基于紫外可见光谱的海水多参数水质检测方法研究.pdfVIP

基于紫外可见光谱的海水多参数水质检测方法研究

摘要

我国是海洋资源大国在海洋经济发展的同时海水水质污染日益加重。传统的海水

水质检测方法是基于化学法的检测，产生水质二次污染的同时还需要人工采集水样带

回实验室进行理化分析，因此迫切得需要一种方便快捷、可实时化、可远程化的海洋

水质检测方法解决化学法耗时耗力步骤繁琐的问题。现阶段对海洋水质检测包含多个

检测参量，最为关键的是化学需氧量、总氮、氨氮、总磷和浊度，因此本文研究基于

紫外可见光谱法的海水多参数水质检测。

通过构建多参数特征光谱与各待测参量浓度之间的非线性映射关系，实现海水多

参数浓度预测即海水多参数水质监测。首先，通过实验获取海水多参数不同浓度下的

紫外可见光谱，实验仪器包括LS-3000高功率卤素灯光源、GZ-tex光纤光谱仪、玻璃

比色皿和上位机配以CZspviewerV2.11软件。其次，由于实验获取的光谱数据含有大量

冗余信息以及光谱噪声，因此通过竞争自适应重加权采样算法进行特征提取，该算法

保留了更多特征光谱数据的同时也保留了更加完整的物质光谱特征。再次，为实现海

水多参数水质检测模型建立，根据不同的神经网络原理，构建三种多输入多输出的神

经网络结构。并使用基于距离的多目标粒子群优化算法对BP神经网络进行多目标优化。

最后，将CARS提取的特征光谱数据代入神经网络训练，得到三种海水多参数水质检

CARS-LSTMCARS-CNNCARS-DISMOPSO-BPNN

测模型（、、）。

实验获取的海水多参数混合溶液紫外可见光谱与各待测物质混合紫外可见光谱存

在偏差，将误差补偿后的特征光谱数据代入三种海水多参数水质检测模型，CARS-

DISMOPSO-BPNN模型决定系数较CARS-LSTM模型提高了5.61%，较CARS-CNN模

型提高了0.75%。CARS-DISMOPSO-BPNN模型的平均相对误差、平均绝对误差、均

方根误差远小于CARS-LSTM模型和CARS-CNN模型，因此本文提出的CARS-

DISMOPSO-BPNN海水多参数水质检测模型的检测精度更高、预测值与真实值的残差

最小。本文提出的海水多参数水质检测方法操作简单、检测速度快、无二次污染、可

远程检测，还可以克服检测时混合溶液光谱畸变的干扰，确保化学需氧量、总氮、氨

氮、总磷和浊度以最优的效果实现多目标的精确检测。

关键词：紫外可见光谱；海水多参数水质检测；特征光谱提取；多目标优化的BP神经

网络；误差补偿

基于紫外可见光谱的海水多参数水质检测方法研究

Abstract

Chinaisamaritimeresource-richcountry,butwiththedevelopmentoftheoceaneconomy,

seawaterpollutionisincreasing.Thetraditionalmethodforseawaterqualitytestingisbasedon

chemicaldetection,whichnotonlyproducessecondarypollutionbutalsorequiresmanual

collectionofwatersamplesandlaboratoryanalysis,makingtheprocesstime-consumingand

laborious.Therefore,thereisanurgentneedforaconvenient,fast,real-time,andremote

seawaterqualitytestingmethodtosolvetheproblemsofthetediousandtime-consumingsteps

ofthechemicalmethod.Currently,seawaterqualitytestin