淮北师范大学物理与电子信息学院, 安徽 淮北 235000
NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简单, 有望广泛应用于大气污染物浓度预测等方面的研究。
粒子群算法 反向传播神经网络 逐步回归 NO2 浓度预测 particle swarm optimization back propagation neural network stepwise regression NO2 concentration prediction 大气与环境光学学报
2022, 17(2): 230
湖南信息学院电子科学与工程学院, 湖南 长沙 410151
设计了由光源、气室、探测器和控制器等组成的非分散红外吸收系统, 往气室内通入不同浓度的多组分气体(含有乙醇、二氧化碳和水蒸气), 采用红外光谱仪进行光谱数据采集, 得到多组分气体混合光谱图。根据数据集样本求解回归系数, 建立了多元线性回归模型, 并进行干扰修正以降低二氧化碳和水蒸气对乙醇浓度预测的影响。对建立的多元线性回归模型进行评价, 结果表明: 模型真实有效且具有良好的线性回归效果, 可以用于预测气体浓度, 乙醇、二氧化碳和水蒸气浓度预测误差均在可接受的范围之内, 其中乙醇浓度预测误差最小, 不超过 2.0×10－4。通过干扰修正尽可能排除二氧化碳和水蒸气的干扰, 能够较准确地预测乙醇浓度。
多元线性回归模型 乙醇浓度预测 非分散红外技术 干扰修正 multiple linear regression model prediction of ethanol concentration non-dispersive infrared interference correction
1 新疆大学电气工程学院, 新疆 乌鲁木齐 830047
2 西安交通大学能源动力工程学院, 陕西 西安 710049
为提高全血血红蛋白浓度预测模型的预测精度, 基于近红外光谱分析, 首先对原始全血透射光谱数据分别进行均值中心化、 标准化、 标准正态变量变换(SNV)、 多元散射校正(MSC)以及Savitzky-Golay(SG)卷积平滑结合MSC的预处理操作, 最终选择预处理效果最好的SG-MSC方法作为数据预处理方法, 其最大相关系数达到0.944 1。 对SG平滑的平滑窗口宽度进行讨论, 找出平滑效果最好的窗口宽度为27。 数据预处理消除了全血吸收光谱的基线失真, 提高了全血吸收光谱数据的信噪比。 将190个样本(190个血红蛋白浓度对应的透射光谱数据)分为具有相近血红蛋白浓度分布的校正集和测试集, 其中校正集为143个样本(对应血红蛋白浓度分布为10.6~17.3 g·dL-1), 测试集为47个样本(对应血红蛋白浓度分布为10.3~17.3 g·dL-1), 确保建立模型的适用性。 对校正集数据预处理后利用蒙特卡洛无信息变量消除(MC-UVE)方法对其进行波长变量选择, 剔除含信息量少的波长点, 提高含信息量多的波长占比。 设置蒙特卡洛迭代次数为1 000, 最终从全血吸收光谱的700个波长变量中筛选出191个波长变量用于建立全血血红蛋白浓度偏最小二乘(PLS)回归模型。 对比分析原始全血透射光谱全谱PLS模型、 原始全血吸收光谱全谱PLS模型、 预处理全血吸收光谱全谱PLS模型、 SG-MSC-MC-UVE-PLS模型以及已有二阶导数PLS模型的模型效果, 表明基于SG-MSC-MC-UVE-PLS算法的全血血红蛋白浓度预测模型效果较其他模型效果更优, 预测相关系数由0.676 3提高到0.979 1, 预测集均方根误差由0.898 1减小到0.220 3, 最大绝对误差由2.426 1减小到0.411 2。 同时, 利用MC-UVE方法进行波长变量选择, 在保证预测精度的前提下, 筛选出建模的波长个数更少, 有利于提高模型计算效率。 研究结果表明, SG-MSC-MC-UVE-PLS方法能够提高全血吸收光谱信号的信噪比, 简化模型结构, 提高模型的预测精度和计算效率, 对推动血红蛋白浓度检测技术的发展具有进步意义。
近红外光谱 全血血红蛋白浓度预测 光谱信号预处理 无信息变量消除 Near-infrared spectroscopy Whole blood hemoglobin concentration detection Spectral signals preprocessing Uninformed variable elimination 光谱学与光谱分析
