CN111766210B - 一种近岸复杂海水硝酸盐氮多光谱测量方法 - Google Patents
一种近岸复杂海水硝酸盐氮多光谱测量方法 Download PDFInfo
- Publication number
- CN111766210B CN111766210B CN202010656177.2A CN202010656177A CN111766210B CN 111766210 B CN111766210 B CN 111766210B CN 202010656177 A CN202010656177 A CN 202010656177A CN 111766210 B CN111766210 B CN 111766210B
- Authority
- CN
- China
- Prior art keywords
- neural network
- nitrate nitrogen
- model
- concentration
- nitrate
- 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.)
- Active
Links
- 239000013535 sea water Substances 0.000 title claims abstract description 31
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 title claims abstract description 24
- 238000000691 measurement method Methods 0.000 title claims abstract description 10
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 38
- 229910002651 NO3 Inorganic materials 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 239000005416 organic matter Substances 0.000 claims abstract description 21
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 10
- 239000012086 standard solution Substances 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 16
- CPELXLSAUQHCOX-UHFFFAOYSA-M Bromide Chemical compound [Br-] CPELXLSAUQHCOX-UHFFFAOYSA-M 0.000 claims description 13
- QJZYHAIUNVAGQP-UHFFFAOYSA-N 3-nitrobicyclo[2.2.1]hept-5-ene-2,3-dicarboxylic acid Chemical compound C1C2C=CC1C(C(=O)O)C2(C(O)=O)[N+]([O-])=O QJZYHAIUNVAGQP-UHFFFAOYSA-N 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 239000004021 humic acid Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 229940006460 bromide ion Drugs 0.000 claims description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims 2
- 229910052757 nitrogen Inorganic materials 0.000 claims 1
- 238000002211 ultraviolet spectrum Methods 0.000 abstract 1
- 238000010521 absorption reaction Methods 0.000 description 7
