[发明专利]基于极端随机树的非线性全光谱水体浊度定量分析方法

权利要求书

1.一种基于极端随机树的非线性全光谱水体浊度定量分析方法，其特征在于，包括以下步骤：

第一步、光谱数据的采集；

采用紫外-可见-近红外光谱仪测量被测水体和标准去离子水，得到被测水体的紫外-可见-近红外光谱曲线和标准去离子水的光谱曲线；

第二步、标准去离子水参比；

通过公式(1)完成标准去离子水参比，得到两光谱的比值I：

式中，I₁为被测水体的透射光谱，I₀为标准去离子水的透射光谱；

第三步、吸光度转换；

通过公式(2)完成吸光度转换，得到吸光度光谱；

x＝-log(I) (2)

式中，x为吸光度光谱；

第四步、将步骤三得到吸光度光谱进行KPCA特征提取；

4.1)定义多层感知器核函数；

K＝tanh(αx^Tx_i+c) (3)

其中，tanh是双曲正切函数，x_i为第i个输入样本的吸光度光谱，斜率α和常数c为两个参数；

4.2)计算中心化后的核矩阵

其中，M为样本数，I_M∈R^M×M为单位矩阵，(I_M)_ij＝1；

4.3)计算核矩阵的特征值λ和特征向量α；

其中，eig为矩阵计算特征值与特征向量的函数；

4.4)将特征值λ与特征向量α按降序排序，λ＝[λ₁,λ₂,λ₃,…,λ_n]，α＝[α₁,α₂,α₃,…,α_n]；

4.5)将输入吸光度谱x投影到特征空间上，得到KPCA处理后的吸光度谱x₀；

x₀＝x*α (6)

第五步、数据正态化；

将特征提取后的吸光度矩阵进行标准正态变换，得到数据正态化后的光谱A；

其中，为x₀的平均值，s为x₀的标准差；

第六步、训练基于极端随机树的浊度预测模型；

选取样本集中的部分数据作为训练集，将训练集的数据进行步骤一到步骤五的预处理，得到训练集样本，然后将训练集样本输入到极端随机树模型中进行训练，得到训练后的基于极端随机树的浊度预测模型，同时存储该训练后的基于极端随机树的浊度预测模型；

第七步、将测试数据输入至训练后的基于极端随机树的浊度预测模型中，得到数据分析结果。

2.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1所述方法的步骤。

3.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述程序时实现权利要求1所述方法的步骤。