本发明属于海洋水质检测,具体涉及一种基于紫外可见光谱的海洋水质信号的处理方法。
背景技术:
1、人类活动对海洋造成了大范围的污染,致使海洋各项功能区的环境指标被破坏,需求无法被满足。海洋水质污染主要包括有机物污染、硝酸盐污染、固体悬浮物污染。化学需氧量反映了水体被还原性有机污染物的破坏程度。而传统检测方式测量化学需氧量、硝酸盐、浊度等耗时耗能、检测步骤繁琐。同时其他的化学测量方式将会产生新的污染物。魏康林等人研究了基于光谱分析的多参数水质监测与预警系统。闫鹏程等人使用激光诱导荧光技术(laser-induced fluorescence,lif)结合长短时记忆神经网络(long short-termmemory networks,lstm)实现矿井水源识别。
2、在朗伯比尔定律的基础上通过光谱分析实现海洋水质检测作为一种高效便捷无污染的新型水质检测方式得到快速发展。本发明在朗伯比尔定律的基础上,通过改进连续投影算法(successive projections algorithm,spa),实现多参数的特征提取。通过特征提取后不同待测物质在不同特征波长处的吸光度值,建立基于长短期记忆神经网络(longshort-term memory networks,lstm),实现海洋水质多参数检测。相对于传统的水质检测方法而言,本发明的spa-lstm海洋水质检测方法对连续光谱的海洋水质实现多参数精确测量,避免蓝移效应等对测量结果的影响。提高测量精度的同时,确保检测方式更加安全、可靠无污染。此外该检测方法不受检测地点限制可实现多个待测参量的浓度检测,将获取的基于紫外可见光谱波段的海洋水质信号传输至远程上位机实时处理。
技术实现思路
1、本发明的目的是为了克服传统水质检测方法耗时耗能、步骤繁琐且有新的污染物生成的问题而提出一种高效、便捷、无污染的新型海洋水质检测方法。本发明在朗伯比尔定律的基础上,通过改进连续投影算法(successive projections algorithm,spa),实现多参数的特征提取。通过特征提取后不同待测物质在不同特征波长处的吸光度值,建立基于长短期记忆神经网络(long short-term memory networks,lstm),实现对海洋水质检测中主要待测参量如化学需氧量、硝酸盐和浊度的精确测量。
2、本发明的目的是这样实现的:包括如下步骤:
3、1.配制溶液;
4、2.针对不同待测物质获取其不同浓度下的紫外可见光谱的吸光度值。
5、3.数据预处理:根据朗伯比尔定律中吸光度可叠加性,将步骤2中提取到的不同待测物质的特征光谱,构成新的数据集。将该数据集中的数据进行分组,分别为60%的训练集、20%的交叉验证集、20%的测试集。
6、4.根据待测溶质不同浓度下的光谱特征,利用连续投影算法,提取出不同待测物质的特征波段的吸光度值。
7、5.将步骤3中获取的数据集,引入长短期神经网络(long short-term memorynetworks,lstm),构建多参数浓度预测模型。
8、6.模型预测与性能测试
9、上述检测方法基于朗伯比尔定律实现混合溶液溶质浓度预测。朗伯比尔定律指出当一束单色平行光垂直通过均匀的非散射溶液时,光强由初始的i0衰减的i,这种衰减与溶液的摩尔吸光系数、溶液浓度以及光程有关。
10、a=-lg(t)=-lg(i/i0)=εcλ (1)
11、式中a为吸光度,t为透射率,i0为紫外光源led初始光强,i为探测器接收到的光强,ε为摩尔吸收系数,c为待测溶液浓度,λ为光程。
12、当混合溶液中存在两种或两种以上对光有吸收的物质,在同一波长下共存物质不互相影响,则该混合溶液中总吸光度为共存物质各组分的吸光度之和。
13、a=aa+ab+ac+...... (2)
14、式中a为总吸光度,aa、ab、ac……为混合溶液中共存物质各组分的吸光度。
15、进一步地,步骤4中通过一种基于前向特征的连续投影算法实现多元变量选择。基于紫外可见光谱混合溶液的吸光度矩阵是由多个待测参量构成的连续光谱下的吸光度矩阵。将其中的每一个不同浓度的待测参量在连续光谱下的不同波长处的吸光度值作为向量,进行投影分析,以投影向量最大的波长作为特征波长。连续投影算法有如下步骤:
16、1.任取矩阵x(m,j)中的第j列,命名为向量xj即xk(0)作为初始迭代向量。
17、2.矩阵s是尚未选择的波长集
18、
19、3.计算向量xj在xk(n-1)的正交子空间中的投影
20、
21、4.在n次迭代所选择的波长中,提取能使最大的子集
22、
23、5.让
24、6.让n=n+1,当n<n返回步骤17.提取的波长为{k(n);n=0,1,2,3......n-1}
25、式中x(m,j)混合溶液的吸光度矩阵,m为待测混合溶液,j为紫外可见光谱波段。y(m,a)混合溶液中多个待测参量的浓度矩阵,a为多个待测物质。n为最大迭代次数,n为第n次迭代,k(n)是第n次迭代中选择的波长。
26、进一步地,步骤5中通过长短期记忆(long short-term memory networks,lstm)循环神经网络处理不同浓度多种待测物质特征光谱数据。(long short-term memorynetworks,lstm)长短期记忆神经网络由于其循环结构特性包括遗忘门、输入门、输出门三大结构并具有传输带保持记忆,适合处理时间序列数据。时间序列是指随着时间推移信号呈现一定的规律,而光谱数据是指随着波长变换对应的吸光度呈现一定的规律,因此光谱数据满足时间序列数据特点。
27、输入门:
28、it=σ(xtwxi+ht-1whi+bi) (6)
29、遗忘门:
30、ft=σ(xtwxf+ht-1whf+bf) (7)
31、输出门:
32、ot=σ(xtwxo+ht-1who+bo) (8)
33、输入门、遗忘门、输出门使用激活函数sigmoid,sigmoid函数的输出在0~1之间,当输入或输出较大或较小时,输出会非常接近1或者0,符合门控的物理意义。生成候选记忆细胞时使用双曲正切函数tanh作为激活函数,其输出在-1~1之间。
34、当前时间步候选记忆细胞:
35、
36、记忆细胞:
37、
38、隐藏状态:
39、ht=ot⊙tanh(ct) (11)
40、式中当前时间步为t,上一时间步为t-1,输入数据xt∈rn*d,隐藏状态ht∈rn*h,σ为全连接层与激活函数。
41、与现有技术相比,本发明的有益效果是:本发明在朗伯比尔定律的基础上,通过改进连续投影算法(successive projections algorithm,spa),实现多参数的特征提取。通过特征提取后不同待测物质在不同特征波长处的吸光度值,建立基于长短期记忆神经网络(long short-term memory networks,lstm),实现海洋水质多参数检测。相对于传统的水质检测方法而言,本发明所提出的通过紫外可见连续光谱的吸光度矩阵可以避免光谱蓝移对浓度预测的影响,提高预测精度,同时本发明可实现多个待测参量的浓度预测,有效的拓展了海洋水质检测参数。此外本发明将获取的基于紫外可见连续光谱的海洋水质信号传输至远程上位机实时处理,更加安全、可靠无污染,不受检测地点限制。