基于神经网络预测溶液pH值文献综述

文献综述（或调研报告）：

指示剂的显色，能随着溶液pH的变化而改变颜色的物质叫做酸碱指示剂。酸碱指示剂通常是一些结构比较复杂的有机弱酸或有机弱碱，其共轭酸碱对具有不同的结构和颜色。当溶液pH发生变化时，指示剂得到质子，由碱式转化为酸式结构；或者指示剂失去质子，由酸式转化为碱式结构。由于结构发生变化，从而引起颜色的变化。通过不同pH溶液显色出不同程度的颜色深度，从而通过吸光光度法将其转变为光信号[1][2]。

吸收光度法利用电磁辐射与物质之间的相互作用（如光的吸收、发射、散射、衍射等）来定性辨别和定量测定待测物的分析方法称为光学分析法[14]。物质对电磁辐射的吸收位置不同、吸收强度不同，反映了该物质在不同的电磁辐射区域内吸收能力的分布情况，为研究物质的内部结构提供了重要的信息，知识吸光光度法对物质进行定性鉴别和定量分析的基础[15]。有些吸光物质的溶液是有色的，有色溶液颜色的深浅（或吸光度大小）与其中吸光物质的浓度有关，浓度越大，其颜色越深，吸光强度越大，此即为吸光光度法可以对物质进行定量分析的基础。

通过二极管和相应电路构成的稳压电路，将不同浓度溶液吸收后的光照射在二极管上得到不同的电压值，进一步的将光信号转化成为电信号从而输入ph预测系统中。

神经网络是被广泛应用于分类，模式识别，函数近似和预测问题等的生物优化模型。 最流行的神经网络模型是多层感知器[9][10]。 它由称为神经元的简单计算单元组成，它们以层的方式互连和组织，使得神经元的输出值用作下一层的所有神经元的输入。神经元的通常操作是施加在中间层中的其输入的加权和上的S形函数，以及在最后一层中的线性函数[11][12]。

神经网络的原理和可行性：在第一层的神经元的输入必须是要解决的问题的独立变量，而在最后一层的神经元的输出是网络响应和问题的因变量的近似[3][4]。 该过程在等式4中被深入描述.（1）和（2）,其中（）是层l处的第i个神经元的输出值，是从层l-1处的第j个神经元到i 第i层神经元数目，N1是层l处神经元的数目，样本P中第j个独立变量的值，L是网络中的层数,是与第i层匹配的偏差值 在层l的第i个神经元[13]。

神经网络的训练包括神经元输入和偏差的权重的优化[5][6]，使得网络能够根据误差测量提供问题的因变量的适当近似。 使用最广泛误差准则是网络输出与其期望值之间的均方误差（MSE）的最小化，如等式 （3）对于一组样本，最好的已知训练算法是反向传播。 然而，准牛顿优化技术如BFGS

Levenberg-Marquardt在过去十年中被用于训练神经网络[7]，并取得了有希望的结果。所以我们采用神经网络的方法用于本项目中。

神经网络在labview中的实现：

由于Matlab具有强大的数学运算能力以及在测控领域的广泛应用。在LabVIEW中提供了MatlabScript节点，用户可在节点中编辑Matlab程序，并在Lab—VIEW中运行；也可以在LabVIEW程序运行时直接调用已经存在的Matlab程序，如使用节点则必须在系统中安装Matlab5以上版本，在写入Matlab节点前要将程序先调试通过，并确保其中变量的数据类型匹配。