2021, 41(9): 2754
水体中过高浓度的有机污染物含量危害巨大, 不仅会造成严重的环境污染, 而且会危害人类身体健康。 化学需氧量(COD)表征了水体中有机污染物的污染程度。 提出了一种将紫外(UV)光谱和近红外(NIR)光谱进行多光谱数据级融合(LLDF)和特征级融合(MLDF), 进而构建基于生成对抗式网络(GANs)算法的COD浓度定量预测模型。 首先按照一定的浓度梯度配制COD标准液样本, 分别采集标准液的UV光谱(190~310 nm)和NIR光谱(830~2 100 nm), 对获取到的UV和NIR光谱数据进行一阶导数和Savitzky-Golay (S-G)平滑的预处理, 消除基线漂移和干扰噪声; 基于预处理过的光谱, 直接进行数据级和特征级的数据融合, 结合GANs算法搭建COD浓度预测模型。 并使用评价参数相关系数的平方(R2)、 预测值与真实浓度值的均方根误差(RMSEP)和预测偏差来对模型进行评价。 结果表明, 不论是特征级融合模型还是数据级融合模型都不够理想。 分析原因可知, 由于UV和NIR波段数据量不均衡, 导致NIR波段掩盖掉了UV光谱的模型贡献度, 让光谱融合失去意义。 为了避免融合失败, 拟采用归一化的方法处理多光谱数据, 并讨论了标准归一化(SNV)、 最大最小归一化(MMN)和矢量归一化(VN)对建模的影响。 将经过归一化后的UV和NIR光谱数据再次进行融合, 分别作为GANs模型的输入X, 将真实测量COD值作为输出值Y, 建立不同归一化方法处理后的COD浓度预测模型。 建模结果显示, 采用不同归一化方法对多光谱数据融合模型的影响较大, 不论是数据级融合模型还是特征级融合模型的预测精度较未归一化之前有明显的提升, 其中采用最大最小归一化的预测模型效果提升最为明显。 与单一谱源的全波长UV波段的GANs预测模型、 全波长NIR波段的GANs预测模型进行对比来验证多光谱数据融合GANs预测模型的精度, 结果表明: 基于UV和NIR光谱的特征级光谱融合模型的R2为0.994 7, RMSEP为0.976, 比数据级融合的预测模型误差降低了52.9%, 预测回收率为98.4%~103.1%, 远好于其他几组, 模型的泛化能力更强, 预测精度也更高。 与单一谱源的预测模型相比, 多光谱数据融合能反应更多的水体样品的化学信息, 更加全面揭示水体的污染物程度, 从不同的层面上反应水体中污染物的差异, 为在线监测水体中COD浓度提供一定的技术支持。
紫外光谱 近红外光谱 数据融合 GANs模型 COD浓度预测 UV spectrum NIR spectrum Data fusion GANs model COD concentration prediction
1 燕山大学电气工程学院, 河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
2 河北科技大学信息科学与工程学院, 河北 石家庄 050018
3 河北先河环保科技股份有限公司, 河北 石家庄 050000
水体中过高浓度的有机物含量危害巨大, 不仅会造成严重的环境污染, 而且危害人类身体健康, 传统化学法检测水体化学需氧量(COD)的步骤繁琐且时效性差, 不利于水体中COD的快速定量检测。 针对这些问题, 提出了一种将紫外光谱与组合权值模型相结合的快速定量检测COD方法, 该组合权值模型是基于反向区间偏最小二乘法(BiPLS)结合组合区间偏最小二乘法(SiPLS)算法对紫外光谱的特征子区间筛选组合, 然后依据特征子区间的权值建立的预测模型。 首先按照一定的浓度梯度配制45份COD标准液样本, 通过实验获取标准液的紫外光谱数据; 对获取到的COD紫外光谱数据做一阶导数和S-G滤波(Savitzky-Golay)的预处理, 消除基线漂移和环境干扰噪声; 应用SPXY(Sample set partitioning based on jiont X-Y)算法将实验样本数据组划分成校正集和预测集。 然后基于BiPLS算法对全光谱区间进行波长筛选, 在BiPLS筛选过程中, 目标区间的划分数量会对建模产生较大影响, 于是对子区间划分数量进行优化, 把子区间分成15~25个, 在不同区间数下都进行偏最小二乘(PLS)建模, 通过交互验证均方根误差(RMSECV)来筛选最优子区间数, 得到区间数为18时, 模型效果最佳。 