CN113686823A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113686823A CN113686823A CN202110998662.2A CN202110998662A CN113686823A CN 113686823 A CN113686823 A CN 113686823A CN 202110998662 A CN202110998662 A CN 202110998662A CN 113686823 A CN113686823 A CN 113686823A
- Authority
- CN
- China
- Prior art keywords
- neural network
- elman neural
- pls
- data
- model
- 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 63
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 34
- 238000000411 transmission spectrum Methods 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims abstract description 8
- 239000012086 standard solution Substances 0.000 claims abstract description 5
- 238000007689 inspection Methods 0.000 claims abstract description 3
- 238000002834 transmittance Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 2
- 229920001410 Microfiber Polymers 0.000 claims 1
- 239000003658 microfiber Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000000605 extraction Methods 0.000 abstract description 9
- 238000001228 spectrum Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000003911 water pollution Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract 1
- 238000012795 verification Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011426 transformation method 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
- G01N21/59—Transmissivity
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出了一种基于透射光谱测量和Elman神经网络的水体亚硝酸盐含量估算方法,主要包括以下步骤:1)采集不同浓度亚硝酸盐标液的高光谱透射率数据,对数据进行白板校正,划分为校正集和验证集;2)平滑处理以及预处理;3)对预处理数据选用偏最小二乘回归系数法(PLS:Partial least squares regression)提取特征波段,建立Elman神经网络模型;4)对各Elman神经网络进行精度检验和对比,并通过与单一模型的预测模型精度比较筛选最优模型。本发明首先采用偏最小二乘回归法提取不同预处理结果数据的特征波段建立Elman神经网络模型将不同浓度的亚硝酸盐样本的浓度与相应的光谱数据进行拟合,充分利用不同预处理方法以及特征波段的提取,提高了检测精度。通过检测水体亚硝酸盐含量,可实时监测水污染的状况。
Description
技术领域
本发明涉及高光谱检测技术与其分析检测技术领域,特别涉及基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法。
背景技术
目前传统的亚硝酸盐含量的测试采用化学测量的方法,耗时长、人力物力消耗较大、不能满足大面积测量的需求。
高光谱法在无二次污染、操作简便、实时性等方面都表现出了明显的优势,另外其速度快、测定效果好,具有很强的实用性。因此研究基于高光谱检测技术的亚硝酸盐含量定量化模型具有很好的理论研究意义和实践价值。
基于高光谱检测技术的水质检测已早有研究。2008年,YES等应用UVE-SPA-LS-SUV的方法实现了对COD的建模预测;2016年,RYAN等采用偏最小二乘建模构建出适用于Chl-a浓度估算的最佳高光谱模型;2017年,ALI等人利用400-900nm的光谱波段的反射率检测伊利湖的浓度和总悬浮固体浓度;曹引等提出基于离散粒子群和最小偏二乘的水体浊度高光谱反演模型,为水体浊度大面积遥感检测业务化管理提供了技术支持;2019年,张贤龙等提出了激光诱导击穿光谱和高光谱技术的水质参数浓度反演模型。目前基于高光谱检测技术的亚硝酸盐含量快速检测方法研究较少,而且大部分的研究模型均是在全光谱范围内建立预测模型,但是由于全光谱中难免包含噪声和冗余信息,会对建模的精确度和稳定性造成较大的影响,因此对于特征波段的提取在建模过程中显得尤其重要。
普通的多元线性回归应用中,有许多限制,最典型的问题就是自变量之间的多重相关性。
发明内容
本发明的目的在于提供基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
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,包括以下步骤:
1)采集亚硝酸盐标液200-1030nm范围内的高光谱透射率数据,对数据进行白板校正;
2)对每一组数据进行平滑处理以及预处理;
3)采用偏最小二乘回归系数法提取不同预处理结果数据的特征波段,建立PLS-Elman神经网络组合模型;
4)进行PLS-Elman神经网络特征模型的训练;
6)对训练好的PLS-Elman神经网络,通过调试参数进行优化;
7)对优化好的PLS-Elman神经网络模型,选用测试数据对各模型进行精度检验和对比,最终,利用优化后的模型预测水体亚硝酸盐含量。
进一步的,步骤1)中采用微型光纤光谱仪相同时间间隔重复采集水体的透射光谱数据。
进一步的,步骤2)中选用的是局部回归lowess平滑滤波方法进行平滑处理;可选用双向二阶导数预处理、多元散射校正预处理或标准正态变量变换预处理方法进行对透射光谱数据进行预处理。
进一步的,步骤4)使用训练集数据作为Elman神经网络的输入,完成一次训练;在训练过程中采用信号前向传播、误差反向传播方式,不断修正网络权值和阈值使误差函数沿负梯度方向下降,逼近期望输出。
进一步的,步骤4)中建立Elman神经网络模型;构建Elman神经网络模型包括输入层、隐含层、承接层、输出层;Elman神经网络算法是采用BP算法进行权值修正,学习指标函数采用误差平方和公式:
进一步的,步骤4)中,针对Elman输出层,计算决定系数以及均方根误差用来判定结果。
进一步的,步骤5)中,关键参数设置如下:隐含层节点数为8,最大迭代参数为10000,迭代目标误差值为0.001,学习率为0.01,动量因子为0.8。
进一步的,步骤6)中,采用预处理后的特征波段进行PLS-Elman神经网络模型的构建。
进一步的,步骤6)中,针对训练好的Elman神经网络模型,采用均方最小误差评估方法,以测试集数据为标准,通过固定一种参数改变另外一个参数来进行优化,精度越大,预测效果越好。
与现有技术相比,本发明有以下技术效果:
本发明首先采用偏最小二乘回归法提取不同预处理结果数据的特征波段建立Elman神经网络模型。将不同浓度的亚硝酸盐样本的浓度与相应的光谱数据进行拟合,充分利用不同预处理方法以及特征波段的提取,提高了检测精度。通过检测水体亚硝酸盐含量,可实时监测水污染的状况。
本发明对光谱数据进行预处理以及基于偏最小二乘回归系数的特征波段的选取,建立Elman神经网络模型,分析不同特征输入对模型精度的影响,优化模型对水体亚硝酸盐含量进行估算。偏最小二乘回归法投影高维高相关性的光谱波段数据至低维空间内,能够很好地解决数据中的多重相关性问题,使得预测结果受特征波段的解释程度较高,Elman神经网络是一种反馈型神经网络,具备处理线性不可分问题的能力,本实验结合偏最小二乘回归法与Elman神经网络建立亚硝酸盐含量定量估算模型对水体光谱数据的多元线性回归具有重要研究意义。
附图说明
图1是基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法流程图
图2是Elman神经网络的结构图
图3是光谱数据预处理结果图
图4是偏最小二乘回归系数图
图5是模型检测结果图
具体实施方式
以下结合附图对本发明的具体实施例进行详细描述,但本发明并不仅仅限于这些实施例。
本发明涉及高光谱检测技术与其分析检测技术领域,更具体地说,涉及一种基于高光谱透射数据的和Elman深度学习神经网络的水体亚硝酸盐含量估算方法,也可用于水体其他成分的检测,并进一步实时监控水体的污染状况等领域:(1)对不同浓度亚硝酸盐高光谱透射数据进行预处理,以便更好地提取特征;(2)运用偏最小二乘回归系数法得出回归系数提取特征波段;(3)建立Elman神经网络模型。结果表明采用PLS-Elman神经网络模型测试集决定系数达到了0.9714,均方根误差为0.0489,说明采用该模型可以建立精度较好的亚硝酸盐反演模型。
基于透射光谱测量的水体亚硝酸盐含量估算方法,包括如下步骤,参照图1。
选择不同浓度的亚硝酸盐标液,采用Ocean Optics公司出品的OCEAN-HDX-XR微型光纤光谱仪相同时间间隔重复采集上述标液200-1030nm范围内的高光谱透射率数据,对数据进行白板校正。
采用lowess滑动滤波对每一组数据进行平滑处理,采用双向二阶导数、多元散射校正以及标准正态变量变换方法进行预处理,以某一亚硝酸盐含量透射光谱数据预处理结果参照图3所示;
采用偏最小二乘回归系数法提取不同预处理结果数据的特征波段,回归系数图如图4所示;
采用预处理的数据构建PLS-Elman神经网络模型,并选用训练集进行训练;
调试参数对构建的Elman神经网络进行优化;实验结果如图5所示。
本发明的一个更具体的实施例如下:
1.硬件平台
实验中所用的计算机配置环境为:操作系统为Windows10,处理器为Inter(R)Core(TM)i5-6300HQ CPU@2.30GHz、NVIDIA GeForce GTX 965M和16GB内存。
2.评价指标
本模型的评价选用均方根误差RMSE和决定系数R2。RMSE计算公式为:
R2计算公式为:
RMSE越接近0,说明模型选择和拟合更好,数据预测也越成功。R2越大表示自变量对因变量的解释程度越高,模型的拟合效果越好。
3.实验结果及评估
本实验中,建模方法、提取特征的方法、特征波段的个数、训练样本个数、特征类型都会对模型的精度造成较大的影响,所以对其进行选取十分关键。
将数据集划分为训练集与测试集,将训练集进行偏最小二乘方法进行特征波段的选取后分别带入模型中,对各模型进行精度检验,检验结果如表一所示。
通过固定其他参数只变化一种影响因子进行实验得到最优的模型。其它参数设置如表一所示:
表一:参数初始化设置表
参数名 | 参数值 | 含义 |
minmax(pn) | 8 | 隐含层节点数 |
trainParam.epochs | 10000 | 最大迭代次数 |
trainParam.goal | 0.001 | 迭代目标误差值 |
trainParam.mc | 0.8 | 动量因子 |
trainParam.lr | 0.01 | 学习率 |
在不同特征波段提取的方法下的结果比较
传统特征波段提取中,最常用的方法是皮尔森(Person)相关系数法。随着偏最小二乘法的发展,偏最小二乘回归系数法也可以被运用到特征波段的提取中。本文以两种方法作比较,选取合适的特征波段提取方法。偏最小二乘回归系数图如图4所示,并选取原始数据的100个特征波段进行精度比较。由表二所示,最终选取偏最小二乘回归法进行特征波段的选取。
表二:不同特征提取方法结果比较
特征提取方法 | RMSE | R<sup>2</sup> |
Person相关系数法 | 0.2067 | 0.8862 |
偏最小二乘回归系数法 | 0.0832 | 0.8990 |
在不同特征个数下的结果比较
特征的个数会对实验结果产生较大的影响,而且不同预处理方法所提取的特征类型不同,其最佳特征个数也不相同,因此本文采用PLS-Elman神经网络方法,在不同特征个数下分别对各种特征类型进行精度比较选取合适的方法进行建模。其中各种预处理结果参照图3。
由表三所示,原始高光谱数据选取100个特征波段进行PLS-Elman神经网络模型的建立,均方根误差RMSE为0.0126,R2为0.9318,根据R2最大RMSE最小原则,此时模型的拟合度最佳,性能最优。其模型检测结果参照图5。
表三:原始高光谱数据波段特征模型结果比较
特征波段个数 | RMSE | R<sup>2</sup> |
50 | 0.0253 | 0.8976 |
100 | 0.0126 | 0.9318 |
150 | 0.0179 | 0.9228 |
200 | 0.0236 | 0.9034 |
双向二阶导数计算可以提高光谱的分辨率、去除背景信号,有利于判断谱线拐点,其计算准确,所以最为常用。由表四所示,选取50个特征波段进行双向二阶导数PLS-Elman神经网络模型的建立,均方根误差RMSE为0.0113,R2为0.9428,此时模型的拟合度最佳,性能最优。其模型检测结果参照图四。
表四:双向二阶导数特征模型结果比较
特征波段个数 | RMSE | R2 |
50 | 0.0113 | 0.9428 |
100 | 0.0159 | 0.9362 |
150 | 0.0288 | 0.9244 |
200 | 0.0379 | 0.8952 |
多元散射校正(MSC)是高光谱数据预处理常用的算法之一,MSC可以有效的消除由于散射水平不同带来的光谱差异,从而增强光谱与数据之间的相关性。由表五所示,选取100个特征波段进行多元散射校正PLS-Elman神经网络模型的建立,均方根误差RMSE为0.0110,R2为0.9722,其模型检测结果参照图5。
表五:多元散射校正特征模型结果比较
标准正态变量变换(SNV)主要是用来消除固体颗粒大小、表面散射以及光源变换对光谱信息的影响。由表六所示,选取100个特征波段进行标准正态变量变换PLS-Elman神经网络模型的建立,均方根误差RMSE为0.0128,R2为0.9633。其模型检测结果参照图5。
表六:标准正态变量变换特征模型结果比较
特征波段个数 | RMSE | R<sup>2</sup> |
50 | 0.0293 | 0.9584 |
100 | 0.0128 | 0.9633 |
150 | 0.0225 | 0.9453 |
200 | 0.0327 | 0.9155 |
经过双向二阶导数、标准正态变量变换预处理以及多元散射校正预处理之后模型的精度与拟合度均有大幅度提升,说明三种预处理方法对于提高模型的性能有效,且当选择100个特征波段进行多元散射校正PLS-Elman神经网络模型的建立时模型性能最好。
本文应用PLS-Elman神经网络模型对水体中的亚硝酸盐含量进行估算。首先对水体亚硝酸盐的高光谱透射率数据进行预处理和特征波段的提取,利用特征波段进行Elman神经网络模型建立,由于采用了多元散射校正预处理方法增强了光谱与数据之间的相关性,且通过特征波段的选取显著减少了数据的输入维度,降低了训练成本,减少了噪音的干扰,提高了模型的性能。
Claims (9)
1.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,其特征在于,包括以下步骤:
1)采集亚硝酸盐标液200-1030nm范围内的高光谱透射率数据,对数据进行白板校正;
2)对每一组数据进行平滑处理以及预处理;
3)采用偏最小二乘回归系数法(PLS:Partial least squares regression)提取不同预处理结果数据的特征波段,建立PLS-Elman神经网络组合模型;
4)进行PLS-Elman神经网络特征模型的训练;
6)对训练好的PLS-Elman神经网络,通过调试参数进行优化;
7)对优化好的PLS-Elman神经网络模型,选用测试数据对各模型进行精度检验和对比,最终,利用优化后的模型预测水体亚硝酸盐含量。
2.根据权利要求1所述的基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法,其特征在于,步骤1)中采用微型光纤光谱仪相同时间间隔重复采集水体的透射光谱数据。
3.根据权利要求1所述的基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法,其特征在于,步骤2)中选用的是局部回归lowess平滑滤波方法进行平滑处理;可选用双向二阶导数预处理、多元散射校正预处理或标准正态变量变换预处理方法进行对透射光谱数据进行预处理。
4.根据权利要求1所述的基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法,其特征在于,步骤4)使用训练集数据作为Elman神经网络的输入,完成一次训练;在训练过程中采用信号前向传播、误差反向传播方式,不断修正网络权值和阈值使误差函数沿负梯度方向下降,逼近期望输出。
6.根据权利要求5所述的基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法,其特征在于,步骤4)中,针对Elman输出层,计算决定系数以及均方根误差用来判定结果。
7.根据权利要求1所述的基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法,其特征在于,步骤5)中,关键参数设置如下:隐含层节点数为8,最大迭代参数为10000,迭代目标误差值为0.001,学习率为0.01,动量因子为0.8。
8.根据权利要求1所述的基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法,其特征在于,步骤6)中,采用预处理后的特征波段进行PLS-Elman神经网络模型的构建。
9.根据权利要求1所述的基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法,其特征在于,步骤6)中,针对训练好的Elman神经网络模型,采用均方最小误差评估方法,以测试集数据为标准,通过固定一种参数改变另外一个参数来进行优化,精度越大,预测效果越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998662.2A CN113686823B (zh) | 2021-08-27 | 2021-08-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998662.2A CN113686823B (zh) | 2021-08-27 | 2021-08-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113686823A true CN113686823A (zh) | 2021-11-23 |
CN113686823B CN113686823B (zh) | 2024-01-23 |
Family
ID=78583563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110998662.2A Active CN113686823B (zh) | 2021-08-27 | 2021-08-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113686823B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007171085A (ja) * | 2005-12-26 | 2007-07-05 | Yasuhiro Go | 硝酸性窒素濃度または硝酸性窒素および亜硝酸性窒素の和の濃度測定用試薬とそれを使用する硝酸性窒素濃度または硝酸性窒素および亜硝酸性窒素の和の濃度測定方法 |
CN106198424A (zh) * | 2016-09-28 | 2016-12-07 | 深圳市七善科技有限公司 | 一种基于全光谱水质在线监测设备及其监测方法 |
CN106525729A (zh) * | 2015-09-12 | 2017-03-22 | 南京理工大学 | 一种基于光谱分析技术的物质元素含量信息检测方法 |
CN108596123A (zh) * | 2018-04-28 | 2018-09-28 | 山东师范大学 | 一种基于高光谱分析的水果硬度检测方法及装置 |
CN109828089A (zh) * | 2019-02-13 | 2019-05-31 | 仲恺农业工程学院 | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 |
JP2019109054A (ja) * | 2017-12-15 | 2019-07-04 | 国立大学法人豊橋技術科学大学 | 硝酸イオンおよび亜硝酸イオンの濃度検出方法および濃度検出装置ならびに植物生長・延命剤製造装置 |
US20190339242A1 (en) * | 2018-05-06 | 2019-11-07 | Beijing Normal University | Method and system for identifying plant species based on hyperspectral data |
CN110738307A (zh) * | 2019-09-16 | 2020-01-31 | 天津大学 | Bp神经网络模型在桃林口水库水质预测中的应用 |
CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
CN111766210A (zh) * | 2020-07-09 | 2020-10-13 | 中国科学院烟台海岸带研究所 | 一种近岸复杂海水硝酸盐氮多光谱测量方法 |
-
2021
- 2021-08-27 CN CN202110998662.2A patent/CN113686823B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007171085A (ja) * | 2005-12-26 | 2007-07-05 | Yasuhiro Go | 硝酸性窒素濃度または硝酸性窒素および亜硝酸性窒素の和の濃度測定用試薬とそれを使用する硝酸性窒素濃度または硝酸性窒素および亜硝酸性窒素の和の濃度測定方法 |
CN106525729A (zh) * | 2015-09-12 | 2017-03-22 | 南京理工大学 | 一种基于光谱分析技术的物质元素含量信息检测方法 |
CN106198424A (zh) * | 2016-09-28 | 2016-12-07 | 深圳市七善科技有限公司 | 一种基于全光谱水质在线监测设备及其监测方法 |
JP2019109054A (ja) * | 2017-12-15 | 2019-07-04 | 国立大学法人豊橋技術科学大学 | 硝酸イオンおよび亜硝酸イオンの濃度検出方法および濃度検出装置ならびに植物生長・延命剤製造装置 |
CN108596123A (zh) * | 2018-04-28 | 2018-09-28 | 山东师范大学 | 一种基于高光谱分析的水果硬度检测方法及装置 |
US20190339242A1 (en) * | 2018-05-06 | 2019-11-07 | Beijing Normal University | Method and system for identifying plant species based on hyperspectral data |
CN109828089A (zh) * | 2019-02-13 | 2019-05-31 | 仲恺农业工程学院 | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 |
CN110738307A (zh) * | 2019-09-16 | 2020-01-31 | 天津大学 | Bp神经网络模型在桃林口水库水质预测中的应用 |
CN111007021A (zh) * | 2019-12-31 | 2020-04-14 | 北京理工大学重庆创新中心 | 基于一维卷积神经网络的高光谱水质参数反演系统及方法 |
CN111766210A (zh) * | 2020-07-09 | 2020-10-13 | 中国科学院烟台海岸带研究所 | 一种近岸复杂海水硝酸盐氮多光谱测量方法 |
Non-Patent Citations (3)
Title |
---|
王彩玲等: "水体透射光谱的多特征融合 COD 含量估算研究", 《应用光学》, vol. 42, no. 3, pages 489 - 491 * |
王洪伟等: "基于高光谱的水体BOD含量模拟估算", 《光谱学与光谱分析》, vol. 41, no. 3, pages 978 - 983 * |
邢立文等: "基于Elman神经网络模型的西河水库水质评价", 《人民长江》, vol. 51, no. 7, pages 65 * |
Also Published As
Publication number | Publication date |
---|---|
CN113686823B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493287B (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
CN110134719B (zh) | 一种结构化数据敏感属性的识别与分类分级方法 | |
CN112712108B (zh) | 一种拉曼光谱多元数据分析方法 | |
CN110377605B (zh) | 一种结构化数据的敏感属性识别与分类分级方法 | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
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 | |
CN115221927A (zh) | 一种紫外-可见光谱的溶解有机碳检测方法 | |
CN111537845A (zh) | 基于拉曼光谱聚类分析的油纸绝缘设备老化状态识别方法 | |
CN102072767A (zh) | 基于波长相似性共识回归红外光谱定量分析方法和装置 | |
CN114611582B (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN102937575A (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN114764682A (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
Huang et al. | Optimal wavelength selection for hyperspectral scattering prediction of apple firmness and soluble solids content | |
CN112630180A (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 | |
CN113686823B (zh) | 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 | |
CN116858822A (zh) | 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法 | |
Ye et al. | Water chemical oxygen demand prediction model based on the CNN and ultraviolet-visible spectroscopy | |
CN114863286B (zh) | 一种基于多算法协同选优的混合废塑料分类方法 | |
CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
CN104297205A (zh) | 一种快速、无损的食用油鉴别方法 | |
CN114544592A (zh) | 一种基于卷积神经网络的拉曼光谱智能分类方法 | |
CN112326619A (zh) | 一种基于双光谱技术的微流控农药残留检测方法 | |
CN111220565A (zh) | 一种基于cpls的红外光谱测量仪器标定迁移方法 | |
CN117556245B (zh) | 一种四甲基氢氧化铵生产过滤杂质检测方法 | |
CN114414524A (zh) | 快速检测航空煤油性质的方法 |
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 |