- 238000004611 spectroscopical analysis Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 150000002823 nitrates Chemical class 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000003403 water pollutant Substances 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Neurology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种近岸复杂海水硝酸盐氮多光谱测量方法,首先通过正交试验配置含盐度、有机物影响的硝酸盐标液,测量多光谱信息并计算紫外吸收光谱,建立神经网络模型建模数据集;然后光谱预处理去除高频光谱噪声;再根据紫外光谱特征确定神经网络模型结构并初始化参数;最后神经网络模型训练及超参数的优化,获得基于双隐层神经网络的近岸复杂海水硝酸盐氮测量模型,并使用该模型预测高盐度及有机物干扰条件下的硝酸盐浓度。本发明降低了使用光谱法进行近岸海水硝酸盐浓度检测时盐度及有机物浓度的变化对测量精度的影响,提高了光谱法近岸海水硝酸盐氮测量的精度。
Description
技术领域
本发明涉及海水硝酸盐测量技术,具体为一种近岸复杂海水硝酸 盐氮多光谱测量方法。
背景技术
光谱法作为一种常见的分析检测手段,被广泛应用于水体污染物 浓度检测等领域,常被应用于水质原位传感器进行水质参数的快速原 位测量,具有快速、长时间监测等优势。
但是由于海水中的组分十分复杂,一些适用于淡水的水质光谱法 监测方法,在应用于海水水质监测领域时,常常因为干扰物质的影响 表现的不尽人意。尤其是近海领域盐度及有机物浓度变化大,对光谱 法海水硝酸盐浓度的测量有极大的影响,原因是决定盐度的离子之一 溴离子以及有机物在硝酸盐的紫外吸收波段都具有较强的吸收,与硝 酸盐吸收光谱有部分的重叠,从而造成较大的测量误差,制约了该研 究领域的发展。因此如何校准干扰物对海水光谱造成的影响,对于光 谱法测量海水硝酸盐是极为重要的。
发明内容
针对现有技术中光谱法近海水体硝酸盐浓度测量过程中盐度、有 机物等干扰物对测量精度影响大,影响机理复杂且难以校准的现状, 本发明提供一种近岸复杂海水硝酸盐氮多光谱测量方法。
具体技术方案如下:
一种近岸复杂海水硝酸盐氮多光谱测量方法,包括以下步骤:
(1)通过正交试验配置含盐度、有机物影响的硝酸盐标液,测 量多光谱信息(200-300nm)并计算紫外吸收光谱,建立神经网络模型 建模数据集;具体步骤包括干扰物组分的确定以及干扰原理分析,确 定干扰物的数目以及其浓度变化范围,根据干扰物以及观测对象的浓 度变化范围,确定正交试验的因子数及水平数,基于正交试验,配置 水样并测得其光谱数据,建立训练数据集、测试数据集;
(2)小波变换进行光谱预处理,去除紫外吸收光谱中的高频噪 声;具体步骤包括光谱数据的小波分解,获得小波细节系数及近似系 数,根据VisuShrink阈值,对相应尺度上的细节系数进行阈值量化 处理,去除原始光谱数据中紫外吸收光谱中的高频噪声信号。
(3)根据干扰物及硝酸盐吸收光谱特征确定神经网络模型结构 并初始化参数;具体步骤包括根据吸收光谱特征确定特征波段范围, 根据选取的特征波段确定输入层节点数,以及隐藏层、输出层节点数 的设置,还包括权重及偏置矩阵的初始化,以及学习率、正则化系数、 训练次数超参数的设置,该神经网络使用双隐层结构;
(4)神经网络模型训练及超参数的优化,获得基于双隐层神经 网络的近岸复杂海水硝酸盐氮测量模型,并使用该模型预测高盐度及 有机物干扰条件下的硝酸盐浓度;具体步骤包括利用训练数据集中每 一个样本进行神经网络模型的正向传播计算及误差反向传播更新权 重及偏置矩阵,根据模型在训练集和测试集上的表现,利用折半法优 化模型的超参数,获取最优模型。
所述方法适用于盐度、有机物浓度变化大的复杂水体的硝酸盐浓 度测量,适用于河流入海口、海岸潮间带复杂水体的硝酸盐浓度测量。
与现有技术相比,本发明具有如下有益技术:
本发明提出的方法可以用于盐度、有机物浓度变化大的复杂水体 的硝酸盐浓度测量,适用于河流入海口、海岸潮间带复杂水体的硝酸 盐浓度测量。本发明模型计算的硝酸盐浓度值与其实际值之间线性相 关性R2能够达到0.996,精度为±4.6%Fs,模型能够自动校准干扰物 质的影响,并准确地预测硝酸盐浓度值。此外,本方法降低了使用光 谱法进行近岸海水硝酸盐浓度检测时盐度及有机物浓度的变化对测 量精度的影响,提高了光谱法近岸海水硝酸盐氮测量的精度。
附图说明
图1为本发明的总体流程图;
图2为本发明方法中神经网络结构示意图;
图3为实施例1中的干扰物影响示意图;
图4为实施例1中模型测试结果图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明,但本发明的保护 范围不受附图和实施例所限。
图1为本发明的总体流程图,如图1所示,本发明为一种基于双 隐层神经网络的近岸复杂海水硝酸盐氮测量方法,包括以下步骤:
(1)通过正交试验配置含盐度、有机物影响的硝酸盐标液,测 量多光谱信息(200-300nm)并计算紫外吸收光谱,建立神经网络模型 建模数据集;
(2)光谱预处理去除高频光谱噪声;
(3)根据光谱特征确定神经网络模型结构并初始化参数;
(4)神经网络模型训练及超参数的优化,获得基于双隐层神经 网络的近岸复杂海水硝酸盐氮测量模型,并使用该模型预测高盐度及 有机物干扰条件下的硝酸盐浓度。
步骤(1)通过正交试验配置含盐度、有机物影响的硝酸盐标液, 测量多光谱信息(200-300nm)并计算紫外吸收光谱,建立神经网络模 型建模数据集,包括盐度、有机物干扰机理分析及浓度范围的确定。
根据近岸海水的光谱特性,筛选海水中对硝酸盐紫外吸收光谱具 有干扰作用的组分,主要包括海水紫外吸光组分分析,其中决定海水 盐度的离子中只有溴离子在硝酸盐紫外吸收特征波段(200-240nm)有 较强的吸收,因此盐度梯度对硝酸盐光谱法测量的干扰主要是由溴离 子导致;海洋中有机物种类繁多,腐植酸占60-80%,因此有机物对 硝酸盐测量的干扰主要由腐植酸导致。还包括利用光谱仪(200-400nm) 以及紫外光源(氙灯),测得硝酸盐及溴离子、腐植酸光谱,并依据朗 伯比尔定律计算紫外吸收光谱,分析其干扰机理。
确定干扰物的数目及其浓度变化范围以及硝酸盐浓度变化范围, 干扰物数目加1即为正交试验的因子数,设置浓度梯度数目即正交试 验的水平数,根据因子数及水平数,选择对应的正交试验表。正交试 验表根据如下公式进行选取:
L(n)(pq)
其中,n为试验次数,q为因子数,p为因子水平数,最低试验 次数为q*(p-1)。
选取n大于最低试验次数,因子数为q,水平数为p的正交试验 表进行试验测试。
基于设计的正交试验,配置标准水样并使用水体光谱采集装置, 测得其光谱数据,每一个光谱数据对应一组硝酸盐及干扰物浓度,使 用硝酸盐浓度作为标签来标记光谱数据,建立训练数据集,同理建立 测试数据集。训练集样本数目大于测试集数目。
步骤(2)中光谱预处理去除高频光谱噪声,包括光谱数据的小 波分解、细节系数的阈值化处理以及数据的小波重构,使用db4小波 基。
其中光谱数据的小波分解,包括使用分解滤波器中的Lo_D低通 滤波器和Hi_D高通滤波器通过卷积和下采样,分别提取光谱数据的 小波细节系数和近似系数,使用的分解滤波器系数如下所示:
Lo_D={-0.0106,0.0329,0.0308,-0.1870,-0.0280,0.6309, 0.7148,0.2304}
Hi_D={-0.2304,0.7148,-0.6309,-0.0280,0.1870,0.0308, -0.0329,-0.0106}
根据VisuShrink阈值,对相应尺度上的细节系数进行阈值量化 处理,去除原始光谱数据中的高频噪声信号,VisuShrink阈值公式 如下:
其中:a=m/0.6745,m为Lo_D系数绝对值的中值,N为光谱数据 波段数。
将分解得到的细节系数中高于b的值设置为0,去除原始数据中 的高频噪声信号。
数据的小波重建包括使用重构滤波器中的Lo_R低通滤波器和 Hi_R高通滤波器通过卷积和上采样,并将得到的信号相加,获取小 波重构数据。使用的重构滤波器系数如下:
Lo_R={0.2304,0.7148,0.6309,-0.0280,-0.1870,0.0308, 0.0329,-0.0106}
Hi_R={-0.0106,-0.0329,0.0308,0.1870,-0.0280,-0.6309, 0.7148,-0.2304}
步骤(3)根据光谱特征确定神经网络模型结构并初始化参数, 包括神经网络层数的设置、各层节点的设置、权重及偏置矩阵的初始 化。为了发现更多数据之间的隐藏关联,神经网络模型的层数设置为 4层,包括一个输入层,一个输出层,两个隐藏层,神经网络结构示 意图如图2所示。输入层节点数为光谱特征波段对应的数目,输出层 节点数为观测对象的数目,隐藏层节点数根据以下经验公式确定:
其中,h为隐藏层节点数,a为取值范围1-10的常数,b为输入 层输出层节点数的总和。
权重及偏振矩阵随机初始化为符合均值为0,方差为0.33的正 态分布的随机矩阵。超参数的初始化依据经验法设置,学习率初始化 为0.5,正则化参数初始化为0.1,训练次数初始化为100000。
步骤(4)神经网络模型训练及超参数的优化,获得基于双隐层 神经网络的近岸复杂海水硝酸盐氮测量模型,并使用该模型预测盐度 及有机物干扰条件下的硝酸盐浓度,还包括利用训练数据集中每一个 样本进行神经网络模型的正向传播计算及误差反向传播更新权重及 偏置矩阵。
信号的正向传播基于输入数据、权重、偏置矩阵的运算,公式如 下:
Oi=Softplus(Wi·Ii+Bi)
其中,Oi为第i层神经网络的输出数据矩阵,Ii为第i层网络的 输入数据矩阵,Wi为第i网络的权重矩阵,Bi为第i层网络的偏置矩 阵,Softplus()为激活函数。
Softplus函数公式如下:
Softplus(x)=log(1+ex)
神经网络模型误差的反向传播包括损失函数的计算及权重的更 新,其中损失函数除了误差,还添加了正则项来避免过拟合现象,损 失函数公式如下:
其中,Loss为本次训练损失值,m为训练集样本的数目,Ypre为 模型预测结果,Yact为对应的训练集目标结果,α为正则项系数,W为 权重矩阵。
权重的更新公式如下:
Wi,after=Wi,front+ΔWi
