[发明专利]基于宽光谱及BPNN的水体COD与浊度同时检测方法

权利要求书

1.一种基于宽光谱及BPNN的水体COD与浊度同时检测方法，其特征在于，包括以下步骤：

步骤1：配置不同浓度配比的COD与浊度混合溶液，使用光谱采集系统获取混合溶液的240-1040nm吸光度；

步骤2：建立包含不同浓度配比的COD与浊度混合溶液的数据库，并采用Python对数据集进行无放回随机采样，将数据库中的样本分为训练集数据、验证集数据和测试集数据；

步骤3：建立BPNN模型，使用训练集数据并采用改进的梯度下降算法对BPNN模型进行训练调参，使得训练集损失函数值最小；

步骤4：使用验证集数据对BPNN模型的性能进行评估，根据得到的损失函数MSE以及MAE对BPNN模型的结构进行调整，使得BPNN模型不陷入过拟合或者欠拟合；

步骤5：使用测试集数据中原始吸光度作为训练调参后的BPNN模型的输入，同时得到COD以及浊度的预测值，分别比较真实值与预测值的误差。

2.根据权利要求1所述的基于宽光谱及BPNN的水体COD与浊度同时检测方法，其特征在于，步骤1中，获取混合溶液吸光度的具体过程如下：在测量过程中使用的浸入式光纤探头光程为20mm，在光谱采集软件中设置的积分时间为10ms，测量的光谱波长范围为240-1040nm，平均次数为100次，并计算光谱平均值。

3.根据权利要求1所述的基于宽光谱及BPNN的水体COD与浊度同时检测方法，其特征在于，步骤2中，按照24:2:1的特定比例将数据库中的样本划分为训练集数据、验证集数据和测试集数据。

4.根据权利要求1所述的基于宽光谱及BPNN的水体COD与浊度同时检测方法，其特征在于，步骤3中，所建立的BPNN模型为三层结构，包含输入层，双隐藏层以及输出层；其中输入层包含800个神经元，双隐藏层中的第一隐藏层包含240个神经元，双隐藏层中的第二隐藏层包含80个神经元，输出层包含2个神经元。

5.根据权利要求1所述的基于宽光谱及BPNN的水体COD与浊度同时检测方法，其特征在于，步骤3中，训练集数据的240-1040nm吸光度作为输入，COD以及浊度的实际值作为输出。

6.根据权利要求1所述的基于宽光谱及BPNN的水体COD与浊度同时检测方法，其特征在于，步骤3中，改进的梯度下降算法的具体步骤如下：

步骤1：初始化BPNN模型的所有参数，主要包括如下：BPNN的双隐藏层神经元全部设置为Relu函数，记为f_R；输出层神经元设置为Linear函数，记为f_L；神经网络的学习率η、连接权重w、偏置b全都设置为(0,1)之间的随机数；停止误差S不超过真实值的1％；

步骤2：使用多组数据同时对BPNN进行前向传播计算，得到COD与浊度的预测值；使用240-1040nm间隔1nm的吸光度作为输入，记为矩阵其中表示输入层第j个神经元接收到的数据；输出的COD与浊度预测值记为矩阵其中表示输出层COD的预测值，表示输出层浊度的预测值；COD与浊度真实值记为矩阵其中表示溶液COD的真实值，表示溶液浊度的真实值；

步骤3：计算反向传播的误差梯度，并利用反向传播的误差梯度矩阵依次计算输出层、第二隐藏层以及第一隐藏层的权重参数矩阵W和偏置参数矩阵B的更新率，改变神经网络的学习率，朝着梯度的下降方向更新参数；

步骤4：选择COD与浊度的预测值与实际值之间的损失函数MSE，记为式中，Y_a、Y_p分别表示真实值以及预测值，n表示反向传播数据量；若损失函数值小于停止误差S，则完成模型的训练过程，否则继续进行步骤3的误差反向传播过程，直至损失函数值小于停止误差S。