基于BiPLS结合SiPLS的组合权值COD浓度预测模型

论文摘要

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。

论文目录

文章来源

类型: 期刊论文

作者: 陈颖,邸远见,唐心亮,崔行宁,高新贝,曹景刚,李少华

关键词: 紫外光谱,区间筛选组合,区间权值,浓度预测模型

来源: 光谱学与光谱分析 2019年07期

年度: 2019

分类: 基础科学,工程科技Ⅰ辑

专业: 化学

单位: 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,河北科技大学信息科学与工程学院,河北先河环保科技股份有限公司

基金: 国家自然科学基金项目(61201112,61475133),河北省自然科学基金项目(F2016203188),中国博士后基金项目(2018M630279),河北省高等学校科学技术研究项目(ZD2018243)资助

分类号: O657.3

页码: 2176-2181

总页数: 6

文件大小: 360K

下载量: 114

相关论文文献

• [1].基于多元回归法的气体浓度预测方法[J]. 上海应用技术学院学报(自然科学版) 2013(01)
• [2].长短期记忆神经网络在叶绿素a浓度预测中的应用[J]. 海洋学报 2020(02)
• [3].基于自组织神经网络的污水总磷浓度预测模型[J]. 计算机仿真 2020(11)
• [4].环评中有毒有害气体泄漏浓度预测初探[J]. 环境工程 2009(S1)
• [5].基于神经网络的废气浓度预测模型设计与实现[J]. 电脑与信息技术 2008(04)
• [6].基于深度学习的雾霾质量浓度预测研究[J]. 无线互联科技 2019(10)
• [7].基于GCM(1,N)自适应关联组合模型的PM_(2.5)浓度预测[J]. 矿业科学学报 2017(04)
• [8].基于时空因素下MRMR-SVR模型的PM_(2.5)浓度预测[J]. 科学技术创新 2020(33)
• [9].基于混合模型的PM2.5日浓度预测[J]. 统计与决策 2019(05)
• [10].基于B-P神经网络优化算法的城市环境空气中PM_(10)浓度预测模型[J]. 环境保护科学 2008(01)
• [11].一种融合多特征聚类与神经网络的PM_(2.5)小时浓度预测新模型及其在中国城市的应用[J]. Engineering 2020(08)
• [12].基于提升树的PM2.5浓度预测模型[J]. 软件 2018(10)
• [13].基于长短期记忆网络-卷积神经网络(LSTM-CNN)的北京市PM_(2.5)浓度预测[J]. 环境工程 2020(06)
• [14].基于随机森林回归分析的PM2.5浓度预测模型[J]. 电信科学 2017(07)
• [15].关于空气中PM2.5质量浓度预测研究[J]. 计算机仿真 2016(03)
• [16].基于深度学习的城市大气PM2.5浓度预测研究[J]. 现代计算机 2020(12)
• [17].应用CNN-Seq2seq的PM2.5未来一小时浓度预测模型[J]. 小型微型计算机系统 2020(05)
• [18].基于LIBSVM的PM2.5浓度预测模型[J]. 洛阳理工学院学报(自然科学版) 2017(02)
• [19].利用太赫兹光谱定量分析固体混合物[J]. 清华大学学报(自然科学版)网络.预览 2009(02)
• [20].单因变量PLS模型在PM2.5实时浓度预测中的应用[J]. 计算机仿真 2017(10)
• [21].高压静电催化耦合净化空气中的臭氧控制及其室内浓度预测模型[J]. 环境工程学报 2017(07)
• [22].基于近红外检测技术建立发酵过程中L-色氨酸浓度预测模型[J]. 生物技术通讯 2016(03)
• [23].基于支持向量机回归的城市PM_(2.5)浓度预测[J]. 计算机工程与设计 2015(11)
• [24].基于GM-ARMA组合模型的PM2.5浓度预测——以扬州市为例[J]. 南通职业大学学报 2018(04)
• [25].基于PSO-LSSVM的浓缩池溢流水浓度预测[J]. 中国煤炭 2017(08)
• [26].基于门控循环单元神经网络的PM_(2.5)浓度预测[J]. 无线互联科技 2019(04)
• [27].面向多源数据沈阳市PM2.5浓度预测研究及实证分析[J]. 系统工程 2018(05)
• [28].基于长短时记忆神经网络的带钢酸洗浓度预测[J]. 自动化与仪表 2019(05)
• [29].基于BP-RBF组合神经网络的废气监测盲区SO_2浓度预测[J]. 测试技术学报 2018(03)
• [30].基于神经网络信息融合隧道CO浓度预测研究[J]. 信息技术 2013(09)

标签：紫外光谱论文;  区间筛选组合论文;  区间权值论文;  浓度预测模型论文;