基于KPCA-PSO-ELM算法的地表水化学需氧量紫外-可见吸收光谱检测研究

化学需氧量(COD)是水质检测重要指标之一,反映水体有机物含量。传统的COD化学检测方法存在操作繁琐,等待时间长,二次污染等缺点。紫外-可见吸收光谱法是目前水体化学需氧量检测中应用最为广泛的方法之一,具有检测快速、无污染等特点。为了满足地表水化学需氧量快速、实时、在线监测等要求,采用紫外-可见吸收光谱进行测量,提出了内核主成分分析(KPCA)结合粒子群优化极限学习机(PSO-ELM)预测模型,满足当前对地表水化学需氧量快速、实时监测的要求。对光谱进行Savitzky-Golay(SG)滤波以降低随机噪声的影响;用积分光谱代替原光谱,以降低信号波动带来的影响;再将得到的光谱信息归一化,消除不同光谱数据量纲的影响。将预处理后的数据利用KPCA算法将全光谱数据压缩为5个特征,有效解决光谱信息冗余的问题;采用PSO算法对ELM的权重和偏置进行优化极大提高了模型的精度。对217个河流、长江及支流、湖库等地表水样本按照7∶3随机划分成训练集和测试集,并进行建模测试,其中训练集拟合优度(R2)为0.930 2、均方根误差(RMSE)为0.363 0 mg·L^(-1)、测试集拟合优度R2为0.931 9、均方根误差(RMSE)为0.400 7 mg·L^(-1)。为了验证提出的基于KPCA全光谱数据压缩方法对预测模型的提升效果,分别对比了主成分分析(PCA)、连续投影算法(SPA)、套索回归(LASSO)等特征处理算法。PCA-PSO-ELM模型的RMSE为0.715 1 mg·L^(-1)、 SPA-PSO-ELM模型的RMSE为0.473 7 mg·L^(-1)、 LASSO-PSO-ELM模型的RMSE为0.412 6 mg·L^(-1), KPCA-PSO-ELM模型较上述三种模型,RMSE分别降低了78.46%、 18.22%、 2.97%,结果表明KPCA是一种高效的光谱降维算法,能够有效消除光谱冗余信息,提升模型预测精度。基于KPCA-PSO-ELM预测模型结合紫外-可见吸收光谱可以实现对地表水COD快速、实时检测,为在线COD检测场景提供方法支撑。

紫外吸收光谱结合SPA-ELM算法的水体磷酸根离子检测研究

在工业锅炉中随着水蒸气蒸发,大量的钙镁离子留在炉水中,如果不加处理,在水冷管中会形成水垢,造成爆管停炉。为了保障设备的安全运行,消除安全隐患,工业上通过维持水中一定含量的磷酸根离子来去除锅炉中的钙、镁水垢。传统的磷酸根离子检测技术主要有比色法、分光光度法、色谱法、电位法等,这些方法前期处理步骤较繁琐且耗时较长。光谱法是通过测定物质的吸收光谱并建立和浓度关系的数学模型,对物质浓度定量的一种分析方法。为了满足磷酸根离子快速、实时测量的要求,提出了一种基于紫外吸收光谱结合SPA-ELM算法快速测量磷酸根离子的方法。按照我国《工业锅炉水质GB/T 1576—2018》中所规定的进入热水锅炉前的水质参数要求,配置37份浓度范围在5~100 mg·L^(-1)磷酸根溶液,使用搭建的实验装置,采集紫外吸收光谱。使用SPXY将样品按照7∶3的比例随机划分训练集、测试集;使用Savitzky-Golay(S-G)滤波对数据预处理以提高光谱的信噪比;通过连续投影算法(SPA)压缩光谱数据,筛选出5个与磷酸根强相关的特征波长;使用极限学习机(ELM)将特征波长处的吸光度与样本浓度进行拟合,以决定系数R2和均方根误差RMSE作为模型评价指标,建立磷酸根离子的回归模型。采用所提出的建模方法所建立的模型训练集的R2与RMSE分别为0.9972和1.3015 mg·L^(-1),测试集的R^(2)与RMSE分别为0.9995和0.5174 mg·L^(-1)。为了验证所提出的SPA-ELM预测模型效果,另外建立了LASSO-ELM、PCA-ELM、SPA-PLS和SPA-SVR四种预测模型进行对比。实验结果表明,SPA-ELM建立的预测模型的R2和RMSE均优于其他四种预测模型,说明采用的特征选择方法和回归方法均为最优,能够对磷酸根浓度范围为5~100 mg·L^(-1)的水体进行准确预测,为水中磷酸根离子的检测提供了一种新的解决方法。

