CN101923649A - 一种基于荧光光谱的溢油种类识别方法 - Google Patents

Abstract

本发明公开了一种基于荧光光谱的溢油种类识别方法，包括建立溢油识别模型的过程，以及通过溢油识别模型识别溢油种类的过程；建立溢油识别模型的过程包括建立初次识别模型的步骤和建立二次识别模型的步骤，其中，建立二次识别模型的步骤是基于已知溢油种类的光谱、利用粒子群优化算法选择全局最优二次识别模型；通过溢油识别模型识别溢油种类的过程包括采用初次识别模型识别溢油种类的步骤以及根据初次识别结果判断是否采用二次识别模型进行识别的步骤。本发明通过分层次的识别分类方法，增加了可识别溢油种类的数量，提高了方法的识别效率和自适应能力。

Description

一种基于荧光光谱的溢油种类识别方法

技术领域

本发明涉及一种模式识别方法，具体地说，是涉及一种基于荧光光谱的溢油种类识别方法，属于遥感监测技术领域。

背景技术

在诸多海面油污染遥感监测手段中，机载激光荧光雷达是最有效和最具潜力的一种，它利用不同溢油的荧光光谱特征不同的特性对溢油种类进行识别，可获取高空间分辨率、高精度的溢油信息，帮助相关部门做出溢油应急措施的决策。

目前，美国、法国、加拿大、德国、日本等国均发展了机载海洋激光荧光雷达系统用于监测海面油污染。在系统中比较重要的数据处理和分析环节中，这些典型的系统主要采用相关或距离度量等简单分类算法或者神经网络、支持向量机等较复杂的模式识别方法对溢油种类进行识别。由于机载海洋激光荧光雷达系统的光谱采集通道数和采样频率的限制，根据采集得到的溢油荧光光谱通常只将溢油分为三至四类。如：加拿大的SLEAF系统应用Pearson相关系数及主成分分析方法判定是否发生油污染，并将石油产品粗略分为轻油、原油和重油。德国Oldenburg大学先后采用主成分分析、通道相关方法、神经网络和支持向量机等方法用于溢油识别，识别的类别为轻油、原油和重油。日本船舶研究所利用荧光寿命特征鉴别石油，采用匹配方法将石油分为轻油、A重燃料油、C重燃料油和原油。

上述方法都只将溢油荧光光谱粗略分为三至四类，能够识别的溢油类别有限。另外，这些方法均是基于各系统测得的不同种类溢油的荧光光谱、结合该领域的专家知识经过实验探索而得来，一方面研究过程比较费力；另一方面，这些方法的自适应能力较弱，如果荧光光谱库中增加了新的溢油荧光光谱，则整个识别方法研究过程可能需要重新进行，费时费力，使用不便。

发明内容

本发明针对现有技术中溢油种类识别方法存在的可识别种类有限、识别过程复杂、自适应能力弱的问题，提供了一种基于荧光光谱的溢油种类识别方法，通过分层次的识别分类方法，增加了可识别溢油种类的数量，提高了方法的识别效率和自适应能力。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种基于荧光光谱的溢油种类识别方法，包括建立溢油识别模型的过程，以及通过溢油识别模型识别溢油种类的过程；

建立溢油识别模型的过程包括建立初次识别模型的步骤和建立二次识别模型的步骤；

建立初次识别模型的步骤包括建立标准匹配光谱库的子步骤和建立模型算法的子步骤，所述标准匹配光谱库中包括有待识别的溢油种类的参考光谱；

建立二次识别模型的步骤是基于已知溢油种类的光谱、利用粒子群优化算法选择全局最优二次识别模型；

通过溢油识别模型识别溢油种类的过程包括采用初次识别模型识别溢油种类的步骤以及根据初次识别结果判断是否采用二次识别模型进行识别的步骤。

具体地，若采用所述初次识别模型识别出溢油种类，则结束识别过程；若采用所述初次识别模型未识别出溢油种类，则采用所述二次识别模型进行识别。

如上所述的识别方法，所述初次识别模型采用光谱信息离散SID与光谱角度匹配SAM相结合的算法；所述标准匹配光谱中的参考光谱是对相同溢油种类的光谱求平均值后得到的光谱。

