【技術實現步驟摘要】
本專利技術屬于水質檢測，具體涉及一種基于透射光譜分析的水質檢測方法及電子設備。
技術介紹
1、隨著環境保護意識的日益增強和科技水平的進步，水質檢測技術已經得到了快速發展。目前，市場上的水質檢測系統大多依賴于單一光譜分析或是有限模式識別技術，盡管在一定程度上能夠提供可靠的結果，但在復雜環境條件下，尤其是在面臨混合物干擾、基線漂移等問題時，現有技術的表現仍存在局限性。傳統的單模態反演方法在處理多組分、多源水質問題時，難以全面、準確地揭示水體內部復雜的化學反應機制和相互作用關系。現有水質檢測系統在建立基準參考光譜數據時，僅憑靜態參照難以及時反映水質狀況的細微變化。
技術實現思路
1、針對上述提到的問題，目前已有很多研究者提出了多種多樣的解決方案，但是效果并不顯著，為了實際解決當前所面臨的技術難題，本專利技術公開了一種基于透射光譜分析的水質檢測方法及電子設備，該方法通過改進海星優化算法優化的bp神經網絡和特征提取模塊組成水質檢測模型，用于對水質進行準確的檢測。
2、本專利技術通過下述技術方案來實現。一種基于透射光譜分析的水質檢測方法，包括以下步驟：
3、步驟1.使用光譜儀對采集到的水體進行掃描，并通過白板校正得到光譜透射率數據；
4、步驟2.使用歸一化、均值中心化兩種預處理方法將光譜數據進行維度和中心點的統一，得到最終的光譜透射率數據集；
5、步驟3.采用核主成分分析對光譜透射率數據集進行數據降維，得到降維后的樣本數據集；
6、步
7、步驟5.將bp神經網絡的原始閾值和原始權重作為改進海星優化算法的初始種群位置進行尋優，獲取bp神經網絡的最優閾值和最優權重；
8、步驟6.將不同大小的卷積核以并行的方式作為特征提取模塊，將提取到的多尺度特征通過拼接層進行連接，插入在bp神經網絡的輸入層和隱藏層之間，從而對數據進行多尺度特征提取；
9、步驟7.使用降維后的樣本數據集對已獲取最優閾值和最優權重的bp神經網絡和特征提取模塊組成的水質檢測模型進行訓練，使用訓練合格的水質檢測模型對水質進行檢測。
10、進一步優選，所述步驟5所述改進海星優化算法的過程如下：
11、步驟5.2.1：設置種群數量和最大迭代次數；
12、步驟5.2.2：種群初始化；
13、引入henon混沌映射始化種群；
14、；
15、；
16、；
17、式中，x代表初始化種群，代表混沌映射后第i個海星個體的第j個維位置，i∈1，2,…,n；j∈1,2,…,d；n是種群大小，d是問題的維度；代表混沌映射前第i個海星個體的第j個維位置；每個海星個體代表一組bp神經網絡的原始閾值和原始權的參數解，rand為0到1之間的隨機數，和分別為問題的上界和下界；r表示(0,1)之間的隨機數；
18、步驟5.2.3：計算適應度；
19、步驟5.2.4：勘探階段；
20、如果優化問題的維數大于5，則按下式更新位置：
21、；
22、；
23、；
24、和分別表示第i個海星個體的第p維更新后位置和當前位置,表示當前最佳位置的第p維，?t為當前迭代次數，為最大迭代次數，為常數值，θ為隨著迭代次數變化的自適應因子，θ在[0,π/2]的范圍內；
25、如果優化問題的維數不大于5，則勘探階段采用一維搜索模式更新位置：
26、；
27、；
28、式中，和分別為（-1,1）之間的兩個隨機數,為海星的能量；和為隨機選擇的兩只海星個體的第p維當前位置；
29、步驟5.2.5：開發階段；
30、首先計算最佳位置與其他海星個體之間的五個距離，然后隨機選擇兩個距離作為確認，利用并行雙向搜索策略更新每只海星個體的位置，距離計算公式為：
31、；
32、其中，是5個獲得的全局最佳海星個體與其他海星個體之間的距離，是5個隨機選擇的海星個體中的一個，表示當前最佳位置，將每只海星個體在捕食行為中的更新規律建模為：
33、；
34、；
35、其中，表示第i個海星個體的更新后位置，表示第i個海星個體的當前位置，和為（0,1）之間的隨機數，和是中的隨機兩個值；n為設置的種群個數；
