CN111948155A - 精细全光谱结合改进gs-svr的复杂水体硝酸盐定量分析方法 - Google Patents
精细全光谱结合改进gs-svr的复杂水体硝酸盐定量分析方法 Download PDFInfo
- Publication number
- CN111948155A CN111948155A CN202010751204.4A CN202010751204A CN111948155A CN 111948155 A CN111948155 A CN 111948155A CN 202010751204 A CN202010751204 A CN 202010751204A CN 111948155 A CN111948155 A CN 111948155A
- Authority
- CN
- China
- Prior art keywords
- sigma
- search range
- mid
- updated
- parameter
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 29
- 229910002651 NO3 Inorganic materials 0.000 title claims abstract description 22
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 title claims abstract description 14
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract description 41
- 239000000243 solution Substances 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 27
- 238000000411 transmission spectrum Methods 0.000 claims description 16
- 238000000862 absorption spectrum Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 230000007935 neutral effect Effects 0.000 claims description 6
- 238000002835 absorbance Methods 0.000 claims description 5
- 239000012088 reference solution Substances 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000840 electrochemical analysis Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000012085 test solution Substances 0.000 description 1
- 238000003911 water pollution Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及复杂水体硝酸盐定量分析方法，尤其涉及一种精细全光谱结合改进GS‑SVR的复杂水体硝酸盐定量分析方法，解决现有非线性预测模型稳定型差，确定模型关键参数时计算量大，耗时较长等问题，主要包括采集被测溶液的原始透射光谱数据，提取被测溶液的吸光度信息，溶液样本划分，支持向量机非线性预测模型参数优化，支持向量机非线性预测模型训练，支持向量机非线性预测模型预测以及输出预测结果过程。参数优化过程中利用多次变步长的网格搜索方法对支持向量机非线性预测模型参数进行调整，相比传统网格搜索方法，将原本的搜索空间减小并多次改变步长，简化了计算步骤，大幅提升了向量机支持向量机非线性预测模型参数的寻优效率及模型稳定性。
Description
技术领域
本发明涉及一种复杂水体硝酸盐定量分析方法，尤其涉及一种精细全光谱结合改进GS-SVR的复杂水体硝酸盐定量分析方法。
背景技术
水是工农业生产和人类进步必不可少的资源。硝酸盐是水质监测的一项重要指标。过量的硝酸盐会造成水体富营养化，进而对作物，生态环境以及居民的身体健康产生巨大的危害。因此实现水体硝酸盐的动态监测对于水资源的安全保障与水污染的防治具有极为重要的科学意义。