进一步地，所述光谱信息离散SID与所述光谱角度匹配SAM相结合的算法为SID(t，r)×tan(SAM(t，r))或SID(t，r)×sin(SAM(t，r))中的一种；其中，t为待识别光谱，r为所述标准匹配光谱库中的参考光谱。

如上所述的识别方法，所述二次识别模型包括有预处理算法、特征提取与选择算法及分类器，利用粒子群优化算法选择全局最优二次识别模型包括下述子步骤：

a、初始化粒子群S＝{x₁，x₂，…，x_m}，初始化迭代次数t＝0：

粒子群中的粒子为

i＝1，2，…m，m为粒子群中的粒子数；x_i，pre为多种预处理算法中的一种，

为x_i，pre预处理算法对应的参数，N_pre为预处理算法的输入参数个数；x_i，fs为多种特征提取与选择算法中的一种，

为x_i，fs特征提取与选择算法对应的参数，N_fs为特征提取与选择算法的输入参数个数；x_i，sel为二进制变量，用于表示预处理算法在特征提取与选择算法之前或之后进行；x_i，class为多种分类器中的一种，

为x_i，class分类器对应的参数，N_class为分类器的输入参数个数；

b、将粒子群中的每个粒子x_i解码为具体的识别模型，利用已知溢油种类的光谱训练识别模型，根据训练后的模型的泛化误差确定每个粒子的当前最佳位置P_i及粒子群S的当前最佳位置P_glo，其中，P_glo对应于每个粒子的当前最佳位置P_i对应的识别模型中泛化误差最小的识别模型；

c、调整每个粒子x_i的搜索速度v_i(t+1)和位置x_i(t+1)：

设D维搜索空间中，粒子x_i在第t步迭代时所处位置x_i(t)＝(x_i1，x_i2，…，x_iD)，搜索速度v_i(t)＝(v_i1，v_i2，…，v_iD)，则根据以下公式更新其在第t+1步迭代的搜索速度和位置：

v_ij(t+1)＝wv_ij(t)+c₁r₁(p_ij-x_ij(t))+c₂r₂(p_gi-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

j＝1，2，…，D；

其中，w为权重值；c₁和c₂是学习因子，为常数；r₁和r₂为[0，1]范围内的随机数；

d、在迭代次数t小于预设的迭代次数时，令t＝t+1，重复上述步骤b、c；若迭代次数t等于预设的迭代次数，则停止迭代；

e、输出粒子群S的最佳位置P_glo，P_glo所对应的识别模型即为全局最优二次识别模型。

如上所述的识别方法，为防止识别过程的过拟合，在所述步骤b中，采用k重交叉验证方法训练识别模型并计算模型的泛化误差。

如上所述的识别方法，在识别原油和重质残渣燃料油两类溢油种类时，利用粒子群优化算法选择的全局最优二次识别模型中，预处理算法为取对数算法，特征提取与选择算法为过滤式特征选择方法中的Relief算法，分类器为最小二乘支持向量机。

其中，所述最小二乘支持向量机的核函数为：

K(x₁，x₂)＝(1+x₁·x₂)³exp(-4.95||x₁-x₂||²)，其中“·”为向量内积运算符。

如上所述的识别方法，为消除噪声及其他干扰、便于光谱的识别，在建立溢油识别模型以及通过溢油识别模型识别溢油种类时所用的光谱为原始光谱去除背景噪声并归一化处理后的光谱形状矢量。

如上所述的识别方法，可采用下述方法对原始光谱去除背景噪声并归一化处理：设溢油荧光光谱接收通道i＝1，2，…n，n为接收通道总数，第i个通道接收的原始光谱信号强度为S_i，油膜光谱信号强度为OS_i，油膜衰减前的水体拉曼散射信号强度为W_R，经油膜衰减后的水体拉曼散射信号强度为S_R，无油膜时水体的反射荧光信号强度及水体拉曼散射信号总强度为W_i，第i个通道的油膜光谱信号强度通过下式计算：OS_i＝S_i-(S_R/W_R)×W_i；则n个接收通道对应的油膜光谱信号总强度为OS＝[OS₁，OS₂，…，OS_n]，建立溢油识别模型以及通过溢油识别模型识别溢油种类时所用的光谱形状矢量为OS′＝[OS₁′，OS₂′，...，OS_n′]，其中，

${\mathrm{OS}}_i^{\′}=n*{\mathrm{OS}}_i/{\mathrm{\Σ}}_{i=1}^n{\mathrm{OS}}_i.$

与现有技术相比，本发明的优点和积极效果是：

1、通过分层次的识别分类方法，利用初次识别模型可识别出轻质油、中质油及原油，利用二次识别模型可识别出原油及重质残渣燃料油，与现有溢油识别方法相比，增加了可识别溢油种类的数量，提高了基于荧光光谱的溢油种类识别精确度。

2、利用粒子群优化算法自动建立最佳的二次识别模型，在用于模型训练的已知溢油种类光谱不变化时，只需创建一次最佳二次识别模型；若用于模型训练的已知溢油种类光谱发生了变化，由于引入了粒子群优化算法，只需通过计算机自动进行粒子群模型的识别即可获得新的最佳二次识别模型，提高了模型选择的效率和自适应能力。

3、本发明所述分层次溢油种类识别方法简单、快速、有效，尤其适合于机载实时溢油监测系统的应用。

结合附图阅读本发明的具体实施方式的详细阐述后，本发明的其他特点和优点将变得更加清楚。

附图说明

图1是本发明基于荧光光谱的溢油种类识别方法一个实施例的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步详细的说明。

首先，简要说明本发明所述溢油种类识别方法的出发点：通过分析激光荧光雷达系统测量得到的各种油荧光光谱特征发现，90#汽油、93#汽油及97#汽油等轻质油与柴油等中质油以及润滑油这三类油的荧光光谱形状特征差异比较明显，且较之原油及重质残渣燃料油，它们的光谱峰值前移，峰值波长相对较短，容易区分。而原油和重质残渣燃料油的光谱形状特征差异较小，且不能简单地进行线性区分。基于上述光谱特征分析，本发明采用分层次的溢油种类识别方法，可识别出上述五类溢油种类，与现有识别方法相比，提高了溢油识别的种类及识别的准确率。

图1示出了本发明基于荧光光谱的溢油种类识别方法一个实施例的流程图。

如图1所示，该实施例的溢油种类识别方法包括建立溢油识别模型的过程1和通过溢油识别模型识别溢油种类的过程2。

在应用该方法进行溢油种类识别时，不管在建立溢油识别模型的过程1还是在识别溢油种类的过程2，均需要荧光光谱数据。由于在利用激光雷达系统进行海面溢油实际测量时，所接收到的总信号为海面油膜荧光信号、穿透油膜的水体反射荧光信号及水体拉曼(Raman)散射信号之和，海面油膜荧光信号受其他海水背景信号的影响而可能会失真：若油膜较厚或油对海水荧光的消光系数较大，则激发的海水荧光可完全被油膜衰减；若油膜较薄或油对海水荧光的消光系数较小，则激发的海水荧光不能完全被衰减，从而叠加到油荧光信号中。因此，需要对原始采集的溢油光谱去除背景噪声。此外，虽然溢油荧光强度受激光能量、油膜厚度等多种因素的影响而有所不同，但不同强度荧光光谱的形状基本保持不变，为消除荧光强度的干扰，将去除背景噪声后的荧光光谱强度进行归一化处理，从而得到用于建模及识别的光谱形状矢量。

对原始光谱进行去除海水背景噪声及归一化处理时，可采用下述方法来实现：设溢油荧光光谱接收通道i＝1，2，…n，n为接收通道总数，第i个通道接收的原始光谱信号强度为S_i，油膜光谱信号强度为OS_i，油膜衰减前的水体拉曼散射信号强度为W_R，经油膜衰减后的水体拉曼散射信号强度为S_R，无油膜时水体的反射荧光信号强度及水体拉曼散射信号总强度为W_i，则第i个通道的油膜光谱信号强度通过下式计算：OS_i＝S_i-(S_R/W_R)×W_i。

在上述公式中，W_R和S_R均可通过水体拉曼散射通道的总信号减去油膜荧光信号及水体荧光信号而得到；其中，拉曼散射通道中的油膜荧光信号和水体荧光信号可通过其临近通道的插值运算而获得。

获得第i个通道的油膜光谱信号强度后，则n个接收通道对应的油膜光谱信号总强度为OS＝[OS₁，OS₂，…，OS_n]，然后对其进行归一化，以获得建立溢油识别模型以及通过溢油识别模型识别溢油种类时所用的光谱形状矢量，具体方法为：归一化后的光谱形状矢量OS′＝[OS₁′，OS₂′，…，OS_n′]，其中，

建立溢油识别模型的过程1包括建立初次识别模型的步骤11和建立二次识别模型的步骤12。

其中，建立初次识别模型的步骤11包括两个子步骤：建立标准匹配光谱库的子步骤和建立模型算法的子步骤。

在该实施例中，初次识别模型主要用于识别轻质油、中质油及润滑油。考虑到这三类油的光谱形状特征差异比较明显，该实施例的初次识别模型采用光谱信息离散SID与光谱角度匹配SAM相结合的算法作为模型算法，算法实现简单、对上述三种油的光谱识别十分有效。其中，光谱信息离散SID与光谱角度匹配SAM相结合的算法选用SID(t，r)×tan(SAM(t，r))或SID(t，r)×sin(SAM(t，r))中的一种；其中，t为待识别光谱，r为标准匹配光谱库中的参考光谱。

在建立初次识别模型算法的同时，还需要建立由参考光谱构成的标准匹配光谱库，这些参考光谱包含了待识别的溢油类别的所有参考光谱。具体地，参考光谱是通过对已知的相同溢油种类的各条光谱求平均值后得到的光谱；这些已知溢油种类的各条光谱可通过实际测量海面的溢油荧光光谱获得或在实验室测量收集各种具有代表性的油荧光光谱而获得并存储于一个基础荧光光谱库中。

建立二次识别模型的步骤是基于基础荧光光谱库中已知溢油种类的光谱，利用粒子群优化算法从包含有多种预处理算法、特征提取与选择算法及分类器的识别方法库中选择全局最优二次识别模型的一个过程。

粒子群优化算法是由多个粒子组成的群共同寻找问题最优解的一种进化计算方法。在溢油种类识别模型选择中，粒子群中的一个粒子就是一个候选的二次溢油识别模型，它由不同的预处理方法、特征提取与选择方法及分类器组成。利用粒子群优化算法搜索最佳溢油识别模型时，每个粒子初始化为一个随机数字组合，每个数字元素是识别方法库中的方法代号或参数编码，该随机数字的组合就代表了一个候选溢油识别模型。因此，首先对识别方法库中的各种方法进行编码，且不同的方法分别用不同的数字表示，利用粒子群优化算法选择全局最优二次识别模型具体包括下述子步骤：

a、初始化粒子群S＝{x₁，x₂，…，x_m}，初始化迭代次数t＝0：

粒子群中的粒子为

i＝1，2，…m，m为粒子群中的粒子数；x_i，pre为多种预处理算法中的一种，为x_i，pre预处理算法对应的参数，N_pre为预处理算法的输入参数个数；x_i，fs为多种特征提取与选择算法中的一种，

