基于紫外-可见光吸收光谱的制造技术

本发明专利技术公开了基于紫外

【技术实现步骤摘要】
基于紫外
‑
可见光吸收光谱的COD软测量模型构建方法


[0001]本专利技术涉及水质监测
，更具体地说，它涉及基于紫外
‑
可见光吸收光谱的
COD
软测量模型构建方法
。

技术介绍

[0002]COD(Chemical Oxygen Demand)
是水体污染的重要指标之一，对水质监测和处理具有重要意义
。
软测量是一种基于数学模型和数据分析的实时监测技术，具有免试剂
、
实时性
、
准确性和经济性等优点
。
然而，由于
COD
检测数据存在噪声
、
非线性等问题，
COD
软测量模型的精度和泛化能力差，目前还是普遍采用传统的现场取样
‑
化学试剂分析的
COD
检测方法
。
[0003]有鉴于此，专利技术人提供一种基于紫外
‑
可见光吸收光谱的
COD
软测量模型构建方法，提高
COD
软测量模型的精度和泛化能力，代替传统的现场取样
‑
化学试剂分析的
COD
检测
。

技术实现思路

[0004]本申请的目的是提供基于紫外
‑
可见光吸收光谱的
COD
软测量模型构建方法，解决
技术介绍
中存在的问题
。
[0005]本申请的上述技术目的是通过以下技术方案得以实现的：包括
[0006]S1、
对光谱探头全波段的吸光度进行重复性和稳定性检验，获得检验合格的光谱探头；
[0007]S2、
通过检验合格的光谱探头采集不同水样在全波段的吸收光谱作为水样的光谱数据，通过水样的光谱数据和水样对应的浓度值构建水样样本，通过多组水样样本构建数据库；
[0008]S3、
通过
CARS
算法对所述数据库中的水样光谱数据进行变量筛选，选出交互验证均方根误差最低的变量组合形成预测模型的训练样本集；
[0009]S4、
基于所述训练样本集构建
LSSVR
预测模型，基于
DBO
算法优化所述
LSSVR
预测模型的参数，形成基于紫外
‑
可见光吸收光谱的
COD
软测量模型
。
[0010]采用上述技术方案，通过皮尔森系数确保光谱探头采集数据的可用性，采集不同组分水样的光谱数据和浓度值构建数据库；利用
CARS
算法提取光谱数据中感兴趣波段内特征波长所对应吸光度作为预测模型的输入；主体建模方式选择
LSSVR
算法，并使用
DBO
算法对
LSSVR
算法中的超参数进行自适应寻优，增强模型准确度；通过本方法构建的
COD
软测量模型，精度与泛化能力具佳，可以代替传统现场取样
‑
化学试剂分析的
COD
检测方法，同时本方法获得的
COD
软测量模型还可以用于对水质的在线监测
。
[0011]进一步的，所述步骤
S1
包括：
[0012]通过光谱探头采集同一样品在同一时刻的多次全波段光谱数据，计算多次全波段光谱数据的皮尔逊系数，当皮尔逊系数满足相关性要求时，视为光谱探头通过吸光度重复
性检验；
[0013]通过光谱探头采集同一样品在一段时间内的多次全波段光谱数据，计算多次全波段光谱数据的皮尔逊系数，当皮尔逊系数满足相关性要求时，视为光谱探头通过吸光度稳定性检验；
[0014]将同时通过吸光度重复性检验和吸光度稳定性检验的光谱探头作为检验合格的光谱探头
。
[0015]进一步的，所述皮尔森系数
r
表示为：
[0016][0017]其中，
x
i
与
y
i
表示两组不同的全波段光谱数据，与分别表示
x
i
与
y
i
的平均值，
r
表示皮尔森系数，
r
值大于
0.99
时认为两组全波段光谱数据的皮尔逊系数满足相关性要求
。
[0018]进一步的，所述步骤
S2
包括：
[0019]通过检验合格的光谱探头对不同组分的水样采集光谱数据，对同一组分的水样采集多次光谱数据并取平均值作为该水样的光谱数据，所述光谱数据为水样在全波段的吸收光谱数据，将光谱数据进行去噪处理后与水样对应的浓度值组合形成水样样本，通过多组水样样本构建数据库
。
[0020]进一步的，所述步骤
S3
包括：
[0021]S31、
每次随机从数据库中选择一定数量的光谱数据作为校正集建立
PLS
模型，将每次采样过程
PLS
模型中的回归系数绝对值的百分比作为变量的重要性指标，所述变量指代光谱数据中某一特征波长吸光度的数据；
[0022]S32、
利用指数衰减函数去除回归系数绝对值的百分比相对较小的变量，得到保留变量比例；
[0023]S33、
根据保留变量比例确定采样变量个数，进行重采样
PLS
建模，并计算交叉验证均方根误差；
[0024]S34、
根据设置的循环迭代次数进行循环计算，得到多个变量组合和多个交叉验证均方根误差，选择交叉验证均方根误差最小的变量组合作为预测模型的训练样本集
。
[0025]进一步的，其特征是：在第
i
次采样建立
PLS
模型时，保留变量比例
r
i
为：
[0026]r
i
＝
ae
‑
ki
[0027]a
＝
(P/2)
1/(N
‑
1)
[0028]k
＝
ln(P/2)/(N
‑
1)
[0029]其中，
r
i
为第
i
次采样时的保留变量比例，
i∈(0,N)
为循环迭代次数，
N
为最大循环迭代次数，
a
和
k
为常数，
P
为全部变量
。
[0030]进一步的，所述步骤
S4
包括：
[0031]S41、
根据预测模型的训练样本集构造预测模型函数
,
构造核函数与偏置项得到
LSSVR
预测模型；
[0032]S42、
通过
DBO<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于紫外
‑
可见光吸收光谱的
COD
软测量模型构建方法，其特征是：包括
S1、
对光谱探头全波段的吸光度进行重复性和稳定性检验，获得检验合格的光谱探头；
S2、
通过检验合格的光谱探头采集不同水样在全波段的吸收光谱作为水样的光谱数据，通过水样的光谱数据和水样对应的浓度值构建水样样本，通过多组水样样本构建数据库；
S3、
通过
CARS
算法对所述数据库中的水样光谱数据进行变量筛选，选出交互验证均方根误差最低的变量组合形成预测模型的训练样本集；
S4、
基于所述训练样本集构建
LSSVR
预测模型，基于
DBO
算法优化所述
LSSVR
预测模型的参数，形成基于紫外
‑
可见光吸收光谱的
COD
软测量模型
。2.
根据权利要求1所述的基于紫外
‑
可见光吸收光谱的
COD
软测量模型构建方法，其特征是：所述步骤
S1
包括：通过光谱探头采集同一样品在同一时刻的多次全波段光谱数据，计算多次全波段光谱数据的皮尔逊系数，当皮尔逊系数满足相关性要求时，视为光谱探头通过吸光度重复性检验；通过光谱探头采集同一样品在一段时间内的多次全波段光谱数据，计算多次全波段光谱数据的皮尔逊系数，当皮尔逊系数满足相关性要求时，视为光谱探头通过吸光度稳定性检验；将同时通过吸光度重复性检验和吸光度稳定性检验的光谱探头作为检验合格的光谱探头
。3.
根据权利要求2所述的基于紫外
‑
可见光吸收光谱的
COD
软测量模型构建方法，其特征是：所述皮尔森系数
r
表示为：其中，
x
i
与
y
i
表示两组不同的全波段光谱数据，与分别表示
x
i
与
y
i
的平均值，
r
表示皮尔森系数，
r
值大于
0.99
时认为两组全波段光谱数据的皮尔逊系数满足相关性要求
。4.
根据权利要求1所述的基于紫外
‑
可见光吸收光谱的
COD
软测量模型构建方法，其特征是：所述步骤
S2
包括：通过检验合格的光谱探头对不同组分的水样采集光谱数据，对同一组分的水样采集多次光谱数据并取平均值作为该水样的光谱数据，所述光谱数据为水样在全波段的吸收光谱数据，将光谱数据进行去噪处理后与水样对应的浓度值组合形成水样样本，通过多组水样样本构建数据库
。5.
根据权利要求1所述的基于紫外
‑
可见光吸收光谱的
COD
软测量模型构建方法，其特征是：所述步骤
S3
包括：
S31、
每次随机从数据库中选择一定数量的光谱数据作为校正集建立
PLS
模型，将每次采样过程
PLS
模型中的回归系数绝对值的百分比作为变量的重要性指标，所述变量指代光谱数据中某一特征波长吸光度的数据；
S32、
利用指数衰减函数去除回归系数绝对值的百分比相对较小的变量，得到保留变量
比例；
S33、
根据保留变量比例确定采样变量个数，进行重采样
PLS
建模，并计算交叉验证均方根误差；
S34、
根据设置的循环迭代次数进行循环计算，得到多个变量组合和多个交叉验证均方根误差，选择交叉验证均方根误差最小的变量组合作为预测模型的训练样本集
。6.
根据权利要求5所述的基于紫外
‑
可见光吸收光谱的
COD
软测量模型构建方法，其特征是：在第
i
次采样建立
PLS
模型时，保留变量比例
r
i
为：
r
i
＝...

【专利技术属性】
技术研发人员：姜赞成，李晴，冯鹏，刘丰林，谢琳，
申请(专利权)人：四川碧朗科技有限公司，
类型：发明
国别省市：