[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

说明书

本发明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，包括：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；对初始光谱数据进行预处理，得到综合光谱数据集；建立交叉神经网络模型，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三维荧光光谱的信息，输出多个海水生态参量组分含量的预测值，与真实值对比调整网络权重；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经预处理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。本发明的方法可同时测定多个生态参量，提高监测效率与精度，为海水水质多参数传感器的研制提供关键技术。

技术领域

本发明涉及海水多生态参量监测，具体为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。

背景技术

紫外可见吸收光谱法是利用水中物质对紫外光和可见光的吸收特性，从吸收光谱推算物质含量的一种水质检测方法。其中物质对光吸收的定量定律是基于朗伯比尔定律，通常水体中的有机物和部分无机物对于紫外可见区段的光具有一定的吸收能力，通过紫外可见吸收光谱法来测定水质参数。

荧光分析法属于直接光谱法中的一种，是利用部分物质的荧光特性来鉴别物质种类和检测物质含量的检测技术。通过固定激发光的波长，使用激发光照射水样使之发射荧光，收集到的荧光光谱为荧光发射光谱。三维荧光光谱则是由激发波长(y轴))——发射波长(x轴)——荧光强度(z轴)三维坐标所表征的矩阵光谱。通常的荧光光谱是荧光强度对发射波长扫描所得的平面图。

神经网络方法是一种基于人工神经元的数学模型，可以用来处理复杂的非线性问题，具有自学习、自组织、自适应性的优点。神经网络方法可以处理复杂系统问题和同时处理定量和定性的信息，在多信息融合上极具优势。近些年在海水生态参量监测领域应用较多。

海水生态参量多参数监测领域中，除了仪器干扰、其他物质干扰，多个待测参数之间也容易产生混叠干扰，影响光谱反演浓度的精度。如在紫外可见吸收光谱中，NO₃^-与NO₂^-的吸收峰重叠区域较大，难以将两种物质对光谱的影响区分开来，使得同时测定NO₃^-与NO₂^-的难度较大。DOC(dissolvedorganic carbon，溶解有机碳)在紫外区和可见区都有吸收，与NO₃^-与NO₂^-重叠的同时也会影响浊度等干扰的扣除，进一步加大了多参数同时测定的难度。

发明内容

为解决海水生态参量多参数监测时容易产生的混叠干扰问题，本发明提出了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，可同时测定多个生态参量，提高监测效率与精度。

本发明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，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。

在本发明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中，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：