为x_i，fs特征提取与选择算法对应的参数，N_fs为特征提取与选择算法的输入参数个数；x_i，sel为二进制变量，用于表示预处理算法在特征提取与选择算法之前或之后进行；x_i，class为多种分类器中的一种，

为x_i，class分类器对应的参数，N_class为分类器的输入参数个数；

b、将粒子群中的每个粒子x_i解码为具体的识别模型，利用已知溢油种类的光谱训练识别模型，根据训练后的模型的泛化误差确定每个粒子的当前最佳位置P_i及粒子群S的当前最佳位置P_glo，其中，P_glo对应于每个粒子的当前最佳位置P_i对应的识别模型中泛化误差最小的识别模型；

该实施例在确定每个粒子的当前最佳位置及粒子群S的当前最佳位置时，通过评估每个模型的识别能力，即模型泛化误差来确定。在识别过程中，为防止识别过程的过拟合，采用k重交叉验证方法训练识别模型并计算模型的泛化误差，具体方法为：把训练集随机划分为k个不相交的组，分类器训练过程中，每次都留出k组中的一组作为验证集而将其他的k-1组作为训练集。这样，分类器训练k次，得到的k个平衡识别错误率的均值就是估计的模型泛化误差。然后，根据最小的泛化误差确定每个粒子的当前最佳位置Pi及粒子群S的当前最佳位置P_glo。

c、调整每个粒子x_i的搜索速度v_i(t+1)和位置x_i(t+1)：

设D维搜索空间中，粒子x_i在第t步迭代时所处位置x_i(t)＝(x_i1，x_i2，…，x_iD)，搜索速度v_i(t)＝(v_i1，v_i2，…，v_iD)，则根据以下公式更新其在第t+1步迭代的搜索速度和位置：

v_ij(t+1)＝wv_ij(t)+c₁r₁(p_ij-x_ij(t))+c₂r₂(p_gj-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

j＝1，2，…，D；

其中，w为权重值，用来控制粒子历史速度对当前速度的影响，该实施例中取w＝0.4；c₁和c₂是学习因子，为常数，代表粒子维持自身历史速度的趋势，该实施例中取c₁＝c₂＝2；r₁和r₂为[0，1]范围内的随机数，代表粒子向粒子群历史最佳位置逼近的趋势。

d、在迭代次数t小于预设的迭代次数时，令t＝t+1，重复上述步骤b、c；若迭代次数t等于预设的迭代次数，则停止迭代；迭代次数可根据样本数量、识别精确度等实际情况选择设定，例如，可设置为50次。

e、输出粒子群S的最佳位置P_glo，P_glo所对应的识别模型即为全局最优二次识别模型。

建立了溢油初次识别模型及二次识别模型后，将利用这些识别模型识别溢油种类，从而进入识别溢油种类的过程2。

通过溢油识别模型识别溢油种类的过程2包括采用初次识别模型进行初次识别的步骤21以及根据初次识别结果判断是否进入采用二次识别模型进行二次识别的步骤22的过程。

具体地，若采用初次识别模型已识别出溢油种类，则结束识别过程；若采用初次识别模型未识别出溢油种类，则采用二次识别模型进行二次识别。

首先，采用初次识别模型进行初次识别。将待识别的油荧光光谱与标准匹配光谱库中的每一类油的参考光谱计算SID-SAM值。所计算的SID-SAM值越小，则待识别油荧光光谱与参考光谱越相似，则将待识别的油荧光光谱判定为与它计算出的SID-SAM值最小的参考光谱代表的那一类。若初次识别结果为轻质油、中质油或润滑油，则识别过程结束，输出溢油种类；否则，进入二次识别模型继续识别溢油种类。