基于光谱分析的水质快速监测技术是现代环境监测的一个重要发展方向。与传统的化学分析、电化学分析和色谱分析等分析方法相比，光谱分析技术具有操作简单、不需试剂消耗、无二次污染、绿色环保、检测速度快等优点。众多国内外学者针对紫外可见吸收光谱特性与硝酸盐浓度间的相关性研究做了大量工作。常用的基于光谱分析的硝酸盐测量方法包括单波长法，双波长法，多波长法，偏最小二乘法，以及人工神经网络与支持向量机等机器学习方法。由于实际水体环境的多样性和复杂性，常规的单波长法，双波长法，多波长法以及偏最小二乘等线性回归模型对于大多数水质参数常常得不到预期效果。
一般通过建立一个能够比较完整的表征水体复杂性的非线性预测模型，利用机器学习方法可以得到预期效果。现有的反向传播神经网络(BPNN)与支持向量机这两种非线性预测模型可用于复杂水体的定量分析，但BPNN由于大规模的训练，导致训练模型不稳定、多次预测结果差异较大。另外，在这些非线性预测模型的关键参数确定过程中，传统的网格搜索算法由于要循环逐步搜索，计算量大，耗时较长。支持向量机非线性预测模型中粒子群优化算法(PSO-SVR)与遗传优化算法(GA-SVR)优化支持向量机不仅训练时间过长，且容易陷入局部最优，亦不适用。
发明内容
针对现有基于支持向量机非线性预测模型表征水体复杂性方法存在的：支持向量机非线性预测模型稳定型差，确定模型关键参数时计算量大，耗时较长等问题，本发明提出了一种基于改进的网格搜索算法优化支持向量机(GS-SVR)支持向量机非线性预测模型，进行水体硝酸盐预测的方法，利用多次变步长的网格搜索方法对支持向量机非线性预测模型参数进行调整，相比传统网格搜索方法，将原本的搜索空间减小并多次改变步长，简化了计算步骤，大幅提升了向量机支持向量机非线性预测模型参数的寻优效率及模型稳定性。相比于粒子群优化算法(PSO-SVR)与遗传优化算法(GA-SVR)训练速度较快。
本发明的技术方案是提供一种精细全光谱结合改进GS-SVR的复杂水体硝酸盐定量分析方法，其特殊之处在于，包括以下步骤：
步骤1、采集i组不同浓度被测溶液的原始透射光谱数据，其中i为正整数；
步骤2、根据被测溶液的原始透射光谱数据计算i组不同浓度被测溶液的吸光度光谱信息；
步骤3、将i组不同浓度被测溶液的吸光度光谱信息作为样本，划分样本，其中j组作为训练样本集，剩余组作为测试样本集；j为小于i的正整数；
步骤4、获取支持向量机非线性预测模型最优参数；
步骤41、确定惩罚参数C的初始查找范围[Cmin，Cmax]和初始查询间隔Cstep，并确定核函数宽度σ的初始查找范围[σmin，σmax]和初始查询间隔σstep；
步骤42、把惩罚参数C的初始查询间隔Cstep扩大X1倍，获得当前查询间隔；以当前查询间隔在初始查找范围[Cmin，Cmax]内开始首次最优参数查找，得到第一次最优参数BestC；
把核函数宽度σ的初始查询间隔σstep扩大X2倍，获得当前查询间隔；以当前查询间隔在初始查找范围[σmin，σmax]之内开始首次最优参数查找，得到第一次最优参数Bestσ；其中X1与X2均大于零；
步骤43、更新惩罚参数C的查找范围，使得更新后的查找范围位于前一次最优参数BestC查找过程中的查找范围内；同时更新惩罚参数C的查询间隔，将前一次最优参数BestC查找过程中的查询间隔缩小Y1倍；以更新后的查询间隔在更新后的查找范围之内开始最优参数查找，得到当前次最优参数BestC；
更新核函数宽度σ的查找范围，使得更新后的查找范围位于前一次最优参数Bestσ查找过程中的查找范围内；同时更新核函数宽度σ的查询间隔，将前一次最优参数Bestσ查找过程中的查询间隔缩小Y2倍；以更新后的查询间隔在更新后的查找范围之内开始最优参数查找，得到当前次最优参数Bestσ；其中Y1与Y2大于零；
步骤44、比较前一次最优参数BestC，Bestσ与当前次最优参数BestC，Bestσ，如果当前次最优参数BestC，Bestσ优于前一次最优参数BestC，Bestσ，则将最优参数更新为当前次最优参数BestC，Bestσ，反之保持前一次最优参数BestC，Bestσ；
步骤45、重复步骤S43至S44，直至遍历支持向量机非线性预测模型中每一个参数组合，获得最终的最优参数BestC，Bestσ；
步骤5、建立支持向量机非线性预测模型，并训练支持向量机非线性预测模型，得到训练好的支持向量机非线性预测模型；
将训练样本集中的训练样本及步骤4获得的最优参数BestC，Bestσ作为输入，建立并训练支持向量机非线性预测模型；
步骤6、利用步骤5训练好的支持向量机非线性预测模型预测测试样本集；
步骤7、输出预测结果。
进一步地，为了确定最优的查找范围，步骤43中更新惩罚参数C的查找范围的具体过程为：
首先，利用前一次最优参数查找过程中的查找范围中的Cmin，Cmax，获取Cmid，Cmid为[Cmin，Cmax]的中间位置；
然后，根据Cmid＝(Cmax+Cmid)/2更新Cmid的取值；
最后，判断前一次最优参数BestC的取值是否大于更新后Cmid的取值，如果大于，则令更新后的Cmid为更新后查找范围的Cmin，更新后查找范围的Cmax保持不变；反之，令更新后的Cmid为更新后查找范围的Cmax，更新后查找范围的Cmin保持不变；
步骤43中更新核函数宽度σ的查找范围的具体过程为：
首先，利用前一次最优参数查找过程中的查找范围中的σmin，σmax，获取当前σmid，σmid为[σmin，σmax]的中间位置；
然后，根据σmid＝(σmax+σmid)/2更新σmid的取值；
最后，判断前一次最优参数Bestσ的取值是否大于更新后σmid的取值，如果大于，则令更新后的σmid为更新后查找范围的σmin，更新后查找范围的σmax保持不变；反之，令更新后的σmid为更新后查找范围的σmax，更新后查找范围的σmin保持不变。
进一步地，步骤1中使用紫外-可见光谱仪，采集被测溶液的原始透射光谱数据。
进一步地，步骤2中通过下式计算被测溶液的吸光度光谱信息：
其中Ti为透射率，Ai为吸光度，xi为测得的被测溶液的原始透射光谱数据，xr为参比溶液的原始透射光谱数据，xb为暗背景的光谱数据，i为溶液样本序号。
进一步地，步骤5中使用LibSVM3.23的Matlab工具箱进行支持向量机非线性预测模型的训练。
进一步地，为了便于计算，X1＝X2，Y1＝Y2。
本发明的有益效果是：
1、本发明基于改进的网格搜索算法优化支持向量机(GS-SVR)进行水体硝酸盐预测的方法，利用多次变步长的网格搜索方法对支持向量机非线性预测模型参数进行调整，相比传统网格搜索方法，将原本的搜索空间减小并多次改变步长，简化了计算步骤，大幅提升了SVR模型参数的寻优效率。
2、本发明方法将紫外可见全波段范围内的光谱扫描，得到反应水体参数的更多信息，建立了一个完整的表征复杂水体吸光度与硝酸盐浓度间的非线性模型。
3、本发明提出的GS-SVR方法模型复杂度相比反向传播神经网络较低，能够克服大规模的训练导致的过拟合、训练不稳定导致预测结果不准确的缺陷，获得较高的预测精度；将测试溶液的预测精度提升至0.9935。同时训练速度对比BPNN，GS-SVR分别提高了4倍，8倍。在预测精度以及训练速度方面都有很大提升。
附图说明
图1为本发明基于改进的网格搜索算法优化支持向量机(GS-SVR)进行水体硝酸盐预测的方法流程图；
图2为最优参数BestC，Bestσ的查找过程中更新查找范围流程示意图；
图3为利用本发明方法的预测结果图；
图4为预测值的相对误差示意图。
具体实施方式
以下结合附图对本发明做进一步地描述。
如图1所示，本发明方法主要包括以下过程：采集被测溶液的原始透射光谱数据，提取被测溶液的吸光度信息，溶液样本划分，支持向量机非线性预测模型参数优化，支持向量机非线性预测模型训练，支持向量机非线性预测模型预测以及输出预测结果。
具体步骤如下：
S1、采集多组不同浓度被测溶液的原始透射光谱数据；
配制多组不同浓度的被测溶液样本，使用紫外-可见光谱仪，采集多组不同浓度被测溶液样本的原始透射光谱数据。
S2、计算各组不同浓度被测溶液样本的吸光度光谱信息；
将步骤S1获得的不同浓度被测溶液样本的原始透射光谱数据转换为吸光度光谱信息数据，转换公式如下：
其中Ti为透射率，Ai为吸光度，xi为直接测得的被测溶液样本的原始透射光谱数据，xr为参比溶液的原始透射光谱数据，xb为暗背景的光谱数据，i为不同浓度的待测溶液样本序号，本实施例中总共获得94组吸光度光谱信息数据。
S3、划分溶液样本
将步骤S2获得的94组吸光度光谱信息数据作为溶液样本，将溶液样本划分为训练样本集和测试样本集；本实施例训练样本集包括80个溶液样本。
S4、获取支持向量机非线性预测模型最优参数；
查找最优惩罚参数C与核函数宽度σ，即遍历寻找支持向量机非线性预测模型中每一个参数组合，获得惩罚参数C与核函数宽度σ的最优取值。
S41、确定惩罚参数C与核函数宽度σ的初始查找范围[Cmin，Cmax]与[σmin，σmax]，并确定惩罚参数C与核函数宽度σ的初始查询间隔Cstep和σstep；初始查找范围及初始查询间隔一般根据经验确定。
S42、把初始查询间隔Cstep与σstep分别扩大X1与X2倍，获得当前查询间隔；查询间隔的扩大即代表着在查找范围内查询次数减少；其中X1与X2大于零，X1与X2可以相等也可以不相等。
以当前查询间隔在初始查找范围之内开始首次最优参数查找，得到第一次最优参数BestC，Bestσ。
S43、更新查找范围，并更新查询间隔，以更新后的查询间隔在更新后的查找范围之内开始最优参数查找，得到当前次最优参数BestC，Bestσ。
S431、更新查找范围，具体流程如图2所示；
首先，利用前一次最优参数BestC查找过程中的查找范围中的Cmin，Cmax，获取Cmid，Cmid为[Cmin，Cmax]的中间位置；
然后，根据Cmid＝(Cmax+Cmid)/2更新Cmid的取值；
最后，判断前一次最优参数BestC的取值是否大于更新后Cmid的取值，如果大于，则令更新后Cmid为更新后查找范围的Cmin，更新后查找范围的Cmax保持不变；反之，令更新后Cmid为更新后查找范围的Cmax，更新后查找范围的Cmin保持不变。
核函数宽度σ查找范围更新过程和惩罚参数C的查找范围更新过程相同：
首先，利用前一次最优参数Bestσ查找过程中的查找范围中的σmin，σmax，获取当前σmid，σmid为[σmin，σmax]的中间位置；
然后，根据σmid＝(σmax+σmid)/2更新σmid的取值；
最后，判断前一次最优参数Bestσ的取值是否大于更新后σmid的取值，如果大于，则令更新后的σmid为更新后查找范围的σmin，更新后查找范围的σmax保持不变；反之，令更新后的σmid为更新后查找范围的σmax，更新后查找范围的σmin保持不变。
S432、更新查询间隔，将惩罚参数C与核函数宽度σ前一次最优参数查找过程中的查询间隔分别缩小Y1与Y2倍，其中Y1与Y2大于零，Y1与Y2可以相等也可以不相等。
S433、以更新后的查询间隔在更新后的查找范围之内开始最优参数查找，得到当前次最优参数BestC，Bestσ。
S44、比较前一次最优参数BestC，Bestσ与当前次最优参数BestC，Bestσ，如果当前次最优参数BestC，Bestσ优于前一次最优参数BestC，Bestσ，则将最优参数更新为当前次最优参数BestC，Bestσ，反之保持前一次最优参数BestC，Bestσ。
S45、重复步骤S43至S44，直至遍历支持向量机非线性预测模型中每一个参数组合，获得最终的最优参数BestC，Bestσ。
S5、建模，并训练，得到训练完成的支持向量机非线性预测模型。
将得到的最优参数BestC，Bestσ应用于支持向量机进行建模，使用台湾大学林智仁团队开发的LibSVM3.23的Matlab工具箱进行数学模型的训练，将训练样本集中的80个训练样本及步骤4获得的最优参数作为输入，建立并训练支持向量机非线性预测模型。
S6、模型预测
将测试样本集中的测试样本输入步骤S5训练出来的支持向量机非线性预测模型，进行测试样本的结果预测，得到预测结果如图3所示，相对误差如图4所示。图3中蓝色曲线为真值，红色曲线为预测值，从图3可看出预测值非常接近真值，即预测效果很好。图4为预测值的相对误差，可看出相对误差均在±3％之内。
不同方法的预测效果对比如表1。表1中列出了传统的BPNN、SVR、GS-SVR与本发明改进的GS-SVR的决定系数R2、均方误差RMSEP和计算时间。
表1不同方法预测效果对比
从表中可以看出，改进的GS-SVR方法的R2优于BPNN、SVR与GS-SVR，RMSEP优于SVR和GS-SVR，与BPNN接近；计算时间优于BPNN和GS-SVR。即改进的GS-SVR方法在保证最高的决定系数的同时，有着不错的均方误差和较快的计算速度。
Claims (6)
1.一种精细全光谱结合改进GS-SVR的复杂水体硝酸盐定量分析方法，其特征在于，包括以下步骤：
步骤1、采集i组不同浓度被测溶液的原始透射光谱数据，其中i为正整数；
步骤2、根据被测溶液的原始透射光谱数据计算i组不同浓度被测溶液的吸光度光谱信息；
步骤3、将i组不同浓度被测溶液的吸光度光谱信息作为样本，划分样本，其中j组作为训练样本集，剩余组作为测试样本集；j为小于i的正整数；
步骤4、获取支持向量机非线性预测模型最优参数；
步骤41、确定惩罚参数C的初始查找范围[Cmin，Cmax]和初始查询间隔Cstep，并确定核函数宽度σ的初始查找范围[σmin，σmax]和初始查询间隔σstep；
步骤42、把惩罚参数C的初始查询间隔Cstep扩大X1倍，获得当前查询间隔；以当前查询间隔在初始查找范围[Cmin，Cmax]内开始首次最优参数查找，得到第一次最优参数BestC；
把核函数宽度σ的初始查询间隔σstep扩大X2倍，获得当前查询间隔；以当前查询间隔在初始查找范围[σmin，σmax]之内开始首次最优参数查找，得到第一次最优参数Bestσ；其中X1与X2均大于零；
步骤43、更新惩罚参数C的查找范围，使得更新后的查找范围位于前一次最优参数BestC查找过程中的查找范围内；同时更新惩罚参数C的查询间隔，将前一次最优参数BestC查找过程中的查询间隔缩小Y1倍；以更新后的查询间隔在更新后的查找范围之内开始最优参数查找，得到当前次最优参数BestC；
更新核函数宽度σ的查找范围，使得更新后的查找范围位于前一次最优参数Bestσ查找过程中的查找范围内；同时更新核函数宽度σ的查询间隔，将前一次最优参数Bestσ查找过程中的查询间隔缩小Y2倍；以更新后的查询间隔在更新后的查找范围之内开始最优参数查找，得到当前次最优参数Bestσ；其中Y1与Y2大于零；
步骤44、比较前一次最优参数BestC，Bestσ与当前次最优参数BestC，Bestσ，如果当前次最优参数BestC，Bestσ优于前一次最优参数BestC，Bestσ，则将最优参数更新为当前次最优参数BestC，Bestσ，反之保持前一次最优参数BestC，Bestσ；
步骤45、重复步骤S43至S44，直至遍历支持向量机非线性预测模型中每一个参数组合，获得最终的最优参数BestC，Bestσ；
步骤5、建立支持向量机非线性预测模型，并训练支持向量机非线性预测模型，得到训练好的支持向量机非线性预测模型；
将训练样本集中的训练样本及步骤4获得的最优参数BestC，Bestσ作为输入，建立并训练支持向量机非线性预测模型；
步骤6、利用步骤5训练好的支持向量机非线性预测模型预测测试样本集；
步骤7、输出预测结果。
2.根据权利要求1所述的精细全光谱结合改进GS-SVR的复杂水体硝酸盐定量分析方法，其特征在于，步骤43中更新惩罚参数C的查找范围的具体过程为：
首先，利用前一次最优参数BestC查找过程中查找范围中的Cmin，Cmax，获取Cmid，Cmid为[Cmin，Cmax]的中间位置；
然后，根据Cmid＝(Cmax+Cmid)/2更新Cmid的取值；
最后，判断前一次最优参数BestC的取值是否大于更新后Cmid的取值，如果大于，则令更新后的Cmid为更新后查找范围的Cmin，更新后查找范围的Cmax保持不变；反之，令更新后的Cmid为更新后查找范围的Cmax，更新后查找范围的Cmin保持不变；
步骤43中更新核函数宽度σ的查找范围的具体过程为：
首先，利用前一次最优参数Bestσ查找过程中的查找范围中的σmin，σmax，获取σmid，σmid为[σmin，σmax]的中间位置；
然后，根据σmid＝(σmax+σmid)/2更新σmid的取值；
最后，判断前一次最优参数Bestσ的取值是否大于更新后σmid的取值，如果大于，则令更新后的σmid为更新后查找范围的σmin，更新后查找范围的σmax保持不变；反之，令更新后的σmid为更新后查找范围的σmax，更新后查找范围的σmin保持不变。
3.根据权利要求1所述的精细全光谱结合改进GS-SVR的复杂水体硝酸盐定量分析方法，其特征在于：步骤1中使用紫外-可见光谱仪，采集被测溶液的原始透射光谱数据。
4.根据权利要求3所述的精细全光谱结合改进GS-SVR的复杂水体硝酸盐定量分析方法，其特征在于，步骤2中通过下式计算被测溶液的吸光度光谱信息：
其中Ti为透射率，Ai为吸光度，xi为测得的被测溶液的原始透射光谱数据，xr为参比溶液的原始透射光谱数据，xb为暗背景的光谱数据，i为溶液样本序号。
5.根据权利要求4所述的精细全光谱结合改进GS-SVR的复杂水体硝酸盐定量分析方法，其特征在于，步骤5中使用LibSVM3.23的Matlab工具箱进行支持向量机非线性预测模型的训练。
6.根据权利要求5所述的精细全光谱结合改进GS-SVR的复杂水体硝酸盐定量分析方法，其特征在于：X1＝X2，Y1＝Y2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751204.4A CN111948155B (zh) | 2020-07-30 | 2020-07-30 | 精细全光谱结合改进gs-svr的复杂水体硝酸盐定量分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010751204.4A CN111948155B (zh) | 2020-07-30 | 2020-07-30 | 精细全光谱结合改进gs-svr的复杂水体硝酸盐定量分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111948155A true CN111948155A (zh) | 2020-11-17 |
| CN111948155B CN111948155B (zh) | 2022-05-10 |
Family
ID=73338641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010751204.4A Active CN111948155B (zh) | 2020-07-30 | 2020-07-30 | 精细全光谱结合改进gs-svr的复杂水体硝酸盐定量分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111948155B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104198396A (zh) * | 2014-07-30 | 2014-12-10 | 江苏大学 | 偏振-高光谱技术诊断作物氮磷钾亏缺的方法 |
| CN104807803A (zh) * | 2015-04-20 | 2015-07-29 | 武汉轻工大学 | 基于多源光谱数据融合的花生油掺伪定量检测方法 |
| CN105158175A (zh) * | 2015-09-01 | 2015-12-16 | 中国科学院合肥物质科学研究院 | 一种采用透射光谱鉴别水中细菌的方法 |
| US20160092793A1 (en) * | 2014-09-26 | 2016-03-31 | Thomson Reuters Global Resources | Pharmacovigilance systems and methods utilizing cascading filters and machine learning models to classify and discern pharmaceutical trends from social media posts |
| CN106529576A (zh) * | 2016-10-20 | 2017-03-22 | 天津大学 | 基于测度学习改进支持向量机的钢琴乐谱难度识别算法 |
| CN110987846A (zh) * | 2019-11-27 | 2020-04-10 | 中国科学院西安光学精密机械研究所 | 一种基于iPLS-PA算法的硝酸盐浓度预测方法 |
-
2020
- 2020-07-30 CN CN202010751204.4A patent/CN111948155B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104198396A (zh) * | 2014-07-30 | 2014-12-10 | 江苏大学 | 偏振-高光谱技术诊断作物氮磷钾亏缺的方法 |
| US20160092793A1 (en) * | 2014-09-26 | 2016-03-31 | Thomson Reuters Global Resources | Pharmacovigilance systems and methods utilizing cascading filters and machine learning models to classify and discern pharmaceutical trends from social media posts |
| CN104807803A (zh) * | 2015-04-20 | 2015-07-29 | 武汉轻工大学 | 基于多源光谱数据融合的花生油掺伪定量检测方法 |
| CN105158175A (zh) * | 2015-09-01 | 2015-12-16 | 中国科学院合肥物质科学研究院 | 一种采用透射光谱鉴别水中细菌的方法 |
| CN106529576A (zh) * | 2016-10-20 | 2017-03-22 | 天津大学 | 基于测度学习改进支持向量机的钢琴乐谱难度识别算法 |
| CN110987846A (zh) * | 2019-11-27 | 2020-04-10 | 中国科学院西安光学精密机械研究所 | 一种基于iPLS-PA算法的硝酸盐浓度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王雪霁: "基于复杂水体的硝酸盐浓度精细光谱定量分析与预测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 顾凯成: "改进网格搜索的支持向量机参数优化研究及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111948155B (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112070356B (zh) | 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法 | |
| CN111354423A (zh) | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 | |
| CN108667069B (zh) | 一种基于偏最小二乘法回归的短期风电功率预测方法 | |
| CN109886464A (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
| CN115728463B (zh) | 一种基于半嵌入式特征选择的可解释性水质预测方法 | |
| CN109033524B (zh) | 一种基于鲁棒混合模型的化工过程浓度变量在线估计方法 | |
| CN116110505A (zh) | 一种基于多目标贝叶斯优化的流动化学工艺优化方法 | |
| CN114997503A (zh) | 一种城市碳达峰时域的预测方法及系统 | |
| CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
| CN113868960B (zh) | 一种基于典型相关森林的土壤重金属特征选取方法及系统 | |
| CN113433086B (zh) | 一种模糊神经网络结合分光光度法预测水质cod的方法 | |
| CN111948155B (zh) | 精细全光谱结合改进gs-svr的复杂水体硝酸盐定量分析方法 | |
| CN116861224B (zh) | 基于间歇过程软测量建模方法的间歇过程软测量建模系统 | |
| CN113808681A (zh) | 基于SHAP-CatBoost快速预测ABO3型钙钛矿材料比表面积的方法及其系统 | |
| CN114202060A (zh) | 基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法 | |
| CN113869606A (zh) | 一种基于城市人口流动的垃圾用地部署建模的方法 | |
| 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 | |
| CN110909492B (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
| CN111204867A (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
| CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
| CN116090331A (zh) | 一种页岩气水平井压裂参数优化的方法 | |
| CN1563902A (zh) | 基于支持向量机的软测量仪表建模方法 | |
| CN114004147B (zh) | 一种土壤湿润状态下同时预测多种土壤属性的方法 | |
| CN117874480A (zh) | 基于ico-boss算法的土壤重金属光谱特征提取方法 | |
| CN114417227A (zh) | 一种水体中叶绿素a浓度预测方法 |
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 |