36、步驟5.2.6：逃脫機制；
37、位置更新過程如下：
38、；
39、式中：是區間內的隨機數；
40、步驟5.2.7：更新適應度并判斷是否達到最大迭代次數，如果未達到，則繼續迭代；反之，則停止迭代，并輸出最優解，即為bp神經網絡的最優閾值和最優權重。
41、進一步優選，所述?bp神經網絡的輸入層節點數等于輸入向量的維數，輸入向量的維數是所選取的樣本數據集的維數。
42、進一步優選，所述bp神經網絡的輸出層節點數與預測結果個數一致。
43、進一步優選，所述bp神經網絡的隱藏層的節點數按下式確定：
44、；
45、式中，nh代表隱藏層節點數，np代表輸入層節點數，no代表輸出層節點數，是[1,10]之間的常數。
46、進一步優選，步驟6包括以下子步驟：
47、步驟6.1：分別采用3×3、5×5和7×7的卷積核以三條分支并行的方式對輸入層輸入的數據進行多尺度特征提取；
48、步驟6.2：使用拼接層（connect）對三條分支提取的特征進行合并，得到一維數據序列；
49、步驟6.3：通過連接層與bp神經網絡的隱藏層相連接。
50、本專利技術還提供一種電子設備，所述電子設備包括存儲器、處理器以及存儲在所述存儲器的計算機程序，所述計算機程序被所述處理器執行時實現所述的基于透射光譜分析的水質檢測方法的各個步驟。
51、本專利技術還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現所述的基于透射光譜分析的水質檢測方法的各個步驟。
52、本專利技術的有益效果：采用改進海星優化算法優化的bp神經網絡進行水質檢測，解決了bp神經網絡的閾值和權重難以準確選取的問題，能夠對水質進行準確的檢測，經過改進海星優化算法優化閾值和權重以后的bp神經網絡的水質檢測會更加準確，能夠滿足水質檢測的需要。
本文檔來自技高網...【技術保護點】
1.一種基于透射光譜分析的水質檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于透射光譜分析的水質檢測方法，其特征在于，所述步驟5所述改進海星優化算法的過程如下：
3.根據權利要求1所述的基于透射光譜分析的水質檢測方法，其特征在于，所述?BP神經網絡的輸入層節點數等于輸入向量的維數，輸入向量的維數是所選取的樣本數據集的維數。
4.根據權利要求1所述的基于透射光譜分析的水質檢測方法，其特征在于，所述BP神經網絡的輸出層節點數與預測結果個數一致。
5.根據權利要求1所述的基于透射光譜分析的水質檢測方法，其特征在于，所述BP神經網絡的隱藏層的節點數按下式確定：
6.根據權利要求1所述的基于透射光譜分析的水質檢測方法，其特征在于，步驟6包括以下子步驟：
7.一種電子設備，所述電子設備包括存儲器、處理器以及存儲在所述存儲器的計算機程序，其特征在于，所述計算機程序被所述處理器執行時實現如權利要求1-6任意一項所述的基于透射光譜分析的水質檢測方法的各個步驟。
8.一種計算機可讀存儲介質，所述計算
...【技術特征摘要】
1.一種基于透射光譜分析的水質檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于透射光譜分析的水質檢測方法，其特征在于，所述步驟5所述改進海星優化算法的過程如下：
3.根據權利要求1所述的基于透射光譜分析的水質檢測方法，其特征在于，所述?bp神經網絡的輸入層節點數等于輸入向量的維數，輸入向量的維數是所選取的樣本數據集的維數。
4.根據權利要求1所述的基于透射光譜分析的水質檢測方法，其特征在于，所述bp神經網絡的輸出層節點數與預測結果個數一致。
5.根據權利要求1所述的基于透射光譜分析的水質檢測方法，其特...
【專利技術屬性】
技術研發人員：饒偉，李斌，許志浩，劉婧奕，何旭東，章彧涵，鄒立琛，徐派，鐘慧招，
申請(專利權)人：南昌工程學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。