光谱检测水产养殖论文范文

本站小编为你精心准备了光谱检测水产养殖论文参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1光谱模型

1．1光谱噪声去除由于实验条件如光谱仪硬件和环境光等因素影响，采集的原始光谱数据会包含噪声，需要采用光谱预处理的方法把这些噪声去除，同时保留有用光谱信息。采用SG平滑算法，经验模态分解（empiricalmodedecomposition，EMD）算法和小波分析（wavelettransform，WT）去噪算法等对光谱进行处理，并对三种去噪算法进行比较。

1．2潜在变量（LatentVariable，LV）在利用PLS方法建立模型时，非常关键的一点是所选取的对于建模最优的LV个数，LV和主成分分析中主成分类似，第一个LV贡献率最大，第二个次之，以此类推。如果选取的LV个数偏少，则无法全面代表样本的光谱特性，造成模型精度下降，影响模型的预测效果。而如果选取的LV个数过多，则会带入模型的噪声，干扰建模效果。

1．3建模分析方法用三种建模方法，分别是偏最小二乘回归（partialleastsquares，PLS），BP神经网络（backpropagationneuralnet－work，BPNN）和偏最小二乘支持向量机（leastsquaresupportvectormachine，LS－SVM）。采用PLS建模方法时，基于全谱作为模型输入，使用BP神经网络和LS－SVM建模时，把PLS回归模型得到的LV作为输入，进行对比分析。神经网络由一个输入层、一个或多个隐含层和一个输出层构成。BP神经网络是一种非线性的建模方法，广泛应用于光谱建模分析中［12］。LS－SVM是在经典支持向量机算法基础上作了进一步改进，能够同时进行线性和非线性建模分析，是解决多元建模的一种快速方法。

1．4定量模型评价标准定量模型的评价指标主要有决定系数和均方根误差（rootmeansquareerror，RMSE）。建模集决定系数用R2表示，预测集决定系数用r2表示。决定系数越接近于1，表示模型相关性越好，预测效果更好。一般来说，RMSE越小说明模型的误差越小，模型精度越高。建模集均方根误差用RMSEC表示，预测集均方根误差RMSEP表示。

2结果和讨论

2．1UV／Vis光谱图及COD浓度的统计分析图1为甲鱼养殖水样本的UV／Vis原始光谱曲线，从图中可以看出各个水样的光谱曲线的趋势相类似，没有呈现显著性差异，由于水体中硝酸盐、有机酸、腐殖质等物质对紫外光的强烈吸收，在波段200～260nm区域的吸收度明显高于其他区域。试验水体样本COD值统计结果如表1所示，模型的建模集和预测集COD值覆盖了较大范围，有助于建立准确、稳定和具有代表性的模型。

2．2基于全波长的PLS模型为了更好的分析三种消噪算法检测水体COD含量的性能，将对不同预处理方法获取的评价指标相比较，基于全谱的PLS模型的计算结果如表2所示。由表2可知，小波算法去除噪声后的光谱PLS模型取得了最佳结果，建模集的R2为0．79，RMSEC为15．89mg•L－1，预测集的r2为0．78，RMSEP为15．92mg•L－1。SG平滑和EMD算法虽然部分去除了噪声，但建模效果并没有得到相应提高。故后面建模分析在WT分析基础上进行。

2．3LV一般选取最优LV个数的标准观察RMSEP值随LV个数变化情况，如图3所示，当LV个数较少时，RMSEP值较大，随着LV个数的增加，RMSEP随之减小，当LV个数增加到6时，RMSEP的值保持稳定，LV个数继续增加，RM－SEP值也没有随着增加。取前6个LVs作为偏最小二乘支持向量积的输入建立模型。从贡献率角度解释，PLS建模得到的6个LVs分别作为LS－SVM的输入，之所以取前6个是因为这样几乎可以100％表达原始光谱有用信息，如表3所示，且降低了模型复杂度，提高模型运行速度和精度。

2．4BP神经网络模型根据前文得到的结果，将表3中选出的LVs作为BP神经网络模型输入，BP神经网络模型的计算结果如表4所示。分析表4可知，将6个LVs作为LS－SVM模型输入的结果，其建模集的R2为0．82，RMSEC为15．77mg•L－1，预测集的r2为0．81，RMSEP为16．67mg•L－1。

2．5基于LVs输入的LS－SVM模型LS－SVM模型预测结果如表5所示。采用LVs作为LSSVM模型输入，得到的结果优于基于BP神经网络模型。其建模集的R2为0．83，RMSEC为14．78mg•L－1，预测集的r2为0．82，RMSEP为14．82mg•L－1。

2．6PLS，BP神经网络和LS－SVM模型比较PLS，BPNN和LS－SVM建模方法的结果比较如图3所示，Cal表示模型的建模集（calibration），Pre表示模型的预测集（prediction）。不难发现，在LS－SVM模型和BP神经网络模型中，基于LV作为模型输入－建立的LS－SVM模型取得了最优的效果，BP神经网络模型的预测效果较优，且LS－SVM模型和BP神经网络模型都优于全波长的PLS模型结果。

3结语

使用紫外可见光谱技术测量水产养殖水体的COD值，通过PLS模型得到6个LVs，作为LS－SVM输入，建立基于LS－SVM的COD光谱模型，预测集决定系数r2＝0．82，预测均方根误差RMSEP＝14．82mg•L－1，表明模型具有很好的预测性能。相比于使用LVs结合BP神经网络和LS－SVM建模，PLS建模的预测效果要稍差一点。使用LVs作为LS－SVM模型的输入，降低了建模的时间和模型的复杂度，并且提高了模型的预测效果，表明使用LVs结合LS－SVM建模，可以准确快速的预测水产养殖水体的COD值，为进一步实现水产养殖水体其他水质参数的快速测定奠定了基础。

作者：刘雪梅章海亮单位：华东交通大学土木建筑学院