水质COD的激光诱导荧光检测方法研究

化学需氧量(Chemical Oxygen Demand,COD)是评价水体受有机物污染程度的重要指标。提出了一种基于激光诱导荧光光谱的水质COD分析方法。以单波长半导体激光器(波长为405 nm)作为激发光源,采用便携式光纤光谱仪收集发射的荧光光谱。通过主成分分析(PCA)和偏最小二乘(PLS)分别对光谱进行数据降维以及回归建模。结果表明,当主成分个数为17时得到的测试集均方根误差最小,此时测试集决定系数为0.9628,均方根误差(RMSE)为0.1582 mg/L。并且本模型对预测集水样的COD预测误差均小于20%,说明建立的测量模型有较高的预测精度,满足国内水质检测行业的精度要求。

基于SG-Lasso-PLS融合算法的水体硝酸盐氮紫外光谱检测研究

硝酸盐氮(NO3-N)是水中“三氮”(硝酸盐氮、亚硝酸盐氮、氨氮)之一,能够反映水体受污染的程度,是水质评估的一项重要指标。水体中的硝酸盐氮浓度过高不仅会导致水环境污染加重,而且会对人畜及水产构成较大威胁。传统的硝酸盐氮检测必须先反应后测定,具有时间长、操作复杂、有二次污染等缺点。光谱法具有快速、无损、无试剂消耗等显著优点。针对硝酸盐氮难以快速检测的问题,提出了一种基于紫外吸收光谱的快速定量分析硝酸盐氮的方法。采集42份浓度为0~20 mg·L^(-1)的硝酸盐氮标准溶液样本的紫外吸收光谱,每份样本经11次平均处理以减少仪器噪声和环境的影响。采用SPXY算法按照7∶3的比例划分训练集、测试集,对紫外吸收光谱数据使用Savitzky-Golay(SG)滤波算法进行预处理,通过10折叠交叉验证获得套索回归(lasso regression)合适的正则化参数λ=0.2036,再使用Lasso回归在全光谱范围内筛选出与硝酸盐氮相关的光谱特征波长,将特征波长处的吸光度与样本浓度进行偏最小二乘(PLS)拟合建立硝酸盐氮的回归模型。采用此建模方法所建立的模型训练集的R2与RMSE分别为0.99991和0.06015 mg·L^(-1),测试集的R2与RMSE分别为0.99972和0.04691 mg·L^(-1)。为了验证提出的SG-Lasso-PLS预测模型效果,另外建立了Lasso-PLS,SG-PCA-PLS和SG-PCA-SVR三种预测模型进行对比。验证结果表明,SG-Lasso-PLS建立的预测模型的R2和RMSE均优于其他三种预测模型。说明SG滤波能够消除光谱信号的随机噪声,提高模型的预测精度。与PCA数据降维算法相比,Lasso可实现全光谱范围内的光谱特征选择和数据降维,能有效消除光谱数据的冗余信息,提高模型的预测精度。因此,本文提出的SG-Lasso-PLS混合模型能够快速准确的对水体中的硝酸盐氮进行预测。作为硝酸盐氮浓度检测的基础研究,能为快速无污染的水质在线监测场景提供算法参考。