CN104568820A - 一种水质检测方法 - Google Patents

一种水质检测方法 Download PDF

Info

Publication number
CN104568820A
CN104568820A CN201410550206.1A CN201410550206A CN104568820A CN 104568820 A CN104568820 A CN 104568820A CN 201410550206 A CN201410550206 A CN 201410550206A CN 104568820 A CN104568820 A CN 104568820A
Authority
CN
China
Prior art keywords
water quality
detection method
quality detection
sample
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201410550206.1A
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhu Yangyu Electrical Technology Development Co Ltd
Original Assignee
Wuhu Yangyu Electrical Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhu Yangyu Electrical Technology Development Co Ltd filed Critical Wuhu Yangyu Electrical Technology Development Co Ltd
Priority to CN201410550206.1A priority Critical patent/CN104568820A/zh
Publication of CN104568820A publication Critical patent/CN104568820A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种水质检测方法,属于化学分析技术领域,本发明方法包括如下步骤：步骤一：利用二维相关近红外光谱分析技术对水质样本进行分析处理；步骤二：提取各样品二维相关谱矩阵的特征参数；步骤三：构建神经网络判断模型，并将样品特征参数输入神经网络模型，进行水质评价。本发明利用近红外光谱分析方法和BP神经网络对特征值进行识别，判断饮用水中是否含有多少的残余氯，本方法简单，快速、无损。

Description

一种水质检测方法
技术领域
本发明属于化学分析技术领域，具体涉及一种水质检测方法。
背景技术
生活饮用水的水质极大地影响着人们的健康水平、生活质量及生产效率，世界各国政府和科学家们予以极大的关注，不断揭示生活饮用水水质污染对人类的危害，并在充分的科学依据基础上提出降低风险的措施。
现有的饮用水都经过消毒，但是残余氯的含量过高过人体的伤害很大，为了保证饮用水安全，准确的检测方法很重要。
发明内容
本发明的技术问题是提供一种水质检测方法，实现饮用水中游离余氯的检测，
    本发明的技术方案是： 一种水质检测方法，包括如下步骤：步骤一：利用二维相关近红外光谱分析技术对水质样本进行分析处理；步骤二：提取各样品二维相关谱矩阵的特征参数；步骤三：构建神经网络判断模型，并将样品特征参数输入神经网络模型，进行水质评价。所述步骤二中特征参数是：二维相关光谱的平均值、标准差、重心、偏度和峰值。所述平均值为                                                其中：Φ（vｉ，vｊ）是在波数（vｉ，vｊ）处的二维相关强度，ｍ和ｎ分别是二维相关光谱矩阵的行数和列数。所述标准差为：。所述重心为：。
 
本发明有如下积极效果： 本发明利用近红外光谱分析方法和BP神经网络对特征值进行识别，判断饮用水中是否含有多少的残余氯，本方法简单，快速、无损。
附图说明
图1为本发明具体实施方式流程图。
具体实施方式
下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
近红外光谱分析技术可以实现快速、无损、简便的类别鉴定、纯度鉴定等定性分析，BP神经网络是基于误差反向传播算法的前馈神经网络，可以实现输入与输出数据之间的高度非线性映射［10,11］。若将二维相关谱矩阵的数据都作为ＢP神经网络的输入，由于数据量庞大，建模所需时间长；数据中含有冗余的信息不利于模型的稳定。因此，本发明在研究纯净水和含有游离余氯的饮用水的二维相关近红外谱的基础上，运用参数化理论，提取了各样品二维相关谱矩阵的特征参数，将这些参数与BP神经网络结合起来建立纯净水和含有游离余氯的饮用水的判别模型。
二维相关同步谱代表的是两个波数变量v1和v2处光谱强度在微扰的作用下产生变化的相似性。在本发明中，主要提取了以下五个二维相关近红外谱的特征参数：
（１）平均值：代表在指定波数区域内二维相关光谱的平均相关强度。
（1）
式中Φ（vｉ，vｊ）是在波数（vｉ，vｊ）处的二维相关强度，ｍ和ｎ分别是二维相关光谱矩阵的行数和列数，本文中使用同一波数区间的二维相关同步谱，因此ｍ＝ｎ。
（２）标准差：代表二维相关光谱在相关强度值域的离散程度。
（2）
（3）重心：反映着样本的二维相关强度集中的波数位置。
（3）
　（４）偏度：是三阶中心矩除以标准差的立方，反映样本的二维相关谱峰在变量空间的对称性。
（4）
（５）峰度：是四阶中心矩除以标准差的四次方，用来反映二维相关谱峰的形状。若Φkurt＝３，表示曲线呈正态分布；若Φkurt＞３，表示曲线峰值高于正态分布；若Φkurt＜３，表示曲线峰值低于正态分布。Φkurt值越大，表示峰形越平缓；相反，峰形变化越急促。
（5）
对纯净水光谱与第ｎ个浓度掺杂游离氯（假如有ｓ个掺杂游离氯的样本，即ｎ＝１，２，…，ｓ）光谱进行二维相关运算，得到了与该浓度对应的掺杂游离氯的水的二维相关同步谱矩阵；纯净水光谱之间进行二维相关运算，得到了纯净水的二维相关同步谱矩阵。其次对所有的二维相关同步谱矩阵提取特征参数。最后，用这些特征参数作为ＢＰ神经网络的输入，根据ＢＰ神经网络的输出对该样品是否掺杂游离氯进行判别。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (5)

