基于bp神經網絡的氯化石蠟氯含量間接檢測方法
【技術領域】
[0001] 本發明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。
【背景技術】
[0002] 氯化石蠟是C1。一C3。的正構烷烴的氯化衍生物，其通式為C nH2n+2 XC1X，式中η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。
【發明內容】
[0003] 為了克服上述現有技術的不足，本發明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。本發明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： (I) 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。
[0004] 本發明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（Artificial Neural Network，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。
[0005] 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。
[0006] 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。
[0007] 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η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_編德: 絡的輸出雜_，節點i的輸出為親::，現在研究第1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1-1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：
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（1+1)的輸入，計算
要從（1+1)層算回來。
[0008] 在（1+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