【技术实现步骤摘要】
本专利技术涉及海洋水质检测，是一种基于复合型神经网络的海水水质检测方法。
技术介绍
1、随着人类生活生产的扩大，经济的发展，能耗增加等遗留问题，使的海洋水质遭到严重污染，近几年，水污染首次超越空气污染成为“严重威胁大众的污染类型排行榜”之首。针对传统化学水质检测容易导致二次水质污染，生物检测成本高、时间慢等缺点，紫外可见光谱检测法快速发展。
2、海水水质污染一般污染物为有机物，硝酸盐，活性磷酸盐，则对于海洋水质检测的目标为化学需氧量、总磷、总氮等获得其紫外可见光谱数据值，通过朗伯比尔定理得到检测物质对应波长的吸光度值，由此得到的数据量十分庞大，并且要构建海水多参数特征光谱数据与多参数浓度之间的非线性映射函数模型，多元线性回归与最小二乘法难以满足光谱数据与浓度间的非线性映射关系。
3、紫外可见光谱数据符合时间序列的特点，所以很多采用处理时间序列的lstm(long short-term memory)算法来进行光谱数据值处理,但处理效果不是很理想，且需要大量数据对lstm神经网络进行训练，使得检测水质所需消耗的时间过长。
技术实现思路
1、本专利技术是为了克服化学水质检测方法的高污染性和生物水质检测方法的高成本性，构建出光谱数据与浓度间的非线性映射关系，发展出一种高效、便捷、无污染的海洋水质检测方法。本专利技术在通过朗伯比尔定律得到待测物质吸光度的基础上，使用cars(competitive adaptive reweighted sampling)算法，进行
2、需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
3、本专利技术提供了一种基于复合型神经网络的海水水质检测方法，本专利技术提供了以下技术方案：
4、一种基于复合型神经网络的海水水质检测方法，所述方法包括以下步骤：
5、步骤1：配制不同浓度的检测目标溶液；
6、步骤2：获得待测目标的紫外可见光光谱吸光度值；
7、步骤3：数据预处理，对数据进行标准差标准化，中心化处理；
8、步骤4：将预处理好的吸光度值数据，运用竞争性自适应权重cars法来提取特征波长；
9、步骤5：构建cars-convlstm模型，根据特征波长所对应的吸光度值用来训练cars-convlstm神经网络，构建检测目标浓度预测模型；
10、步骤6：对检测目标浓度预测模型进行性能测试，并进行检测。
11、优选地，所述步骤1具体为：
12、获取不同浓度的检测目标溶液的紫外可见光谱吸光度值,当待测溶液中含有多种不同的介质时，布格-朗伯-比尔定律同样成立，总的吸光度等于每种不同介质单独吸光的和：
13、
14、其中，l是介质厚度，ki是第i种介质的比例系数，ci是第i种介质的浓度，通过对该溶液照射不同波长的光来得到不同的等式，由等式解出不同介质的浓度。
15、优选地，所述步骤4具体为：
16、在对数据进行标准差标准化后采用cars竞争性自适应重加权采样法对光的波长进行高效的特征波长提取，首先是使用蒙特卡洛法，选取数据集的80％，用来构建pls模型偏最小二乘回归法，并记录pls的回归系数，当有p个波长，b是回归系数向量，而b中第i个元素的回归系数绝对值，记为|bi|(1≤i≤p)，反映了p个波长中第i个波长对回归方程的贡献；因此，|bi|越大，第i个变量就越重要，为了评估每个波长的重要性，将归一化权重定义为:
17、
18、得出wi越大则第i个波长的贡献越大，就越重要。
19、优选地，当cars的mc蒙特卡洛采样运行次数设置为n，有了这个设置，cars将依次选择n个波长子集；利用edf指数递减函数进行强制波长选择，利用edf用力去除相对较小的绝对回归系数的波长，指数递减函数定义为：
20、
21、将波长按照wi降序排列，ri与波长个数相乘筛掉后面的贡献小的波长。
22、优选地，采用ars自适应重加权抽样实现波长的竞争性选择，利用交叉验证对子集进行评估，选择rmse最小的波长子集，作为特征波长。
23、优选地，所述步骤5具体为：
24、convlstm直接将卷积运算输入结果lstm神经网络进行运算，计算公式为：
25、
26、其中，°代表哈达玛积，为卷积,式中it、ft、gt、ct、ot和ht分别为输入门、遗忘门、输入节点、状态单元状态、输出门和隐藏状态；wxi、wxf、wxg、wxo和bi、bf、bg、bo分别为输入门、遗忘门、输入节点和输出门对应的权值向量和偏置量。
27、优选地，采用adam自适应动量的随机优化方法进行数据优化，具体为：
28、计算梯度g(t):与传统的随机梯度下降一样，根据当前参数的梯度计算当前时刻的梯度g(t),t为时刻；
29、计算一阶矩估计m(t)和二阶矩估计v(t)：
30、m(t)＝β1m(t-1)+(1-β1)g(t)
31、v(t)＝β2v(t-1)+(1-β2)g(t)2 (5)
32、其中，β1和β2是矩估计衰减率，控制了一阶矩估计和二阶矩估计的衰减速度；m(t)和v(t)分别表示当前时刻的一阶矩估计和二阶矩估计，m(t-1)和v(t-1)表示上一时刻的一阶矩估计和二阶矩估计；
33、对和进行偏差修正，因为在最开始的时刻m(0)＝0,v(0)＝0,使得下一时刻偏置的矩估计也为0，修正公式为：
34、
35、
36、计算自适应学习率：
37、
38、其中，α是自适应学习率，这个公式会在每次迭代中更新学习率，以实现自适应调整；
39、更新参数：
40、
41、其中,θ是参数，ε是一个非常小的常数用于防止分母为零。
42、一种基于复合型神经网络的海水水质检测系统，所述系统包括：
43、配制模块，配制模块配制不同浓度的检测目标溶液；
44、吸光度值获取模块，所述吸光度值获取模块获得待测目标的紫外可见光光谱吸光度值；
45、数据处理模块，数据处理模块进行数据预处理，对数据进行标准差标准化，中心化处理；本文档来自技高网...
【技术保护点】
1.一种基于复合型神经网络的海水水质检测方法，其特征是：所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征是：所述步骤1具体为：
3.根据权利要求2所述的方法，其特征是：所述步骤4具体为：
4.根据权利要求3所述的方法，其特征是：
5.根据权利要求4所述的方法，其特征是：
6.根据权利要求5所述的方法，其特征是：所述步骤5具体为：
7.根据权利要求6所述的方法，其特征是：采用Adam自适应动量的随机优化方法进行数据优化，具体为：
8.一种基于复合型神经网络的海水水质检测系统，其特征是：所述系统包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-7任意一项所述的方法。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征是：所述处理器执行所述计算机程序时实现权利要求1-7任意一项所述的方法。
【技术特征摘要】
1.一种基于复合型神经网络的海水水质检测方法，其特征是：所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征是：所述步骤1具体为：
3.根据权利要求2所述的方法，其特征是：所述步骤4具体为：
4.根据权利要求3所述的方法，其特征是：
5.根据权利要求4所述的方法，其特征是：
6.根据权利要求5所述的方法，其特征是：所述步骤5具体为：
7.根据权利要求6所述的方法，其特征...
【专利技术属性】
技术研发人员：张晓峻，蔡怡玟，栾雯静，蒋易，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。