然后，采用二次识别模型进一步识别原油和重质残渣燃料油。二次识别模型由预处理算法、特征提取与选择算法及分类器等一系列算法组成。待识别油荧光光谱送入已经创建并保存的溢油二次识别模型中，经过预处理、特征提取与选择及分类决策等处理后输出识别结果。至此，整个识别过程结束。

在不同时间和不同实验环境下，利用激光激发各种油的水面油膜，将采集的油膜荧光经去除背景噪声、归一化处理后，获得各种已知种类的溢油荧光光谱形状矢量构成基础荧光光谱库，共包括有690组数据。实验中的不同油膜包括：

轻质油：90#汽油、93#汽油、97#汽油；

中质油：韩国柴油、韩国加农柴油；

润滑油：大连润滑油；

重质残渣燃料油：韩国仁川燃料油、3F燃料油、4F燃料油、新加坡燃料油、韩国重油和大庆乙烯焦油；

原油：阿拉伯原油、安哥拉原油、俄罗斯原油、刚果原油、克拉玛依原油、马拉拉哥原油、委内瑞拉原油和1C原油。

基于上述基础荧光光谱库，采用粒子群优化算法从包含有多种识别方法的识别方法库中选择出的全局最优二次识别模型中，预处理算法为取对数算法，特征提取与选择算法为Relief算法，分类器为最小二乘支持向量机，且最小二乘支持向量机的核函数为：K(x₁，x₂)＝(1+x₁·x₂)³exp(-4.95||x₁-x₂||²)，其中“·”为向量内积运算符。

然后，新测量600组未知类型的溢油光谱作为测试集，对初次识别模型和二次识别模型进行测试，模型识别正确率为98％，有效证明了本发明溢油种类识别方法的有效性和准确性。

在该实施例中，若用于模型训练的已知溢油种类光谱不发生变化，则只需创建一次最佳二次识别模型；若用于模型训练的已知溢油种类光谱发生了变化，由于引入了粒子群优化算法，只需通过计算机重新运行粒子群优化算法，即可获得目前的最佳二次识别模型，提高了模型选择的效率和自适应性能。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (10)

1.一种基于荧光光谱的溢油种类识别方法，包括建立溢油识别模型的过程，以及通过溢油识别模型识别溢油种类的过程，其特征在于，

建立溢油识别模型的过程包括建立初次识别模型的步骤和建立二次识别模型的步骤；

建立初次识别模型的步骤包括建立标准匹配光谱库的子步骤和建立模型算法的子步骤，所述标准匹配光谱库中包括有待识别的溢油种类的参考光谱；

建立二次识别模型的步骤是基于已知溢油种类的光谱、利用粒子群优化算法选择全局最优二次识别模型；

通过溢油识别模型识别溢油种类的过程包括采用初次识别模型识别溢油种类的步骤以及根据初次识别结果判断是否采用二次识别模型进行识别的步骤。

2.根据权利要求1所述的识别方法，其特征在于，若采用所述初次识别模型识别出溢油种类，则结束识别过程；若采用所述初次识别模型未识别出溢油种类，则采用所述二次识别模型进行识别。

3.根据权利要求1所述的识别方法，其特征在于，所述初次识别模型采用光谱信息离散SID与光谱角度匹配SAM相结合的算法；所述标准匹配光谱中的参考光谱是对相同溢油种类的光谱求平均值后得到的光谱。

4.根据权利要求3所述的识别方法，其特征在于，所述光谱信息离散SID与所述光谱角度匹配SAM相结合的算法为SID(t，r)×tan(SAM(t，r))或SID(t，r)×sin(SAM(t，r))中的一种；其中，t为待识别光谱，r为所述标准匹配光谱库中的参考光谱。

