[发明专利]海岸环境微塑料的开集识别方法

说明书

本发明提供一种海岸环境微塑料的开集识别方法，包含以下步骤：a.在海岸环境下收集微塑料样本并分离制备；b.采集微塑料样本的红外光谱信息并随机分为校正样本和预测样本；c.提取特征光谱数据矩阵；d.构建单类开集识别模型；e.利用所述多个单类模型建立单类集成多类的开集识别模型；f.利用校正样本对开集识别模型进行参数校正，得到校正模型；g.利用红外光谱仪对待测微塑料样本进行红外光谱信息采集并提取特征光谱数据矩阵；h.将特征光谱矩阵输入到校正模型中得到判别函数。i.将判别函数的平方残差进行降序排列的，去除较大残差后得剩余平方残差之和达到最小，得到最小残差。j.将最小残差输入到校正模型的判别函数中获得相应成分解析结果。

技术领域

本发明涉及光谱解析领域，特别是一种基于单类集成、多类开集模型，配合自适应最小残差判决原则的识别解析方法。

背景技术

微塑料污染对海洋生态安全构成了严重危害，建立一套准确、高效的微塑料解析技术是微塑料污染治理和海洋环境监测的重要前提，但环境微塑料解析面临两个明显的困境：

首先，微塑料样本化学成分复杂，特别是微塑料内部的添加剂，诸如塑化剂、抗氧化剂等成分不明，导致实际采集到的微塑料样本具有多样性和未知性。面对的复杂多样的环境样本，由于无法对所有类型样本光谱进行训练建模，传统的闭集识别方法无法精确识别。同时微塑料样本的数量分布不平衡，其中聚乙烯、聚丙烯等样本数量占整体样本量的70％以上，而尼龙等样本占整体样本量的3％以下。不平衡数据分布会导致严重偏离分类面，对识别效果会产生较大不良影响。

其次，海洋环境里采集到微塑料样本中含有大量疑似颗粒，如砂砾、纤维等，当前传统闭集识别中一般假定：“测试样本一定能与训练数据库的样本相匹配”，这不符合现实环境采集微塑料样本的真实情况。此外，采用闭集光谱识别技术前需要大量的人工筛选工作，对人力成本要求过高。

真实世界的识别问题本质上是一个开集问题，识别系统需要能够发现并学习未知的识别类别。因此，有必要基于上述两点困境进行技术上的改进。

发明内容

本发明为了克服现有技术存在的缺点和不足，提供了一种海岸环境下多样性微塑料样本的精准解析方法。

一种海岸环境微塑料的开集识别方法，包含以下步骤：

a.在海岸环境下收集具有不同老化程度且足够数量的，粒径1mm以上的微塑料样本，并进行分离制备。

b.利用傅里叶变换红外仪对所述微塑料样本的红外光谱信息进行快速无损采集，得到微塑料样本的红外光谱信息，将所述红外光谱信息随机分为校正样本和预测样本。

c.利用所述红外光谱信息的提取特征光谱数据矩阵。

d.利用一类样本的红外光谱信息构建基于高斯分布的单类识别模型，并将模型边界外模型拒绝识别标记为异类；根据样本种类数K分别建立K个单类识别模型。

e.利用所述K个单类识别模型拓展成单类集成多类的开集识别模型；

f.利用所述校正样本对所述开集识别模型进行参数校正，得到校正模型。

g.利用傅里叶变换红外仪对待测微塑料样本红外光谱信息进行快速无损采集。对获取的红外光谱信息提取特征光谱数据矩阵；

h.将步骤g中获取的特征光谱数据矩阵输入到步骤f的校正模型中得到判别函数；

i.将判别函数中的平方残差进行降序排列，去除由于样本多样性产生的排序较前的较大残差，使得剩余平方残差之和达到最小。利用自适应最小残差代替总残差；

j.利用所述自适应最小残差输入到判别函数中获得相应成分解析结果。