详情

原文传递基于紫外-可见光吸收光谱的COD软测量模型构建方法

专利名称：	基于紫外-可见光吸收光谱的COD软测量模型构建方法
摘要：	本发明公开了基于紫外‑可见光吸收光谱的COD软测量模型构建方法，涉及水质监测技术领域，其技术方案包括：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；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对应水样的浓度值构建水样样本，组成数据库；通过CARS算法对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；基于训练样本集构建LSSVR预测模型，基于DBO算法优化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，提供了一种精度与泛化能力具佳的COD软测量模型。
专利类型：	发明专利
申请人：	重庆大学;四川碧朗科技有限公司
发明人：	姜赞成;李晴;冯鹏;刘丰林;谢琳
专利状态：	有效
申请日期：	2023-05-30T00:00:00+0800
发布日期：	2023-11-17T00:00:00+0800
申请号：	CN202310628547.5
公开号：	CN117074333A
代理机构：	成都行之智信知识产权代理有限公司
代理人：	徐骥
分类号：	G01N21/31;G01N21/33;G06F18/214;G06F18/2411;G;G01;G06;G01N;G06F;G01N21;G06F18;G01N21/31;G01N21/33;G06F18/214;G06F18/2411
申请人地址：	404100 重庆市沙坪坝区正街174号;
主权项：	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，xi与yi表示两组不同的全波段光谱数据，与/>分别表示xi与yi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ri为： ri＝ae-ki a＝(P/2)1/(N-1) k＝ln(P/2)/(N-1) 其中，ri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。 7.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S4包括： 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； S42、通过DBO算法优化LSSVR预测模型中核函数的gamma和sigma参数，得到基于紫外-可见光吸收光谱的COD软测量模型。 8.根据权利要求7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：所述预测模型函数为：其中，f(x)为COD浓度预测值，x为输入变量，为非线性逼近函数，ω和b为权重项和偏置项。 9.根据权利要求8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LSSVR预测模型为：其中，Y为COD浓度预测值，k(x,xi)为核函数，αi为拉格朗日乘子，b为偏置项。 10.根据权利要求9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S42包括： S421、确定核函数中gamma和sigma参数的搜索范围； S422、初始化一定数量的蜣螂数量，每个蜣螂表示gamma和sigma的组合，gamma和sigma的初值在确定的参数范围内随机生成； S423、对初始生成的蜣螂种群按照滚球行为、跳舞行为、繁殖行为、觅食行为和偷窃行为的公式进行位置更新； S424、对于蜣螂个体，采用LSSVR模型对样本数据进行拟合，计算平均平方误差作为个体的适应度； S425、更新蜣螂代理身份和位置：根据当前的蜣螂个体位置信息，采用DBO代理身份的更新规则，更新每个蜣螂个体位置； S426、重复进行步骤S423～S425，直到达到预设的迭代次数或者满足预设的精度要求； S427、最终选择具有最小适应度值的粒子作为最优解，其对应的gamma和sigma即为最终的LSSVR预测模型核函数中的gamma和sigma参数。