5.根据权利1至4中任一项所述的识别方法，其特征在于，所述二次识别模型包括有预处理算法、特征提取与选择算法及分类器，利用粒子群优化算法选择全局最优二次识别模型包括下述子步骤：

a、初始化粒子群S＝{x₁，x₂，…，x_m}，初始化迭代次数t＝0：

粒子群中的粒子为

i＝1，2，…m，m为粒子群中的粒子数；x_i，pre为多种预处理算法中的一种，为x_i，pre预处理算法对应的参数，N_pre为预处理算法的输入参数个数；x_i，fs为多种特征提取与选择算法中的一种，

为x_i，fs特征提取与选择算法对应的参数，N_fs为特征提取与选择算法的输入参数个数；x_i，sel为二进制变量，用于表示预处理算法在特征提取与选择算法之前或之后进行；x_i，class为多种分类器中的一种，

为x_i，class分类器对应的参数，N_class为分类器的输入参数个数；

b、将粒子群中的每个粒子x_i解码为具体的识别模型，利用已知溢油种类的光谱训练识别模型，根据训练后的模型的泛化误差确定每个粒子的当前最佳位置P_i及粒子群S的当前最佳位置P_glo；

c、调整每个粒子c_i的搜索速度v_i(t+1)和位置x_i(t+1)：

设D维搜索空间中，粒子x_i在第t步迭代时所处位置x_i(t)＝(x_i1，x_i2，…，x_iD)，搜索速度v_i(t)＝(v_i1，v_i2，…，v_iD)，则根据以下公式更新其在第t+1步迭代的搜索速度和位置：

v_ij(t+1)＝wv_ij(t)+c₁r₁(p_ij-x_ij(t))+c₂r₂(p_gj-x_ij(t))

x_ij(t+1)＝x_ij(t)+v_ij(t+1)

j＝1，2，…，D；

其中，w为权重值；c₁和c₂是学习因子，为常数；r₁和r₂为[0，1]范围内的随机数；

d、在迭代次数t小于预设的迭代次数时，令t＝t+1，重复上述步骤b、c；若迭代次数t等于预设的迭代次数，则停止迭代；

e、输出粒子群S的最佳位置P_glo，P_glo所对应的识别模型即为全局最优二次识别模型。

6.根据权利要求5所述的识别方法，其特征在于，在所述步骤b中，采用k重交叉验证方法训练识别模型并计算模型的泛化误差。

7.根据权利要求5所述的识别方法，其特征在于，在识别原油和重质残渣燃料油两类溢油种类时，利用粒子群优化算法选择的全局最优二次识别模型中，预处理算法为取对数算法，特征提取与选择算法为Relief算法，分类器为最小二乘支持向量机。

8.根据权利要求7所述的识别方法，其特征在于，所述最小二乘支持向量机的核函数为：K(x₁，x₂)＝(1+x₁·x₂)³exp(-4.95||x₁-x₂||²)，其中“·”为向量内积运算符。

9.根据权利要求1所述的识别方法，其特征在于，建立溢油识别模型以及通过溢油识别模型识别溢油种类时所用的光谱为原始光谱去除背景噪声并归一化处理后的光谱形状矢量。

10.根据权利要求9所述的识别方法，其特征在于，设溢油荧光光谱接收通道i＝1，2，…n，n为接收通道总数，第i个通道接收的原始光谱信号强度为S_i，油膜光谱信号强度为OS_i，油膜衰减前的水体拉曼散射信号强度为W_R，经油膜衰减后的水体拉曼散射信号强度为S_R，无油膜时水体的反射荧光信号强度及水体拉曼散射信号总强度为W_i，第i个通道的油膜光谱信号强度通过下式计算：OS_i＝S_i-(S_R/W_R)×W_i；则n个接收通道对应的油膜光谱信号总强度为OS＝[OS₁，OS₂，…，OS_n]，建立溢油识别模型以及通过溢油识别模型识别溢油种类时所用的光谱形状矢量为OS′＝[OS₁′，OS₂′，...，OS_n′]，其中，

Images