1.一种水质检测方法，其特征在于：包括如下步骤：
步骤一：利用二维相关近红外光谱分析技术对水质样本进行分析处理；
步骤二：提取各样品二维相关谱矩阵的特征参数；
步骤三：构建神经网络判断模型，并将样品特征参数输入神经网络模型，进行水质评价。
2.根据权利要求1所述的水质检测方法，其特征在于：所述步骤二中特征参数是：二维相关光谱的平均值、标准差、重心、偏度和峰值。
3.根据权利要求2所述的水质检测方法，其特征在于：所述平均值为
其中：Φ（vｉ，vｊ）是在波数（vｉ，vｊ）处的二维相关强度，ｍ和ｎ分别是二维相关光谱矩阵的行数和列数。
4.根据权利要求2所述的水质检测方法，其特征在于：所述标准差为：
。
5.根据权利要求2所述的水质检测方法，其特征在于：所述重心为：
。
CN201410550206.1A 2014-10-17 2014-10-17 一种水质检测方法 Pending CN104568820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410550206.1A CN104568820A (zh) 2014-10-17 2014-10-17 一种水质检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410550206.1A CN104568820A (zh) 2014-10-17 2014-10-17 一种水质检测方法

Publications (1)

Publication Number Publication Date
CN104568820A true CN104568820A (zh) 2015-04-29

Family

ID=53085397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410550206.1A Pending CN104568820A (zh) 2014-10-17 2014-10-17 一种水质检测方法

Country Status (1)

