一种基于改进制造技术

本发明专利技术公开一种基于改进

【技术实现步骤摘要】
一种基于改进D
‑
S证据理论的多光谱信息融合水体污染物识别方法


[0001]本专利技术属于水污染物识别方法
，具体涉及一种基于改进
D
‑
S
证据理论的多光谱信息融合水体污染物识别方法
。

技术介绍

[0002]有机污染会使水环境恶化，破坏水生态系统，严重威胁人类和动物的健康
。
有效的水质检测对于城市水资源的管理和污染源的识别具有重要的现实意义
。
与传统的化学方法检测有机污染物相比，光谱法具有快速
、
无损
、
无二次污染等优点，因此被广泛应用于水质分析
。
其中，吸收光谱法和三维荧光光谱法在水质污染分析中的有效性已被大量研究证实，但是吸收光谱容易获得，但灵敏度低，重叠峰多；三维荧光光谱具有灵敏度高
、
选择性好的优点，但会受到自吸收
、
内滤
、
水的散射等因素的影响
。
两种光谱可以从不同的角度提供物质的特征信息，各有优缺点，相互关联
、
互补
。
[0003]多源光谱的信息融合依赖于不同类型光谱之间的互补性和协作性，能够更全面和深入挖掘特征信息，从而得到比单一传感器更加可靠和精确的分析结果
。
根据数据处理方法的不同，多光谱信息融合可以分为三类：数据级融合
、
特征级融合和决策级融合
。
目前水质分析的研究方法主要集中在数据级和特征级融合，直接融合不同类型的光谱，没有考虑它们的有效性和匹配程度；但决策层方法根据特定的融合规则对各子模型的预测结果进行融合，更适合于多光谱融合，主要原因如下：
[0004](1)
各种光谱的数据维度
、
范围和物理意义不同
。
在数据维度上，吸收光谱是一维向量，而三维荧光光谱是二维矩阵，不能直接融合；在数据范围上，两种光谱的数据范围可能相差若干个数量级，如果直接融合，会出现融合失败或某种光谱占主导等问题，使得融合失去意义，因此，在融合前需要进行归一化预处理；在物理意义上，吸收光谱表示物质对光的吸收程度，三维荧光光谱表示物质被激发后发出的荧光强度，直接融合具有不同物理意义的值可能是不合理的
。
[0005](2)
对于多种有机污染物的鉴别，不同光谱的性能不同
。
某些污染物的吸收光谱可能重叠，而它们的荧光光谱则是分离的；相反，有些污染物的吸收峰很容易被区分，但它们的荧光太弱而无法检测或太相似而无法区分；在决策级融合中，可以根据每种污染物的光谱特征制定决策规则，调整加权因子，从而确保预测结果的准确性和稳定性
。
[0006]Dempster
‑
Shafer(D
‑
S)
证据理论是多传感器信息融合的决策级方法之一，它最初由
Dempster
提出，并由
Shafer
推广；该理论通过定义信任函数等概念，结合数学推理中的多种类型证据来分析不确定性或未知问题
。
目前，
D
‑
S
证据理论已被广泛应用于机器故障诊断
、
医疗诊断
、
目标跟踪和多属性决策等多个领域
。
随着
D
‑
S
证据理论的发展，有学者发现，在经典
D
‑
S
证据理论中，融合高度冲突的证据可能会导致反直觉的融合结果
。
因此，许多学者分析了冲突证据与直觉融合产生不一致结果的原因，并提出了改进方法
。
[0007]基于此，本专利技术采用多光谱信息融合的方法对水体有机污染进行分析，根据吸收
光谱和三维荧光光谱的相关性和互补性，建立了吸收光谱和三维荧光光谱的决策级融合模型
。

技术实现思路

[0008]为了弥补现有技术的不足，本专利技术旨在提供一种基于改进
D
‑
S
证据理论的多光谱信息融合水体污染物识别方法，以获取更全面的污染物特征信息，使模型具有更高的可靠性和鲁棒性
。
[0009]一种基于改进
D
‑
S
证据理论的多光谱信息融合水体污染物识别方法，具体步骤包括：
[0010]S1
：采集样本的吸收光谱和三维荧光光谱；
[0011]S2
：建立污染物识别模型，根据已知污染物样本的光谱建立识别模型，包括单光谱模型建立和决策级融合过程；
[0012]S3
：对待测样本进行识别，将待测样本的吸收光谱和三维荧光光谱输入到步骤
S2
中建立的污染物识别模型中进行识别，得到样本中可能含有的污染物的类别标签
。
[0013]进一步地，所述步骤
S1
中吸收光谱采集波长范围为
200
～
780nm。
三维荧光光谱的激发波长范围为
220
～
600nm
，发射波长范围为
230
～
700nm。
[0014]进一步地，所述步骤
S2
中单光谱模型建立的具体步骤为：
[0015]采用主成分分析和小波变换对光谱进行特征提取；
[0016]利用主成分分析对吸收光谱和经过一维校正的三维荧光光谱进行特征提取，特征子集
PCs
的累计贡献阈值为
95
％；
[0017]对吸收光谱图像进行小波变换，取近似分量的小波系数作为特征子集，对三维荧光光谱图像进行二维小波变换，对近似分量的小波系数进行编码和校正，形成特征子集；
[0018]将上述步骤得到的光谱特征输入多分类支持向量机，建立四种单光谱识别模型：
Abs
‑
Model1、Abs
‑
Model2、Fluo
‑
Model1
和
Fluo
‑
Model2。
[0019]进一步地，所述步骤
S2
中决策级融合是将四个单光谱模型的识别结果进行融合，四个单光谱模型的
MSVM
输出是每个样本的类别标签对应的分数，将分数转换的概率作为融合模型的
BPA0，类别标签包括单一物质标签
、
混合物质标签以及空集，在应用
Dempster
组合规则进行融合之前，采用改进的
D
‑
S
证据理论进行加权预处理，得到
BPA
函数
m
″
。
[0020]进一步地，采用改进的
D
‑
S
证据理论进行融合，具体步骤如下：
[0021]R1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于改进
D
‑
S
证据理论的多光谱信息融合水体污染物识别方法，其特征在于，所述方法的具体步骤包括：
S1
：采集样本的吸收光谱和三维荧光光谱；
S2
：建立污染物识别模型，根据已知污染物样本的光谱建立识别模型，包括单光谱模型建立和决策级融合过程；
S3
：对待测样本进行识别，将待测样本的吸收光谱和三维荧光光谱输入到步骤
S2
中建立的污染物识别模型中进行识别，得到样本中可能含有的污染物的类别标签
。2.
根据权利要求1所述的一种基于改进
D
‑
S
证据理论的多光谱信息融合水体污染物识别方法，其特征在于，所述步骤
S1
中吸收光谱采集波长范围为
200
～
780nm
；三维荧光光谱的激发波长范围为
220
～
600nm
，发射波长范围为
230
～
700nm。3.
根据权利要求1所述的一种基于改进
D
‑
S
证据理论的多光谱信息融合水体污染物识别方法，其特征在于，所述步骤
S2
中单光谱模型建立的具体步骤为：采用主成分分析和小波变换对光谱进行特征提取；利用主成分分析对吸收光谱和经过一维校正的三维荧光光谱进行特征提取，特征子集
PCs
的累计贡献阈值为
95
％；对吸收光谱图像进行小波变换，取近似分量的小波系数作为特征子集，对三维荧光光谱图像进行二维小波变换，对近似分量的小波系数进行编码和校正，形成特征子集；将上述步骤得到的光谱特征输入多分类支持向量机，建立四种单光谱识别模型：
Abs
‑
Model1、Abs
‑
Model2、Fluo
‑
Model1
和
Fluo
‑
Model2。4.
根据权利要求3所述的一种基于改进
D
‑
S
证据理论的多光谱信息融合水体污染物识别方法，其特征在于，所述步骤
S2
中决策级融合是将四个单光谱模型的识别结果进行融合，四个单光谱模型的
MSVM
输出是每个样本的类别标签对应的分数，将分数转换的概率作为融合模型的
BPA0，类别标签包括单一物质标签
、
混合物质标签以及空集，在应用
Dempster
组合规则进行融合之前，采用改进的
D
‑
S
证据理论进行加权预处理，得到
BPA
函数
m
″
。5.
根据权利要求4所述的一种基于改进
D
‑
S
证据理论的多光谱信息融合水体污染物识别方法，其特征在于，采用改进的
D
‑
S
证据理论进行融合，具体步骤如下：
R1.
构建辨识框架：在
Dempster
‑
Shafer
证据理论中，辨识框架
FOD
的
Θ
是
N
个互斥且相互独立的元素的集合，幂集2Θ
定义为
FOD
中包含2M
个元素的所有子集的集合，其中为空集，如果
A
包含在2Θ
中，则称为命题，
Θ
＝
{
θ1,
θ2,...,
θ
i
,...
θ
N
},i
＝
1,2,...,N
，如果函数
m:2
Θ
→
[0
，
1]
满足：其中，
m
称为
BPA
函数或质量函数，
m(A)
是命题
A
的可靠性；
R2.
置信函数
Bel(A)
和似然函数
Pl(A)
分别是命题

【专利技术属性】
技术研发人员：胡映天，杨宇晶，邸泽涵，张宇，赵冬冬，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：