一种基于深度神经网络的海洋水质检测方法技术

本发明专利技术提供一种基于深度神经网络的海洋水质检测方法，本发明专利技术在朗伯比尔定律的基础上，通过卷积神经网络(ConvolutionalNeuralNetwork,CNN)实现多参数的紫外可见光谱特征自适应提取。通过特征提取后不同待测物质在不同特征波长处的吸光度值，建立基于长短期记忆神经网络(LongShort

【技术实现步骤摘要】
一种基于深度神经网络的海洋水质检测方法


[0001]本专利技术属于通海洋水质检测
，具体涉及一种深度神经网络(Convolutional Neural Network
‑
Long
‑
ShortTerm Memory Networks，CNN
‑
LSTM)算法来处理海洋水质紫外可见光谱信号。

技术介绍

[0002]人类活动对海洋造成了大范围的污染，致使海洋各项功能区的环境指标被破坏，需求无法被满足。海洋水质污染主要包括有机物污染、总磷、总氮、氨氮以及固体悬浮物污染。而传统检测方式测量化学需氧量、总磷、总氮、氨氮、浊度等耗时耗能、检测步骤繁琐。同时其他的化学测量方式将会产生新的污染物。深度神经网络CNN
‑
LSTM以其自适应的提取数据特征以及高性能的处理时间序列的优势被广泛使用。使用卷积神经网络CNN实现自适应的特征提取解决了海洋水质的紫外可见光谱数据量大的问题，同时提升运算效率以及预测精度。CNN
‑
LSTM现可用于实现滚动轴承故障诊断、海上风电功率预测和景区每日客流预测，LSTM已被用来实现矿井水源识别和自来水厂智能化制水，因此CNN
‑
LSTM在水质检测方面有很大的应用前景。
[0003]在朗伯比尔定律的基础上通过光谱分析实现海洋水质检测作为一种高效便捷无污染的新型水质检测方式得到快速发展。本专利技术在朗伯比尔定律的基础上，通过卷积神经网络(Convolutional Neural Network,CNN)实现多参数的特征自适应提取。通过特征提取后不同待测物质在不同特征波长处的吸光度值，建立基于长短期记忆神经网络(Long Short
‑
Term Memory Networks,LSTM)，实现海洋水质多参数检测。相对于传统的水质检测方法而言，本专利技术的CNN
‑
LSTM海洋水质检测方法对连续光谱的海洋水质实现多参数精确测量，避免蓝移效应等对测量结果的影响。提高测量精度的同时，确保检测方式更加安全、可靠无污染。此外该检测方法不受检测地点限制可实现多个待测参量的浓度检测，将获取的基于紫外可见光谱波段的海洋水质信号传输至远程上位机实时处理。

技术实现思路

[0004]本专利技术的目的是为了克服传统水质检测方法耗时耗能、步骤繁琐且有新的污染物生成的问题而提出一种高效、便捷、无污染的新型海洋水质检测方法。本专利技术在朗伯比尔定律的基础上，通过卷积神经网络(Convolutional Neural Network,CNN)实现多参数的紫外可见光谱特征自适应提取。通过特征提取后不同待测物质在不同特征波长处的吸光度值，建立基于长短期记忆神经网络(Long Short
‑
Term Memory Networks,LSTM)，实现对海洋水质检测中主要待测参量如化学需氧量、总磷、总氮、氨氮、浊度的精确测量。
[0005]本专利技术的目的是这样实现的：包括如下步骤：
[0006]1.配制溶液
[0007]2.针对不同待测物质获取其不同浓度下的紫外可见光谱的吸光度值。
[0008]3.数据预处理：根据朗伯比尔定律中吸光度可叠加性，将步骤2中提取到的不同待
测物质的特征光谱，构成新的数据集。将该数据集中的数据进行分组，分别为60％的训练集、20％的交叉验证集、20％的测试集。
[0009]4.根据待测溶质不同浓度下的光谱特征，通过卷积神经网络(Convolutional Neural Network,CNN)实现多参数的紫外可见光谱特征自适应提取。
[0010]5.将步骤4中获取的数据集，引入长短期神经网络(Long Short
‑
Term Memory Networks,LSTM)，构建多参数浓度预测模型。
[0011]6.模型预测与性能测试
[0012]上述检测方法基于朗伯比尔定律实现混合溶液溶质浓度预测。朗伯比尔定律指出当一束单色平行光垂直通过均匀的非散射溶液时，光强由初始的I0衰减的I，这种衰减与溶液的摩尔吸光系数、溶液浓度以及光程有关。
[0013]A＝
‑
lg(T)＝
‑
lg(I/I0)＝εCλ(1)
[0014]式中:A为吸光度,T为透射率,I0为紫外光源LED初始光强,I为探测器接收到的光强,ε为摩尔吸收系数,C为待测溶液浓度,λ为光程。
[0015]当混合溶液中存在两种或两种以上对光有吸收的物质，在同一波长下共存物质不互相影响，则该混合溶液中总吸光度为共存物质各组分的吸光度之和。
[0016]A＝A
a
+A
b
+A
c
+A
d
+A
e
ꢀꢀ
(2)
[0017]式中:A为总吸光度，A
a
、A
b
、A
c
、A
d
、A
e
为混合溶液中共存物质各组分的吸光度。
[0018]步骤4中通过一种卷积神经网络算法实现自适应的多元变量选择。自适应多元特征提取的卷积神经网络由输入层、卷积层、池化层构成。输入层由输入数据的维度决定。卷积层中由卷积核遍历输入层得到输入数据特征，卷积核的大小影响卷积后的数据矩阵大小，卷积核的个数决定卷积后的数据深度。通过批标准化(Batch Normalization，BN)使得mini
‑
batch的均值为0，方差为1，更有利于加速模型收敛。
[0019][0020][0021][0022][0023]式中:x
i
为输入值，y
i
为输出值，μ
B
为均值，为方差，γ,β通过机器学习得到。
[0024]池化层通过最大池化以及平均池化更进一步的缩小数据矩阵的尺寸大小。常见的激活函数有Sigmoid、tanh、ReLU等，Tanh相比于Sigmoid、ReLU解决了梯度弥散问题，同时Tanh函数满足原点对称在循环过程中可以扩大特征效果，针对紫外可见吸光度光谱信号的特征适用于Tanh作为激活函数。Tanh函数表达式如下：
[0025][0026]步骤5中通过长短期记忆(Long Short
‑
Term Memory Networks,LSTM)循环神经网络处理不同浓度多种待测物质特征光谱数据。(Long Short
‑
Term Memory Networks,LSTM)
长短期记忆神经网络由于其循环结构特性包括遗忘门、输入门、输出门三大结构并具有传输带保持记忆，适合处理时间序列数据。时间序列是指随着时间推移信号呈现一定的规律，而光谱数据是指随着波长变换对应的吸光度呈现一定的规律，因此光谱数据满足时间序列数据特点。
[0027]输入门：
[0028]I
t
＝σ(X本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的海洋水质检测方法，其特征在于，步骤如下：步骤1：配制溶液；步骤2：针对不同待测物质获取其不同浓度下的紫外可见光谱的吸光度值；步骤3：数据预处理：根据朗伯比尔定律中吸光度可叠加性，将步骤2中提取到的不同待测物质的特征光谱，构成新的数据集；将该数据集中的数据进行分组，分别为60％的训练集、20％的交叉验证集、20％的测试集；步骤4：根据待测溶质不同浓度下的光谱特征，通过卷积神经网络实现多参数的紫外可见光谱特征自适应提取；步骤5：将步骤4中获取的数据集，引入长短期神经网络，构建多参数浓度预测模型；步骤6：模型预测与性能测试。2.根据权利要求1所述的一种基于深度神经网络的海洋水质检测方法，其特征在于：步骤4中通过一种卷积神经网络算法实现自适应的多元变量选择，自适应多元特征提取的卷积神经网络由输入层、卷积层、池化层构成，卷积层中由卷积核遍历输入层得到输入数据特征，卷积核的大小影响卷积后的数据矩阵大小，卷积核的个数决定卷积后的数据深度；通过批标准化使得mini
‑
batch的均值为0，方差为1，加速模型收敛；batch的均值为0，方差为1，加速模型收敛；batch的均值为0，方差为1，加速模型收敛；batch的均值为0，方差为1，加速模型收敛；式中:x
i
为输入值，y
i
为输出值，μ
B
为均值，为方差，γ,β通过机器学习得到。3.根据权利要求1所述的一种基于深度神经网络的海洋水质检测方法，其特征在于：步骤5中通过长短期记忆循环神经网络处理不同浓度多种待测物质特征光谱数据，长短期记忆神经网络由于其循环结构特性包括遗忘门、输入门、输出门三大结构并具有传输带保持记忆，时...

【专利技术属性】
技术研发人员：张晓峻，武瑾，申鑫鹏，蔡怡玟，王奕颖，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：