[发明专利]基于交叉神经网络的海水综合光谱生态参量快速监测方法

权利要求书

1.基于交叉神经网络的海水综合光谱生态参量快速监测方法，其特征在于，包括以下步骤：

1)接收标准液样品的紫外可见吸收光谱和三维荧光光谱作为初始光谱数据；

2)对初始光谱数据进行平滑去噪、差分和归一化预处理，得到构建交叉神经网络模型的综合光谱数据集；

3)建立并训练交叉神经网络模型，将综合光谱数据集输入模型，通过融合光谱特征矩阵，交叉参考紫外可见吸收光谱与荧光光谱的信息，输出多个海水生态参量组分含量的预测值，并与真实值对比以调整网络权重；

4)模型精度达标后停止训练，固定网络权重，应用时将待测海水样品的光谱数据进行平滑去噪、差分和归一化预处理，然后输入到训练好的交叉神经网络模型，输出生态参量组分的含量。

2.根据权利要求1所述的基于交叉神经网络的海水综合光谱生态参量快速监测方法，其特征在于，步骤2)中对初始光谱数据进行预处理，具体为：

201)对紫外可见吸收光谱进行预处理，根据下式将原始光强转换为吸光度：

其中，A为吸光度，I₀为原始光强，I为出射光强；

202)使用Savitzky-Golay卷积平滑算法对紫外可见吸收光谱和三维荧光光谱进行平滑滤波；

203)对紫外可见吸收光谱进行一阶与二阶差分，得到紫外可见吸收光谱及其一阶、二阶差分光谱共计三组数据；

其中，A_λ为波长λ处的吸光度，为一阶差分，为二阶差分，Δ为吸收光谱的分辨率；

204)根据下式对紫外可见吸收光谱及其一阶、二阶差分光谱和三维荧光光谱进行归一化处理：

其中，x_i为原始数据，m为样本数量，即为最终的训练集输入数据，∈为防止除0溢出的余项，取10^-9；需要保存μ与σ的值以便实际应用时对输入数据进行归一化处理；

205)将预处理得到的紫外可见吸收光谱及其一阶、二阶差分光谱向量，拼接后得到吸收光谱矩阵，预处理后的三维荧光光谱直接得到荧光光谱矩阵，将吸收光谱矩阵、荧光光谱矩阵、真实值组合在一起作为建模数据集，并按7:3的比例随机划分为训练集和测试集。

3.根据权利要求2所述的基于交叉神经网络的海水综合光谱生态参量快速监测方法，其特征在于，步骤3)具体为：

301)将吸收光谱矩阵和荧光光谱矩阵作为输入数据，吸收光谱矩阵经过三次卷积池化后，获得吸收光谱特征矩阵，表征海水样品中待测物质的吸收光谱特征；荧光光谱矩阵经过三次卷积池化，获得荧光光谱特征矩阵，表征海水样品中待测物质的荧光光谱特征；

302)将吸收光谱特征矩阵和荧光光谱特征矩阵进行拼接获得综合光谱交叉矩阵；

303)对综合光谱交叉矩阵进行两次卷积池化操作以交叉参考吸收光谱与荧光光谱的信息，再展平为一维向量，通过全连接层输出DOC、NO₃^-、NO₂^-浓度；

304)将真实值与模型的预测值对比求出误差，进行反向传播以更新网络权重，将所有训练集数据都使用过一次记为一个epoch，10个epoch后通过测试集验证模型的泛化能力，当模型在测试集上精度达标后，停止训练。

4.根据权利要求3所述的基于交叉神经网络的海水综合光谱生态参量快速监测方法，其特征在于，模型训练分为两个阶段：

第一阶段使用单物质标液数据进行训练，训练单种物质的反演模型；第二阶段使用混合液数据进行训练，训练多种物质的反演模型。

5.根据权利要求3所述的基于交叉神经网络的海水综合光谱生态参量快速监测方法，其特征在于，所有激活函数采取Leaky RELU，公式如下：

其中，x为单个神经元的前向传播输出值，α为超参数，取0.01。