申请/专利权人：华南理工大学

申请日：2022-07-05

公开（公告）日：2024-03-19

公开（公告）号：CN115165770B

主分类号：G01N21/31

分类号：G01N21/31;G06N3/0499;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2022.10.28#实质审查的生效;2022.10.11#公开

摘要：本发明公开了一种基于宽光谱及BPNN的水体COD与浊度同时检测方法。通过采集不同浓度配比的COD以及浊度混合溶液的吸收光谱，建立了一系列数据集，并对数据集进行科学的划分。该方法构建了基于宽光谱的BPNN模型，使用训练集中240‑1040nm波长范围的吸光度作为输入指标，COD和浊度的实际值为输出指标，并采用改进的随机梯度下降算法对BPNN模型进行训练；再使用验证集数据对BPNN模型的性能进行评估；最后通过使用测试集的数据对训练好的BPNN模型进行性能测试。结果表明，该方法不仅可以消除浊度对COD准确测量的干扰，而且还可以同时实现对浊度本身的准确测量，在水质在线监测领域具有广阔的应用前景。

主权项：1.一种基于宽光谱及BPNN的水体COD与浊度同时检测方法，其特征在于，包括以下步骤：步骤1：配置不同浓度配比的COD与浊度混合溶液，使用光谱采集系统获取混合溶液的240-1040nm吸光度；步骤2：建立包含不同浓度配比的COD与浊度混合溶液的数据库，并采用Python对数据集进行无放回随机采样，将数据库中的样本分为训练集数据、验证集数据和测试集数据；步骤3：建立BPNN模型，使用训练集数据并采用改进的梯度下降算法对BPNN模型进行训练调参，使得训练集损失函数值最小；步骤4：使用验证集数据对BPNN模型的性能进行评估，根据得到的损失函数MSE以及MAE对BPNN模型的结构进行调整，使得BPNN模型不陷入过拟合或者欠拟合；步骤5：使用测试集数据中原始吸光度作为训练调参后的BPNN模型的输入，同时得到COD以及浊度的预测值，分别比较真实值与预测值的误差；步骤3中，改进的梯度下降算法的具体步骤如下：步骤S1：初始化BPNN模型的所有参数，主要包括如下：BPNN的双隐藏层神经元全部设置为Relu函数，记为fR；输出层神经元设置为Linear函数，记为fL；神经网络的学习率η、连接权重w、偏置b全都设置为0,1之间的随机数；停止误差S不超过真实值的1％；步骤S2：使用多组数据同时对BPNN进行前向传播计算，得到COD与浊度的预测值；使用240-1040nm间隔1nm的吸光度作为输入，记为矩阵其中表示输入层第j个神经元接收到的数据；输出的COD与浊度预测值记为矩阵其中表示输出层COD的预测值，表示输出层浊度的预测值；COD与浊度真实值记为矩阵其中表示溶液COD的真实值，表示溶液浊度的真实值；步骤S3：计算反向传播的误差梯度，并利用反向传播的误差梯度矩阵依次计算输出层、第二隐藏层以及第一隐藏层的权重参数矩阵W和偏置参数矩阵B的更新率，改变神经网络的学习率，朝着梯度的下降方向更新参数；步骤S4：选择COD与浊度的预测值与实际值之间的损失函数MSE，记为式中，Ya、Yp分别表示真实值以及预测值，n表示反向传播数据量；若损失函数值小于停止误差S，则完成模型的训练过程，否则继续进行步骤3的误差反向传播过程，直至损失函数值小于停止误差S；步骤S2中，BPNN的可调参数矩阵设置如下： 式中，W[1]、W[2]、W[3]分别表示第一隐藏层、第二隐藏层、输出层的权重矩阵；B[1]、B[2]、B[3]分别表示第一隐藏层、第二隐藏层、输出层的偏置向量；表示第一隐藏层第j个神经元连接输入层第k个神经元的权重；表示第二隐藏层第j个神经元连接第一隐藏层第k个神经元的权重；和分别表示输出层第1个神经元和第2个神经连接第二隐藏层第k个神经元的权重；和表示第一隐藏层和第二隐藏层第j个神经元的偏置；和分别表示输出层第1个神经元和第2个神经元的偏置；那么前向传播过程可以简化如下式： 式中，Y[0]、Y[1]、Y[2]分别表示输入层、第一隐藏层、第二隐藏层的输出值，表示输出层的COD与浊度预测值矩阵。

全文数据：

权利要求：

百度查询： 华南理工大学 基于宽光谱及BPNN的水体COD与浊度同时检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD