一种基于紫外-可见光谱法的工业废水分类方法技术

本发明专利技术提供一种基于紫外

【技术实现步骤摘要】
一种基于紫外
‑
可见光谱法的工业废水分类方法


[0001]本专利技术涉及废水分类的
，尤其涉及一种基于紫外
‑
可见光谱法的工业废水分类方法。

技术介绍

[0002]工业废水分类是水污染防治和水资源管理的基础性工作，水体化学需氧量(Chemical OxygenDemand，COD)是衡量水体质量的核心指标，其数值越大，意味着污水的有机物污染情况越严重。
[0003]现有工业废水中通过COD浓度量划分为三类，由此准确快速的对于水体中COD的分类判断对于水质的监测以及预防有重要意义；但由于污水数据随时间、季节、气象条件等变化具有一定的周期性，但是并非呈现线性趋势，因此实时的对水质情况进行分类有一定的难度，普通的方法已经无法应对日益复杂的水质变化。故，亟需一种更快速、更精准的COD分类方法。

技术实现思路

[0004]本专利技术提供一种基于紫外
‑
可见光谱法的工业废水分类方法，用以解决现有技术中对于水体中COD分类精准度低、效率低的缺陷。
[0005]本专利技术提供一种基于紫外
‑
可见光谱法的工业废水分类方法，包括以下步骤：
[0006]获取待测废水的紫外
‑
可见光谱COD数据；
[0007]对所述紫外
‑
可见光谱COD数据进行去噪处理，并将处理后的数据按比例划分为训练集、测试集与验证集；
[0008]通过CNN模型提取输入特征，构建时序性的特征向量；r/>[0009]将所述特征向量输入到GRU网络中进行模型训练；
[0010]采用softmax分类器将经过GRU网络激活处理的所述特征向量，通过归一化处理得到所述特征向量对应的概率，通过测试集与验证集对模型中参数进行更新优化迭代，进而生成CNN
‑
GRU分类混合模型；
[0011]通过CNN
‑
GRU分类混合模型进行预测，并将模型预测的结果进行反归一化处理并输出，得到预测的分类结果。
[0012]根据本专利技术提供的一种基于紫外
‑
可见光谱法的工业废水分类方法，所述获取待测废水的紫外
‑
可见光谱COD数据包括：
[0013]配置三组待测工业废水COD的标准溶液，每一组标准溶液分别对应每一分类；
[0014]对在每一分类的范围内标准溶液不断稀释，通过光谱仪测得每一分类范围内的多组紫外
‑
可见光谱数据。
[0015]根据本专利技术提供的一种基于紫外
‑
可见光谱法的工业废水分类方法，其特征在于，所述光谱仪采集的积分时间为80ms，平均扫描次数为10次。
[0016]根据本专利技术提供的一种基于紫外
‑
可见光谱法的工业废水分类方法，所述通过CNN
模型提取输入特征包括：提取的输入特征为低纬深层次特征。
[0017]根据本专利技术提供的一种基于紫外
‑
可见光谱法的工业废水分类方法，所述模型训练为采用两层的GRU网络进行训练。
[0018]根据本专利技术提供的一种基于紫外
‑
可见光谱法的工业废水分类方法，所述对所述紫外
‑
可见光谱COD数据进行去噪处理包括：通过高斯滤波算法对数据进行去噪。
[0019]本专利技术公开的实施例所提供的技术方案至少具有如下的有益效果：
[0020]本专利技术提供的一种基于紫外
‑
可见光谱法的工业废水分类方法，该方法克服了在深层网络中，输入层参数改动较慢，而采用梯度下降时会形成局部收敛的问题。通过高斯滤波去噪，去除高频波段噪声，便于数据处理，提升数据处理效率。利用CNN提取光谱数据特征，接着输入GRU单元中，实现紫外
‑
可见光谱COD数据精准分类。CNN
‑
GRU模型的预测精度与预测效率具有显著优势。
附图说明
[0021]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是本专利技术提供的工业废水的CNN
‑
GRU分类方法的流程示意图之一；
[0023]图2是本专利技术提供的工业废水的CNN
‑
GRU分类方法的流程示意图之二；
[0024]图3是本专利技术提供的COD紫外
‑
可见光谱数据示意图；
[0025]图4是本专利技术提供的CNN
‑
GRU模型COD分类训练结果图。
具体实施方式
[0026]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0027]在现有标准中，将工业废水对于COD划分为3个类别，如表1中工业废水COD分类标准所示：
[0028]工业废水分类浓度(mg/L)Ⅰ类0～100Ⅱ类100～150Ⅲ类150～500
[0029]表1
[0030]下面结合图1、图2描述本专利技术的一种基于紫外
‑
可见光谱法的工业废水分类方法，
[0031]在步骤S10中，获取待测废水的紫外
‑
可见光谱COD数据；具体地：
[0032]根据上述的按个分类标准分别配置三组邻苯二甲酸氢钾的标准溶液，三组标准溶液的浓度分别为100mg/L、150mg/L、500mg/L。
[0033]更具体地，将100mg/L、150mg/L、500mg/L的标准溶液根据浓度分为500份，并利用
纯水稀释至0mg/L
‑
100mg/L、100mg/L
‑
150mg/L、150mg/L
‑
500mg/L浓度范围。根据朗伯
‑
比尔定律，当一束平行分单色光垂直地穿过无散射、均匀的溶液时候，吸光溶液的吸光度和吸光溶液的浓度和光程呈正相关，因此检测待测样品会在200nm～1100nm之间的波长范围内吸收光谱上的特定特征波长，特征波长的吸光度和高度两个参数可以得出待检测物质中的分子成分和含量。得到光谱数据后根据特征波长依靠神经网络能有效划分为3个类别。
[0034]在每一分类标准范围类多次稀释邻苯二甲酸氢钾溶液，通过光谱仪从而测得每类区间的水质紫外
‑
可见光谱数据，共计500组数据。在一具体的实施例中，将搭建光谱仪系统，该系统主要有氘卤灯光源，光衰减器，支架，Maya2000 pro光谱仪以及电脑组成；为避免光照本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于紫外
‑
可见光谱法的工业废水分类方法，其特征在于，包括以下步骤：获取待测废水的紫外
‑
可见光谱COD数据；对所述紫外
‑
可见光谱COD数据进行去噪处理，并将处理后的数据按比例划分为训练集、测试集与验证集；通过CNN模型提取输入特征，构建时序性的特征向量；将所述特征向量输入到GRU网络中进行模型训练；采用softmax分类器将经过GRU网络激活处理的所述特征向量，通过归一化处理得到所述特征向量对应的概率，通过测试集与验证集对模型中参数进行更新优化迭代，进而生成CNN
‑
GRU分类混合模型；通过CNN
‑
GRU分类混合模型进行预测，并将模型预测的结果进行反归一化处理并输出，得到预测的分类结果。2.根据权利要求1所述的工业废水分类方法，其特...

【专利技术属性】
技术研发人员：汤斌，缪俊峰，杨江林，龙邹荣，叶彬强，夏铭涌，昝佳欣，孙嘉怡，钟年丙，赵明富，
申请(专利权)人：重庆市清华中学校，
类型：发明
国别省市：