其中,ΔWi为第i层网络权重的修改量,r为学习率,Ej为第j 层神经网络的损失值,I为单位矩阵,Oi+1为该层网络的输出值,为 该层网络的输入值,Wi,front为更新后的权值矩阵,Wi,after为更新后 的权值矩阵。
学习率随着训练次数的增加,每训练100次衰减1%以避免训练 陷入局部最优解,偏置矩阵的更新方法与权值矩阵的更新方法相似。
根据模型在训练集和测试集上的表现,利用折半法优化模型的超 参数,获取最优模型,主要优化波段的选取、隐藏层节点数、学习率、 正则化系数、训练次数5个超参数。尝试使用不同的特征波段进行模 型的训练,根据选取的波段数目即输入层节点数,优化隐藏层节点数。 训练开始时参数设置偏大(学习率0.5;正则化系数0.1;训练次数 100000),依次折半选择训练误差更小的参数,筛选出最优的学习率 后进行正则化系数、训练次数的优化,得到最终模型。
实施例1:
近岸复杂海水硝酸盐氮多光谱测量方法可用于河流入海口、潮间 带等盐度及有机物浓度变化大的近海海域的硝酸盐浓度的测量。
为验证本发明方法的可行性及有效性,对本发明方法进行试验。
(1)进行干扰物组分的确定以及干扰原理分析,配置海水中主 要组分(溴离子、腐植酸)和硝酸盐的标准溶液,扫描光谱并计算紫 外吸收光谱。进行比较,发现对硝酸盐浓度测量干扰较大的物质为溴 离子及氯离子,如图3所示,硝酸盐的紫外吸收波段主要为210-240nm, 而在这个区间内溴离子及有机物同样具有较强的吸收。
确定干扰物的数目为2,根据硝酸盐及溴离子、有机物在海水中 的浓度变化范围(硝酸盐氮100-900μg/l;溴离子50-90mg/l;腐植 酸100-900μg/l),确定正交试验的因子数及水平数为5,如表1所 示。基于正交试验,配置混合水样并测得其光谱数据,建立训练数据集,共25组数据。
表1训练集正交实验因子及水平
确定正交试验的因子数及水平数为4,如表2所示,基于正交试 验获得测试数据集,共16组数据,剔除其中一组由于人工操作失误 导致的坏值,测试集数据共15组。
表2测试集正交实验因子及水平
(2)使用DB4小波基对数据集中的紫外吸收光谱数据进行小波 分解,获得小波细节系数及近似系数,根据VisuShrink阈值,对相 应尺度上的细节系数进行阈值量化处理,去除原始光谱数据中的高频 噪声信号。
(3)神经网络层数设置为4层,包括输入层、两个隐藏层、一 个输出层。图3为实施例1中的干扰物影响示意图,如图所示,输入 数据根据图3中的光谱特征,选取波段范围为210-270nm的光谱数据 作为输入数据,共有30个输入,故输入层节点初始化为30,隐藏层节点数初始化为15,输出层数据为硝酸盐浓度值,输出层节点数目 初始化为1。
权重及偏置矩阵初始化为符合均值为0,方差为0.33的正态分 布的随机矩阵。
学习率初始化为0.5,正则化参数初始化为0.1,训练次数初始 化为100000。
(4)利用训练数据集中每一个样本进行神经网络模型的正向传 播计算及误差反向传播更新权重及偏置矩阵进行训练,尝试使用不同 的特征波段进行模型的训练,根据选取的波段数目即输入层节点数, 优化隐藏层节点数。根据模型在训练集和测试集上的表现,利用折半 法优化模型的超参数,获取最优模型。
最终确定模型的输入层节点数为12(波段218-242nm),隐藏层 节点数为5,输出层节点数为1,学习率为0.3,正则项系数为0.00001, 训练650次得到最优模型。
利用建立的神经网络模型以及测试样本集进行验证,模型测试结 果如图4所示,从图4中可以看出,在干扰物影响存在的情况下,模 型计算的硝酸盐浓度值与其实际值之间线性相关性R2能够达到0.996, 精度为±4.6%Fs,模型能够自动校准干扰物质的影响,并较为准确地 预测硝酸盐浓度值。
Claims (2)
1.一种近岸复杂海水硝酸盐氮多光谱测量方法,其特征在于,包括以下步骤:
(1)通过正交试验配置含盐度、有机物影响的硝酸盐氮标液,测量多光谱信息并计算紫外吸收光谱,建立神经网络模型建模数据集;具体步骤包括干扰物组分的确定以及干扰原理分析,确定干扰物的数目以及其浓度变化范围,根据干扰物以及观测对象硝酸盐氮的浓度变化范围,确定正交试验的因子数及水平数,基于正交试验,配置含溴离子、腐植酸影响的硝酸盐氮标液,并测得其光谱数据,建立训练数据集、测试数据集;其中,多光谱信息是波长为200-300nm之间的光谱信息;干扰物的数目为2,干扰物组分为溴离子和腐植酸,即所述盐度具体为溴离子,所述有机物具体为腐植酸,溴离子浓度变化范围为50-90mg/L,腐植酸浓度变化范围为100-900μg/L,硝酸盐氮浓度变化范围为100-900μg/L;
(2)小波变换进行光谱预处理,去除紫外吸收光谱中的高频噪声;具体步骤包括紫外吸收光谱数据的小波分解,获得小波细节系数及近似系数,根据VisuShrink阈值,对相应尺度上的细节系数进行阈值量化处理,去除原始紫外吸收光谱中的高频噪声信号,其中,小波分解使用db4小波基;
(3)根据干扰物及硝酸盐氮紫外吸收光谱特征确定神经网络模型结构并初始化参数;具体步骤包括根据紫外吸收光谱特征确定特征波段范围,根据选取的特征波段确定输入层节点数,以及隐藏层、输出层节点数的设置,还包括权重及偏置矩阵的初始化,以及学习率、正则化系数、训练次数超参数的设置,该神经网络使用双隐层结构;
(4)神经网络模型训练及超参数的优化,获得基于双隐层神经网络的近岸复杂海水硝酸盐氮测量模型,并使用该模型预测高盐度及有机物干扰条件下的硝酸盐浓度;具体步骤包括利用训练数据集中每一个样本进行神经网络模型的正向传播计算及误差反向传播更新权重及偏置矩阵,根据模型在训练集和测试集上的表现,利用折半法优化模型的超参数,获取最优模型,最终确定218-242nm为特征波段,输入层节点数为12,隐藏层节点数为5,输出层节点数为1,学习率为0.3,正则项系数为0.00001, 训练650次得到最优测量模型。
2.根据权利要求1所述的近岸复杂海水硝酸盐氮多光谱测量方法,其特征在于:所述方法适用于盐度、有机物浓度变化大的复杂水体的硝酸盐氮浓度测量,适用于河流入海口、海岸潮间带复杂水体的硝酸盐氮浓度测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656177.2A CN111766210B (zh) | 2020-07-09 | 2020-07-09 | 一种近岸复杂海水硝酸盐氮多光谱测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656177.2A CN111766210B (zh) | 2020-07-09 | 2020-07-09 | 一种近岸复杂海水硝酸盐氮多光谱测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111766210A CN111766210A (zh) | 2020-10-13 |
CN111766210B true CN111766210B (zh) | 2023-03-14 |
Family
ID=72725843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010656177.2A Active CN111766210B (zh) | 2020-07-09 | 2020-07-09 | 一种近岸复杂海水硝酸盐氮多光谱测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111766210B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484257B (zh) * | 2021-06-24 | 2023-11-14 | 北京市生态环境监测中心 | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 |
CN113686823B (zh) * | 2021-08-27 | 2024-01-23 | 西安石油大学 | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103809557A (zh) * | 2013-12-30 | 2014-05-21 | 北京工业大学 | 一种基于神经网络的污水处理过程优化控制方法 |
CN106596436A (zh) * | 2016-12-30 | 2017-04-26 | 中国科学院西安光学精密机械研究所 | 一种基于光谱法的多参数水质实时在线监测装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8236143B2 (en) * | 2002-03-11 | 2012-08-07 | Gr Intellectual Reserve, Llc | Controlling chemical reactions by spectral chemistry and spectral conditioning |
US20120123983A1 (en) * | 2010-11-15 | 2012-05-17 | Tectosense Ltd. | Automatic systems and methodologies for earthquake prediction and warning |
US10119927B2 (en) * | 2010-12-23 | 2018-11-06 | Crc Care Pty Ltd | Analyte ion detection method and device |
-
2020
- 2020-07-09 CN CN202010656177.2A patent/CN111766210B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103809557A (zh) * | 2013-12-30 | 2014-05-21 | 北京工业大学 | 一种基于神经网络的污水处理过程优化控制方法 |
