[发明专利]基于RBM回归的水质TOC浓度分析方法

摘要

本发明公开了一种基于RBM回归的水质TOC浓度分析方法，多次采集光源发出的光通过不同已知浓度的TOC溶液时的光谱数据，得到每种浓度对应的吸收光谱数据；分别计算光谱数据的吸光度；将所有吸光度值作为训练样本输入限制波尔兹曼机中训练，得到不同迭代次数对应的训练后的受限波尔兹曼机和对应的重构后的训练样本；将重构后的训练样本组合成新的训练样本送入BP神经网络模型中进行训练，得到训练后的BP神经网络模型；将测试样本按训练样本方式处理，并将重构后的测试样本组合成新的测试样本送入BP神经网络模型中进行测试，即得待测溶液的TOC浓度。本方法可提高TOC浓度反演精度，改善浓度反演算法的重复性和可移植性，满足在线检测精度要求。

主权项

1.基于RBM回归的水质TOC浓度分析方法，其特征在于：步骤如下，1)训练样本光谱数据采集：通过光谱仪分别采集光源发出的光通过不同已知浓度的TOC溶液时的光谱数据，得到每种浓度TOC溶液对应的吸收光谱数据；每种浓度TOC溶液的吸收光谱数据进行同样次数的多次采集，使每种浓度TOC溶液对应着一组包含着其浓度特征信息的高维数据；2)吸收光谱数据预处理：将步骤1)采集的所有吸收光谱数据对应减去各自包含的暗光谱，得到预处理后的光谱数据；3)特征波段选取：将预处理后的光谱数据选择特征比较明显的波段进行分析，得到特征波段；4)吸光度的计算：根据朗伯比尔定律分别计算出所选特征波段光谱数据的吸光度；5)RBM参数初始化：初始化限制波尔兹曼机RBM(Restricted Boltzmann Machine)的相关参数，得到初始限制波尔兹曼机RBM网络模型；6)RBM模型构建：将步骤4)计算得到的所有吸光度值作为训练样本输入初始限制波尔兹曼机RBM网络模型中在某一迭代次数下进行训练，利用对比散度算法，得到该迭代次数对应的训练后的受限波尔兹曼机RBM，同时得到该迭代次数对应的降低了维度的重构后的训练样本；7)改变迭代次数，重复步骤6)，得到不同迭代次数下对应的训练后的受限波尔兹曼机RBM和不同迭代次数对应的降低了维度的重构后的训练样本；8)将所有迭代次数下对应的降低了维度的重构后的训练样本组合成新的训练样本送入BP神经网络模型中进行训练，得到训练后的BP神经网络模型；9)测试样本光谱数据采集：通过光谱仪多次采集光源发出的光通过待测浓度TOC溶液时的吸收光谱数据，得到待测浓度TOC溶液对应着的一组包含着其TOC浓度特征信息的高维数据；10)将测试样本光谱数据依次按步骤2)、步骤3)和步骤4)进行处理，得到每个测试样本光谱数据对应的吸光度值；11)将步骤10)得到的所有吸光度值作为测试样本分别输入步骤7)得到的所有训练后的受限波尔兹曼机RBM中并分别按训练后的受限波尔兹曼机RBM对应的迭代次数进行训练，得到不同迭代次数对应的降低了维度的重构后的测试样本；12)将所有迭代次数下对应的降低了维度的重构后的测试样本组合成新的测试样本，再将该新的测试样本送入训练后的BP神经网络模型中进行测试，即可得到待测溶液的TOC浓度值。