[发明专利]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

说明书

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。

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；