【技术实现步骤摘要】
本专利技术涉及农药检测，更具体的说是涉及一种基于电极法和随机森林模型耦合的有机磷农残检测方法、系统及存储介质。
技术介绍
1、目前，有机磷农药是一类含磷元素的有机化合物农药，广泛用于农业生产过程中。然而，由于有机磷可抑制乙酰胆碱酯酶活性，对人体健康构成了潜在的威胁。因此，有机磷农残的快速检测与控制对解决环境污染和食品安全问题具有重要意义。
2、当前的农药检测方法主要有电极法和化学法。但是，在实际检测中，电极法将测量系统的电极电位和农残浓度建立为线性关系，因此该方法本身存在较大的非线性误差。而基于气相、液相色谱的化学法具有高精度的特点，但由于周期长、设备昂贵等问题不易广泛推广。此外，试剂检测盒具有高通量在线检测的优点，但其灵敏度和重现性不高，大多数只用于定性筛选。现有的检测技术往往缺乏高效性、准确性和实时性，导致无法及时发现并控制机磷农残的超标问题。因此，开发一种高效、快速、准确的在线检测有机磷农残的技术至关重要。
3、因此，如何对有机磷农残进行快速并准确的检测是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于电极法和随机森林模型耦合的有机磷农残检测方法、系统及存储介质，以机器学习跳过复杂的反应机理，直接建立检测系统输入和输出的非线性关系，将机器学习算法与电极法集成，基于电极传感器本身理化性能以及水质参数对有机磷农残含量进行预测，能够有效弥补现有测量方式的不足，建立高效、准确的农残在线检测方法，以解决无法实时、准确、在线检测
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于电极法和随机森林模型耦合的有机磷农残检测方法，包括：
4、s1：获取样本，将所述样本稀释为不同浓度，并调整不同浓度样本的水质参数；
5、s2：利用纳米氧化锆电极测定所有所述不同浓度样本的电极电位，利用液相色谱法测量所有所述不同浓度样本的有机磷浓度；
6、s3：以所述电极电位与水质参数作为输入特征变量，以所述有机磷浓度作为目标变量，输入随机森林模型中，对所述输入特征变量进行重要性排序；
7、s4：舍弃重要性最小的输入特征变量，将剩余的输入特征变量作为新输入特征变量，以所述有机磷浓度作为目标变量，建立数据集；
8、s5：通过数据集对所述随机森林模型进行训练，调整所述随机森林模型的参数，获取随机森林模型性能评价指数的分布；
9、s6：重复s4-s5，直到所述性能评价指数达到固定范围，得到最优随机森林模型。将所述最优随机森林模型作为随机森林回归预测模型，采用所述随机森林回归预测模型检测有机磷农残。
10、优选的，所述水质参数具体包括ph、温度、电导率、溶解氧浓度和硬度。
11、优选的，所述s3具体包括：
12、将所述输入特征变量和目标变量输入到随机森林模型，根据变量重要性度量方法对输入特征变量进行重要性排序，公式如下：
13、
14、式中，vim(xi)是特征xi的变量重要性，g是随机森林中决策树的数量，et和et(xi)分别是随机置换xi之前和之后的数据错误率。
15、优选的，所述s5具体包括：
16、s5.1：将所述数据集划分为训练集、验证集；
17、s5.2：用所述训练集数据训练所述随机森林模型，用验证集输入训练好的随机森林模型中，调整随机森林模型中决策树深度、分裂所需最小样本数、叶节点最小样本数和最大特征数。
18、优选的，所述进行重要性排序之前还包括：通过随机森林模型中的袋外数据错误率计算每一个特征变量的变量重要性；以所述电极电位与水质参数作为输入特征变量，以所述有机磷浓度作为目标变量，从所述输入特征变量与所述目标变量中选择样本数据进行训练，未被选择的数据称为所述袋外数据，计算决策树的袋外数据错误率；对袋外数据特征变量加入噪声干扰，再次计算袋外数据错误率。
19、优选的，所述参数的取值范围包括：分裂所需最小样本数范围为[2,11]；叶节点最小样本数范围为[1,10]；最大特征数范围为[28,47]。
20、优选的，所述随机森林回归预测模型中的输入特征变量与目标变量之间的关系如下式：
21、y＝rf(x1,x2,…xn)
22、式中，y为输出的有机磷农残浓度，x为输入特征变量，n为输入特征变量的个数。
23、一种基于电极法和随机森林模型耦合的有机磷农残检测系统，包括：
24、水质参数调整模块，获取样本，将所述样本稀释为不同浓度，并调整不同浓度样本的水质参数；
25、测量模块，利用纳米氧化锆电极测定所有所述不同浓度样本的电极电位，利用液相色谱法测量所有所述不同浓度样本的有机磷浓度；
26、重要性排序模块，以所述电极电位与水质参数作为输入特征变量，以所述有机磷浓度作为目标变量，输入随机森林模型中，对所述输入特征变量进行重要性排序；
27、数据集获取模块，舍弃重要性最小的输入特征变量，将剩余的输入特征变量作为新输入特征变量，以所述有机磷浓度作为目标变量，建立数据集；
28、模型参数调整模块，通过数据集对所述随机森林模型进行训练，调整所述随机森林模型的参数，获取随机森林模型性能评价指数的分布；
29、测量模块，重复数据集获取模块与模型参数调整模块的操作，直到所述性能评价指数达到固定范围，得到最优随机森林模型。将所述最优随机森林模型作为随机森林回归预测模型，采用所述随机森林回归预测模型检测有机磷农残。
30、一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如所述的一种基于电极法和随机森林模型耦合的有机磷农残检测方法的步骤。
31、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于电极法和随机森林模型耦合的有机磷农残检测方法、系统及存储介质，基于电极传感器本身理化性能，以机器学习强大的非线性建模能力作为补偿，实现了对有机磷农药含量的快速在线预测，大大提高了结果获取效率。由于机器学习数据集是由液相色谱法测量的高准确度数据构成的，因此该模型检测的有机磷农药含量具有较高的可信度。
本文档来自技高网...【技术保护点】
1.一种基于电极法和随机森林模型耦合的有机磷农残检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于电极法和随机森林模型耦合的有机磷农残检测方法，其特征在于，所述水质参数具体包括pH、温度、电导率、溶解氧浓度和硬度。
3.根据权利要求1所述的一种基于电极法和随机森林模型耦合的有机磷农残检测方法，其特征在于，所述S3具体包括：
4.根据权利要求1所述的一种基于电极法和随机森林模型耦合的有机磷农残检测方法，其特征在于，所述S5具体包括：
5.根据权利要求1所述的一种基于电极法和随机森林模型耦合的有机磷农残检测方法，其特征在于，所述进行重要性排序之前还包括：通过随机森林模型中的袋外数据错误率计算每一个特征变量的变量重要性；以所述电极电位与水质参数作为输入特征变量，以所述有机磷浓度作为目标变量，从所述输入特征变量与所述目标变量中选择样本数据进行训练，未被选择的数据称为所述袋外数据，计算决策树的袋外数据错误率；对袋外数据特征变量加入噪声干扰，再次计算袋外数据错误率。
6.根据权利要求4所述的一种基于电极法和随机森林模型耦
7.根据权利要求1所述的一种基于电极法和随机森林模型耦合的有机磷农残检测方法，其特征在于，所述随机森林回归预测模型中的输入特征变量与目标变量之间的关系如下式：
8.一种基于电极法和随机森林模型耦合的有机磷农残检测系统，其特征在于，包括：
9.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的一种基于电极法和随机森林模型耦合的有机磷农残检测方法的步骤。
...【技术特征摘要】
1.一种基于电极法和随机森林模型耦合的有机磷农残检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于电极法和随机森林模型耦合的有机磷农残检测方法，其特征在于，所述水质参数具体包括ph、温度、电导率、溶解氧浓度和硬度。
3.根据权利要求1所述的一种基于电极法和随机森林模型耦合的有机磷农残检测方法，其特征在于，所述s3具体包括：
4.根据权利要求1所述的一种基于电极法和随机森林模型耦合的有机磷农残检测方法，其特征在于，所述s5具体包括：
5.根据权利要求1所述的一种基于电极法和随机森林模型耦合的有机磷农残检测方法，其特征在于，所述进行重要性排序之前还包括：通过随机森林模型中的袋外数据错误率计算每一个特征变量的变量重要性；以所述电极电位与水质参数作为输入特征变量，以所述有机磷浓度作为目标变量，从所述输入特征变量与所述目标变量中选择样本数据进行训练，未被选择...
【专利技术属性】
技术研发人员：田晔，裴洛伟，王朔，柯洋，赵德锟，张轶天，
申请(专利权)人：上海千北信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。