【技术实现步骤摘要】
本专利技术涉及激光光谱分析、深度学习、水质检测的交叉，具体涉及一种基于libs和transformer异常检测模型的水质预警方法。
技术介绍
1、激光诱导击穿光谱(libs)技术采用脉冲激光烧蚀样品表面产生激光诱导等离子体，通过探测等离子体的发射光谱实现待测样品元素组分的定性和定量分析，具有无需(或少量)样品预处理、多元素同时检测、分析速度快的优势。
2、基于nlp自然语言处理领域的transformer模型采用多头注意力机制代替循环神经网络和卷积神经网络计算序列中各个元素之间的关系，从多角度提取特征。
3、水是生命之源，水体质量的监测在保护公众健康、环境和经济、农业灌溉、工业制造等方面具有重大的意义。目前常用的水质检测方法包括化学检测法：通过检测水样中特定化学物质的浓度来判断水质。该方法具有成本高昂，样品处理复杂，检测周期长等缺点。
技术实现思路
1、专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种结合激光诱导击穿光谱技术与深度学习技术进行水质的检测，实现对水质污染的预警。
2、为实现上述目的，本专利技术采用的技术方案为：一种基于libs和深度学习的水质检测方法。具体包括以下步骤：
3、步骤1：将水质样本滴在锌基板上，在70℃的加热台上使用加热蒸干的方式进行固液转换。
4、设置激光能量100mj，步距0.5mm，采集门宽9us,采集延时2us，采用如下方式获取libs光谱序列的初始数据。
5、取
6、步骤2：取步骤1得到的所有初始数据矩阵中待的元素强度数值，并进行归一化处理，映射到-1～1数值范围之内，获得所有提取到的强度值的归一化强度数据。
7、步骤3：每组初始数据矩阵中的强度值归一化之后，形成一个光谱序列数据，该光谱序列数据用于transformer模型的输入。
8、步骤4：将获取的所有正常水质样本的光谱数据作为训练集输入transformer模型进行模型训练。
9、transformer是一个seq2seq的编解码结构，由编码层和解码层两部分组成；光谱序列数据经过编码层编码生成中间隐藏层向量，然后隐藏层向量解码成源光谱序列数据的特征大小，再把生成的序列数据和原始输入的光谱序列数据经过欧式距离(mse损失函数)计算误差；通过梯度下降法迭代误差进行优化更新。
10、模型训练完成后，获得自动生成训练数据相同分布的能力。
11、步骤五：损失阈值的设定：在测试集中所有正常样本和异常样本的最小mse损失和最大mse损失区间内，等间距地取一千个值，把这每个值都当作阈值计算准确率，最后对应准确率最高的那个值设为阈值。
12、在测试阶段，计算生成数据和输入数据之间的mse损失，损失超过阈值时，可认为该数据和原训练数据(正常水质样本的光谱序列数据)差距过大，判定为异常水质样本，即可完成对异常水质的预警。
13、本专利技术的有益效果是：本专利技术对libs水质预警中异常水质种类多，异常样本难获取，样本标签难标注的一系列问题，首次提出使用transformer模型来实现libs水质预警。在仅使用正常水质样本数据对模型进行训练的情况下，就能在测试阶段检出异常水质样本。利用transformer模型进行水质预警有着较好的精度，其acc，auc均达到0.97以上。
本文档来自技高网...【技术保护点】
1.基于LIBS和Transformer异常检测模型的水质预警方法，其特征在于，包括如下步骤：
【技术特征摘要】
1.基于libs和transformer异常检测...
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。