1)实验仪器装置与检测参数：
89.采用布鲁克公司的tensor 37多功能红外光谱仪(通过更换附件，采用光纤引出，实现红外光谱的采集)，其光谱检测范围为780
–
2500nm，光谱采样间隔为2nm。
90.(2)实验样本：
91.本实验选取不同区域、不同深度的丹江饮用水源中苯酚类有机污染物和重金属铬、铅为定量分析目标物，选用高分子材料作为富集材料。
92.(3)实验过程：
93.首先利用如图2所示的自制装置，将采集的水样放入大体积容器，通过可调速循环泵体的作用，通过调节流速、温度、吸附时间以及ph值，结合气相色谱和icp-aes分析仪分别对容器的溶液中的残留苯酚类污染物和重金属铬和铅离子浓度进行测定，确定各种污染物富集的最佳条件。
94.二、基于红外光谱的持久性有毒污染物定量分析模型研究：
95.以增强红外光谱为处理对象，分别采用光谱预处理方法、变量筛选方法和模型校正方法构建微量污染物含量与红外增强光谱间的数学模型。具体过程如下：
96.(1)光谱预处理：
97.分别采用sg平滑导数、多元散射校正(msc)、分段多元散射校正(pmsc)、正交信号校正(osc)、矢量归一化(snv)以及小波近似导数(wtd)的光谱预处理方法对融合光谱进行预处理，结合偏最小二乘回归方法建立模型，以模型的交叉验证均方根误差(rmsecv)和校正相关系数(rc)为评价标准，确定最佳的光谱预处理方法。
98.(2)变量筛选方法：
99.以预处理后的红外融合光谱为研究对象，分别采用蒙特卡洛无信息变量消除方法(mcuve)、竞争自适应加权采样方法(cars)、互信息方法(mi)、连续投影方法(spa)以及改进算法(mc-cars、mc-spa)对光谱变量进行筛选，结合偏最小二乘回归方法建立模型，以模型的rmsecv、rc以及aic作为评价标准，选择最佳的变量筛选策略。
100.(3)校正模型构建：
101.以变量优选后的红外融合光谱为基础，构建污染物含量与红外光谱间的数学模型。考虑到污染物含量与光谱间可能存在线性或非线性关系，分别采用pls、lssvm、lle-pls、concensus-pls、concensus-lssvm、boosting-pls多元校正方法建立计量模型；建模结果采用r
msecv
和rc作为评判标准。
102.(4)模型的验证和应用
103.重新收集水样，进行富集和红外光谱采集，将光谱进行融合并带入已知模型进行预测，以预测均方根误差(r
msep
)和预测相关系数(rp)为评价指标，对预测结果进行统计分析，进一步修正算法，直至满足各类污染物定量分析要求。
104.所述建立具有自学习功能的、具有较高稳健性的污染物的定量分析模型的方式，包括：
105.步骤2-1：构建卷积神经网络结构，所述卷积神经网络结构包括输入层、卷积层c1、池化层s2、卷积层c3、池化层s4、卷积层c5、池化层s6、全连接层f7、全连接层f8和输出层；
106.步骤2-2：训练卷积神经网络；
107.步骤2-3：利用卷积神经网络对水源污染物成分含量进行识别。
108.所述训练卷积神经网络的具体过程包括：
109.步骤2-2-1：输入光谱信号；所述输入光谱信号包括用所述光谱仪通过光纤采集所述第一吸附材料或第二吸附材料的光谱信号，并输入到上位机中。
110.步骤2-2-2：从光谱信号中分割出疑似污染物成分含量；
111.步骤2-2-3：将光谱信号与步骤2-2-2得到的污染物成分含量进行与操作，得到疑似污染物成分含量；
112.步骤2-2-4：对步骤2-2-3中得到的每个训练样本设定标签，记为“污染物”和“非污染物”；
113.步骤:2-2-5将步骤2-2-3得到训练样本与步骤2-2-4设定的标签一起输入到构建的卷积神经网络中进行训练，得到训练后的网络模型；
114.所述利用卷积神经网络对水源污染物成分含量进行识别，其具体过程包括：
115.步骤2-3-1：输入光谱信号；所述输入光谱信号包括用所述光谱仪通过光纤采集所
述第一吸附材料或第二吸附材料的光谱信号，并输入到上位机中。
116.步骤2-3-2：从光谱信号中分割出疑似污染物成分含量；
117.步骤2-3-3：将光谱信号与步骤2-3-2得到的污染物成分含量进行与操作，得到疑似污染物成分含量；
118.步骤2-3-4：将步骤2-3-5中得到的识别样本输入到步骤2-2-5中得到的训练后的网络模型中，进行水源污染物成分含量识别，获得水源污染物成分含量的识别结果。
119.所述步骤2-1中的输入层、卷积层c1、池化层s2、卷积层c3、池化层s4、卷积层c5、池化层s6、全连接层f7、全连接层f8和输出层分别包括：
120.输入层用于将输入的光谱信号数据进行归一化；
121.卷积层c1用于对输入的光谱信号数据卷积，进行特征提取，卷积核取11*11，步长取4；
122.池化层s2用于对卷积层c1卷积后的光谱信号进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2；
123.卷积层c3用于对池化层s2降维后的光谱信号数据卷积，进行特征提取，卷积核取5*5，步长取2；
124.池化层s4用于对卷积层c3卷积后的光谱信号进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2；
125.卷积层c5用于对池化层s4降维后的光谱信号数据卷积，进行特征提取，卷积核取3*3，步长取1；
126.池化层s6用于对卷积层c5卷积后的光谱信号进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取1；
127.全连接层f7用于设置1024个神经元，连接池化层s6输出的所有特征，设置relu函数为激活函数；
128.全连接层f8用于设置512个神经元，与全连接层f7的神经元全连接，设置relu函数为激活函数；
129.输出层用于设置2个神经元，与全连接层f8的神经元全连接，对输出结果进行二分类。
130.所述采用自适应的池化方法进行特征提取的具体步骤包括：
131.步骤a-1：根据公式计算均值池化的池化因子ω1，f
ij
为特征图谱在位置(i,j)处的像素值，sum为池化域中所有像素之和，e为自然对数的底，θ为校正误差；
132.步骤a-2：根据公式计算最大值池化的池化因子ω2；其中，max为池化域中的最大值，mean为池化域中除去最大像素后剩余像素的均值；
133.步骤a-3：根据公式计算池化区域的大小；其中，i为横坐标；j为纵坐标；s为池化方式的步长；
134.步骤a-4：按照步骤一中池化层s2、池化层s4和池化层s6设计的池化步长，重复步骤a-3，直至计算完所有池化区域。
135.对本实施例采用采用r
msep
(root mean square error of prediction)、验证集相关系数rv和相对分析误差r
pd
三个指标对该水源污染物检测系统进行评价。
136.(1)r
msep
如下所示：
[0137][0138]
式(1)中，y
i,actual
表示第i个样本的参考值，y
i,predicted
为第i个样本的预测值，m代表验证集样本的个数，n和m的值相同，r
msep
表示预测标准偏差，r
msep
越小表示模型的预测精度越好。
[0139]
(2)验证集相关系数rv如下所示：
[0140][0141]
式(1-2)中，y
i,actual
表示第i个样本的参考值，表示验证集预测过程第i个样本多次测量的平均值，y
i,predicted
表示第i个样品的预测值，n为验证集的样本数量，rv越接近于1，系统的预测稳定性越好。
[0142]
(3)相对分析误差r
pd
如下所示：
[0143][0144]
通常r
pd
≤2表示模型的预测结果不可以接受，当r
pd
≥5时模型的预测结果较好，且模型较稳定。
[0145]
这样系统验证如下：
[0146]
采用污水中nh4 含量对系统的预测可靠性进行验证，通过定量计算系统的精度指标为rv＝0.95867，r
msep
＝1.912，r
pd
＝5.681，系统对污水中的有机污染物含量具有较好的预测精度与预测稳定性。
[0147]
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。