CN106596436A (zh) * | 2016-12-30 | 2017-04-26 | 中国科学院西安光学精密机械研究所 | 一种基于光谱法的多参数水质实时在线监测装置 |
Non-Patent Citations (6)
Title |
---|
Hossam Adel Zaqoot et al.."A Comparative Study Of Ann For Predicting Nitrate Concentration In Groundwater Wells In The Southern Area Of Gaza Strip".《APPLIED ARTIFICIAL INTELLIGENCE》.2018, * |
方力 等."神经网络-紫外光度法同时测定水中硝酸盐氮和亚硝酸盐氮".《理化检验》.1999,第35卷(第9期), * |
李丹 等."紫外吸收全光谱法测定海水硝酸盐研究".《光电技术应用》.2015,第30卷(第1期), * |
杨鹏程 等.紫外吸收光谱法结合PLS对多组分溶液中硝酸盐浓度的测定.《海洋技术》.2013,(第02期), * |
程长阔 等."光谱预处理方法对硝酸盐测量模型影响实验研究及软件设计".《海洋技术学报》.2015,第34卷(第2期), * |
马仁坤 等.BP神经网络用于总氮测定过程中I~-、Br~-的干扰消除.《光谱实验室》.2011,(第02期), * |
Also Published As
Publication number | Publication date |
---|---|
CN111766210A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Application of MODIS satellite data in monitoring water quality parameters of Chaohu Lake in China | |
CN111766210B (zh) | 一种近岸复杂海水硝酸盐氮多光谱测量方法 | |
CN101915744A (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
CN109187392B (zh) | 一种基于分区建模的锌液痕量金属离子浓度预测方法 | |
CN112070234A (zh) | 复杂场景下水体叶绿素和藻蓝素陆基遥感机器学习算法 | |
CN111488926B (zh) | 一种基于优化模型的土壤有机质测定方法 | |
CN109060760B (zh) | 分析模型建立方法、气体分析装置及方法 | |
CN113484257B (zh) | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
CN114112941A (zh) | 基于支持向量回归的航空高光谱水体富营养化评价方法 | |
CN116757099B (zh) | 一种土壤盐分反演及盐渍化风险评估方法、装置及设备 | |
Fan et al. | A reconstruction algorithm based on sparse representation for Raman signal processing under high background noise | |
CN111104876A (zh) | 一种基于神经网络的红外光谱反卷积方法 | |
CN116911183A (zh) | 岩溶湿地水体叶绿素a反演的方法、系统、设备及介质 | |
CN116380869A (zh) | 一种基于自适应稀疏分解的拉曼光谱去噪方法 | |
CN114334030A (zh) | 基于量子支持向量机的高分子聚合反应产物评价方法 | |
CN117648537B (zh) | 基于超光谱技术的大气污染实时监测方法及系统 | |
CN114019082B (zh) | 一种土壤有机质含量监测方法和系统 | |
CN115165770B (zh) | 基于宽光谱及bpnn的水体cod与浊度同时检测方法 | |
Guan et al. | An improved prediction model for COD measurements using UV-Vis spectroscopy | |
Jiang et al. | Study on Detection of Potato Starch Content by Optimum Hyperspectral Characteristic Wavelength Method | |
CN116297239A (zh) | 一种土壤有机质含量高光谱反演方法 | |
CN117271986A (zh) | 水利设施水闸智能控制方法 | |
CN116625972A (zh) | 一种城市内河污水智能检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |