基于紫外-可见光谱与深度学习CNN算法的水质COD预测模型研究（英文）

作者：贾文珅; 张恒之; 马洁; 梁刚; 王纪华; 刘鑫^*

来源：光谱学与光谱分析, 2020, 40(09): 2981-2988.

• 紫外-可见光谱
• 卷积神经网络
• 化学需氧量
• 预测模型

水是生命之源,作为人类生活的必需品,水质的优劣直接关系到人们的健康生活。目前,关于水质COD在线检测方法的研究主要集中在光谱数据预处理和光谱特征提取,而针对光谱数据建模方法的研究较少。卷积神经网络(CNN)作为目前深度学习领域应用最广泛的网络模型,具有强大的特征提取和特征映射能力,本文将CNN与紫外-可见光谱分析法相结合,建立了基于CNN的水质COD紫外-可见光谱预测模型。模型使用Savitzky-Golay平滑滤波方法去除光谱噪声,光谱输入卷积层提取光谱数据特征、池化层降维、全连接层映射全局特征,通过ReLU和Adam优化方法,从而得到模型的预测值。通过实验发现, CNN模型具有较强的水质COD预测能力,具有较高的预测精度和回归拟合优度,通过与BP, PCA-BP, PLSR和RF等模型比较后发现, CNN模型的预测样本的RMSEP和MAE最小,R2最大,模型拟合效果最优。在与训练样本的模型效果评价对比后发现,模型具有较强的泛化能力。针对吸收光谱的波峰偏移对预测结果所造成的预测结果不准确的问题,作者还提出了一种基于CNN的分类回归模型卷积神经网络增强模型(CNNs),去噪后的光谱数据通过CNN分类模型按照吸收波峰的不同特征分为三类,分别输入对应CNN回归模型进行预测。实验结果表明,分段式CNNs模型比整体式CNN模型的拟合效果更好,预测精度更高,R2达到0.999 1,测试样本的MAE和RMSEP分别为2.314 3和3.874 5,比CNN分别下降了25.9%和21.33%,效果显著。通过对预测模型的性能测试,计算得出检出限为0.28mg·L-1,测量范围为2.8～500mg·L-1。本文创新的将卷积神经网络与光谱分析方法相结合,为光谱分析方法在水质COD吸收光谱建模的应用开拓了新思路。

• 单位
  自动化学院; 农业部; 北京信息科技大学