从18个波长区间筛选出了6个特征波长子区间, 入选的子区间为2, 1, 3, 11, 7和6, 对应波长为234~240, 262~268, 269~275, 290~296, 297~303和304~310 nm, 这6个特征波长区间涵盖了大量的光谱信息, 对最终预测模型的贡献度大; 接下来通过SiPLS算法对这6个初选区间进行进一步的筛选组合, 采用不同的组合数构建不同特征区间上的PLS模型, 在相同组合数下, 筛选出一个区间组合数最优的结果, 对比不同组合数下预测模型的误差与相关性, 将6个区间筛选组合为3个特征波长区间, 分别为234~240, 262~275和290~310 nm, 这三个特征区间最佳因子数分别为4, 4和3。 对传统SiPLS的特征区间组合方法进行改进, 基于权值的大小来对这3个特征区间进行线性组合, 代替过去特征区间直接组合的方法。 通过权值公式计算出这3个特征区间的权重大小分别为0.509, 0.318和0.173, 最终建立线性组合权值COD浓度预测模型。 为了验证组合权重预测模型的精度, 另外建立了全波长范围内的PLS预测模型、 单个特征波长区间的PLS预测模型、 直接组合特征波长区间的PLS模型, 并使用评价参数相关系数的平方(R2)、 预测值与真实浓度值的均方根误差(RMSEP)和预测回收率(T)来对模型评价。 验证结果表明, 相比其他预测模型, 组合权值模型相关系数的平方达到了0.999 7, 明显优于直接组合特征区间建模的0.968 0, 预测均方根误差为0.532, 比直接组合特征区间的预测模型误差降低了29.3%, 预测回收率为96.4%~103.1%, 显著地提高了预测精度。 该方法简单可行, 不会产生二次污染, 可为在线监测水体中COD浓度提供一定的技术支持。
紫外光谱 区间筛选组合 区间权值 COD浓度预测模型 UV spectrum Screen and combination of intervals Interval weight COD concentration prediction model 光谱学与光谱分析
2019, 39(7): 2176
燕山大学 电气工程学院, 河北 秦皇岛 066004
为了准确、快速地检测和预测甲烷气体的浓度, 设计了基于红外差分吸收法的甲烷浓度检测系统.为了降低系统部件不稳定带来的影响, 检测系统采用双气室结构, 气室的输入和输出接口处通过渐变折射率透镜连接到传输光纤, 以降低光强的损耗.系统对甲烷检测结果的平均误差为0.007 5.基于粒子群优化的误差反向传播神经网络算法构建了甲烷预测模型, 以浓度在0.2%~2.0%范围内的甲烷气体为研究对象.在样本训练过程中, 预测模型的精度达到10－4, 实际输出值与期望值线性回归的相关系数为0.998 8, 最大相对标准偏差为0.248%.实验结果表明, 在甲烷浓度预测中, 相对于误差反向传播神经网络预测模型, 粒子群优化误差反向传播神经网络的预测性能更优.
气体 吸收光谱 误差反向传播 神经网络 甲烷 浓度预测 Gases Absorption spectroscopy Error back propagation neural network Methane Concentration prediction
以合成食品色素胭脂红、 苋菜红溶液为例, 提出了应用荧光光谱结合径向基函数神经网络对合成食品色素溶液进行浓度测定和种类鉴别的方法。 应用SP-2558多功能光谱测量系统, 测得胭脂红和苋菜红溶液分别在波长为300和400 nm的光激发下产生的荧光光谱。对每个胭脂红溶液样本选取15个发射波长值所对应的荧光强度作为网络特征参数, 训练、 建立用于浓度预测的径向基函数神经网络。 据此, 对3种胭脂红溶液样本的浓度进行预测, 预测结果相对误差分别为1.42%, 1.44%和3.93%。 另外, 以胭脂红和苋菜红溶液荧光波长值所对应的荧光强度作为特征参数, 训练、 建立了用于种类鉴别的径向基函数神经网络, 进行合成食品色素溶液种类识别, 准确率达100%。 这些结果表明, 该方法方便、 快捷、 准确度较高, 可应用于合成食品色素检测及食品安全监管。Fluorescence Spectroscopy and Radial Basis Function Neural Networks
合成食品色素 荧光光谱 径向基函数神经网络 浓度预测 种类鉴别 Synthetic food colors Fluorescence spectra Radial basis function