Country Link
CN (1) CN104568820A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105092549A (zh) * 2015-07-28 2015-11-25 江苏大学 一种荧光光谱信息的提取方法
CN106934221A (zh) * 2017-02-27 2017-07-07 华南理工大学 一种基于神经网络的水质评价分类方法
CN111220563A (zh) * 2018-11-26 2020-06-02 吉林农业大学 一种采用红外光谱检测回收油的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005008556A (ja) * 2003-06-19 2005-01-13 Asahi Kasei Chemicals Corp オルト位アルキル化ヒドロキシ芳香族化合物の製造方法
CN101788470A (zh) * 2010-03-31 2010-07-28 中国人民解放军总后勤部油料研究所 一种润滑油新油质量快速检测方法
CN101936895A (zh) * 2010-09-02 2011-01-05 中南林业科技大学 一种稻米新陈度近红外光谱分析快速检测方法
CN102879353A (zh) * 2012-09-19 2013-01-16 中国农业科学院农产品加工研究所 近红外检测花生中蛋白质组分含量的方法
CN102928379A (zh) * 2012-09-07 2013-02-13 无限极（中国）有限公司 一种近红外光谱技术快速检测增健口服液多糖含量的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005008556A (ja) * 2003-06-19 2005-01-13 Asahi Kasei Chemicals Corp オルト位アルキル化ヒドロキシ芳香族化合物の製造方法
CN101788470A (zh) * 2010-03-31 2010-07-28 中国人民解放军总后勤部油料研究所 一种润滑油新油质量快速检测方法
CN101936895A (zh) * 2010-09-02 2011-01-05 中南林业科技大学 一种稻米新陈度近红外光谱分析快速检测方法
CN102928379A (zh) * 2012-09-07 2013-02-13 无限极（中国）有限公司 一种近红外光谱技术快速检测增健口服液多糖含量的方法
CN102879353A (zh) * 2012-09-19 2013-01-16 中国农业科学院农产品加工研究所 近红外检测花生中蛋白质组分含量的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苗静: "基于二维相关近红外谱参数化及BP神经网络的掺杂牛奶鉴别", 《光谱学与光谱分析》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105092549A (zh) * 2015-07-28 2015-11-25 江苏大学 一种荧光光谱信息的提取方法
CN105092549B (zh) * 2015-07-28 2017-11-17 江苏大学 一种荧光光谱信息的提取方法
CN106934221A (zh) * 2017-02-27 2017-07-07 华南理工大学 一种基于神经网络的水质评价分类方法
CN111220563A (zh) * 2018-11-26 2020-06-02 吉林农业大学 一种采用红外光谱检测回收油的方法
CN111220563B (zh) * 2018-11-26 2023-02-10 吉林农业大学 一种采用红外光谱检测回收油的方法

Similar Documents

Publication Publication Date Title
Guo et al. Advances on water quality detection by uv-vis spectroscopy
CN109741797B (zh) 一种利用深度学习技术预测小分子化合物水溶性等级的方法
Hu et al. Identification of mine water inrush using laser-induced fluorescence spectroscopy combined with one-dimensional convolutional neural network
CN104568820A (zh) 一种水质检测方法
Tayyebi et al. Can machine learning methods guide gas separation membranes fabrication?
CN111428585B (zh) 一种基于深度学习的超材料太赫兹谱学识别方法
Liu et al. Inversion of soil heavy metal content based on spectral characteristics of peach trees
CN111898565A (zh) 一种基于鲁棒多视角的森林烟火实时监测系统和方法
Li et al. Identification of mine mixed water inrush source based on genetic algorithm and XGBoost algorithm: A case study of Huangyuchuan mine
Yu et al. Comparative study on recognition models of black-odorous water in Hangzhou based on GF-2 satellite data
Wang et al. Rapid identification model of mine water inrush sources based on extreme learning machine
Wang et al. Rapid correction of turbidity and CDOM interference on three-dimensional fluorescence spectra of live algae based on deep learning
Li et al. Detection limits of antibiotics in wastewater by real-time UV–VIS spectrometry at different optical path length
Ji et al. Detection of captan residues in apple juice using fluorescence spectroscopy combined with a genetic algorithm and support vector machines
CN113029993A (zh) 一种基于注意力机制的紫外光谱快速总氮在线检测方法
CN116340757B (zh) 一种特征自适应地震预警震级预测方法及其系统
Qi et al. Composition analysis of white mineral pigment based on convolutional neural network and Raman spectrum
CN114970722A (zh) 一种污染物识别方法、装置、电子设备及存储介质
Wang et al. Remote Sensing of Marine Phytoplankton Sizes and Groups Based on the Generalized Addictive Model (GAM)
Pan et al. Machine Learning Model of Hydrothermal Vein Copper Deposits at Meso-Low Temperatures Based on Visible-Near Infrared Parallel Polarized Reflectance Spectroscopy
Loh et al. Accurate zirconium detection at visible wavelength using artificial neural network
CN110411566A (zh) 一种智能化光谱信号去噪方法
Chen et al. Design and research of a color discrimination method for polycrystalline silicon cells based on laser detection system
Puškarić et al. Extracted Spectral Signatures from the Water Column as a Tool for Characterization of Marine Microbial Community
Wu et al. Classification and Quantitative Modeling Analysis of Groundwater Hardness based on Ultraviolet Absorption Spectrum

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20150429

RJ01 Rejection of invention patent application after publication