申请/专利权人：重庆大学;重庆理工大学

申请日：2023-10-31

公开（公告）日：2024-06-28

公开（公告）号：CN117388198B

主分类号：G01N21/31

分类号：G01N21/31;G06N3/0464;G06N3/08;G01N21/64

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.01.30#实质审查的生效;2024.01.12#公开

摘要：本发明涉及水质检测技术领域，公开了一种基于多源光谱融合的水质COD检测方法，包括以下步骤：S1,建立三维荧光和紫外‑可见吸收光的光谱融合的卷积网络，并输入多个样本的光谱特征进行训练；S2,计算卷积网络对于各输入光谱特征的注意程度；S3,并将所述注意程度大于等于预设阈值的特征置值为0，然后将所有光谱特征重新输入所述卷积网络进行训练，直到判定无有效光谱信息。其有益效果是：本发明提出了一种基于多源光谱融合的水质COD检测方法，通过不断移除训练完成网络中注意程度较高的特征和使用移除后的特征重新训练网络,来发掘可能被忽视的有效特征,最后通过PLS模型进一步筛选关键组合特征并实现COD浓度的预测。

主权项：1.一种基于多源光谱融合的水质COD检测方法，其特征在于，包括以下步骤：S1,建立三维荧光和紫外-可见吸收光的光谱融合的卷积网络，并输入多个样本的光谱特征进行训练；所述样本中包含紫外-可见吸收光光谱和三维荧光光谱；S2,计算卷积网络对于各输入光谱特征的注意程度；S3,并将所述注意程度大于等于预设阈值的特征置值为0，然后将所有光谱特征重新输入所述卷积网络进行训练，直到判定无有效光谱信息；S4，获取三维荧光光谱注意程度矩阵和紫外-可见吸收光光谱注意程度向量，筛选注意程度为1的特征，获得光谱特征组合并建立PLS模型预测COD浓度；在S2中，所述光谱的注意程度表示深度学习模型对输入的不同特征重要程度的度量，特征的注意程度越高表示模型认为该特征对于预测COD浓度越重要；所述光谱特征的注意程度计算如下：第K个样本S'特征集合的样本注意程度aS'k为 其中，Xk表示第K个光谱样本，K＝1,2,3，…，m；Xsk表示第K个光谱样本,第s种遮蔽后的特征； 用于计算深度学习网络高级语义输出，在Xk变为Xsk时输出值的差异，其值为两者输出差的绝对值在同一样本下对高级特征加和；总体注意程度aS'的计算为 其中aS'k的取值大于等于0且小于等于1；紫外-可见吸收光光谱的注意程度计算为：首先计算单个样本在位置i的样本注意程度；然后将位置i-2,i-1,i,i+1,i+2上的值赋值为0，计算UV-vis卷积模块最大池化层的前一层特征输出，并计算与原始输出的差别，使用最大值归一化，结果统一到0到1之间；最后在统计平均视角上计算紫外-可见吸收光谱的总体注意程度；三维荧光光谱的注意程度计算为：首先对于单个输入的三维荧光光谱在行方向与列方向分别定义卷积网络对于该行和该列的注意程度；然后对于单个三维荧光光谱样本，在第i个为位置的激发波长和第j个位置的发射波长注意程度，为其所在行和列的位置注意程度影响的乘积；然后获得单个样本视角下i行j列的注意程度；最后对所有样本的注意程度的平均值进行计算，并对应使用最大值归一化，得到三维荧光光谱的总体注意程度。

全文数据：

权利要求：

百度查询： 重庆大学 重庆理工大学 一种基于多源光谱融合的水质COD检测方法及检测设备

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