2.3 預(yù)測(cè)模型的建立

采用卷積神經(jīng)網(wǎng)絡(luò)的方法建立水樣中可持續(xù)污染物含量的檢測(cè)模型，用MATLAB軟件進(jìn)行編程。采用實(shí)驗(yàn)樣本對(duì)模型進(jìn)行多次訓(xùn)練，對(duì)模型結(jié)構(gòu)進(jìn)行調(diào)整與改進(jìn)。整個(gè)模型以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，設(shè)置卷積核函數(shù)對(duì)其進(jìn)行初始化，將偏置設(shè)置為0，采用留一交叉驗(yàn)證的方法確定最佳參數(shù)。采用損失函數(shù)對(duì)歐氏距離進(jìn)行定義：

式中：y_p——模型的預(yù)測(cè)值；

y_i——樣本的理化分析值。

試驗(yàn)過程中將模型的學(xué)習(xí)率設(shè)定為0.5，最大迭代次數(shù)設(shè)定為1000次，模型隨著迭代次數(shù)的增加而收斂，且損失函數(shù)平滑下降，說明模型的學(xué)習(xí)狀態(tài)較好，沒有出現(xiàn)過擬合現(xiàn)象。

2.4 模型的評(píng)價(jià)

引入相關(guān)系數(shù)r、均方根誤差（RMSEC）、預(yù)測(cè)標(biāo)準(zhǔn)差（RMSEP）3個(gè)指標(biāo)對(duì)預(yù)測(cè)模型進(jìn)行評(píng)價(jià)。其中相關(guān)系數(shù)r值越接近于1，說明模型的擬合效果越好，RMSEC和RMSEP的值越低說明系統(tǒng)的穩(wěn)定性越好。

3 結(jié)果與討論

3.1 建模結(jié)果分析

同時(shí)建立標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)模型，與PLSR模型進(jìn)行對(duì)比，其中BP神經(jīng)網(wǎng)絡(luò)模型設(shè)定為單隱層結(jié)構(gòu)。將300個(gè)水樣樣本數(shù)據(jù)按照2∶1的比例劃分為校正集和驗(yàn)證集，即200個(gè)樣品用于對(duì)模型的訓(xùn)練，100個(gè)樣品用于對(duì)模型的驗(yàn)證。對(duì)模型進(jìn)行10次重復(fù)訓(xùn)練和測(cè)試，得模型平均值，其結(jié)果列于表2。由表2可知，近紅外光譜分析方法對(duì)水體中的氰化物、總汞和多環(huán)芳烴的預(yù)測(cè)精度較高，采用卷積神經(jīng)網(wǎng)絡(luò)建立的模型總體效果優(yōu)于BP、PLSR建模方法。

分析結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)技術(shù)能夠用于建立近紅外光譜水中持久性污染物含量檢測(cè)模型，且模型比傳統(tǒng)建模方法預(yù)測(cè)精度更高。采用卷積神經(jīng)網(wǎng)絡(luò)模型能夠有效地簡(jiǎn)化光譜數(shù)據(jù)的維度，同時(shí)實(shí)現(xiàn)更好的預(yù)測(cè)效果。研究表明采用卷積神經(jīng)網(wǎng)絡(luò)模型獨(dú)特的深度學(xué)習(xí)方法能夠有效提取光譜數(shù)據(jù)的特征點(diǎn)，從而獲取更加有效和細(xì)致的局部抽象映射。另外由于卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)能夠有效降低不相關(guān)數(shù)據(jù)對(duì)模型的影響，能夠提高預(yù)測(cè)模型的魯棒性和健壯性。由于需要對(duì)多層結(jié)構(gòu)進(jìn)行大量的訓(xùn)練，才能使卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到最優(yōu)，接下來將對(duì)模型訓(xùn)練集樣本所占數(shù)量對(duì)模型效果的影響進(jìn)一步加以討論研究。

3.2 訓(xùn)練集樣本數(shù)量對(duì)模型預(yù)測(cè)效果的影響

為了探討訓(xùn)練集樣本數(shù)量的多少對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)能力的影響，采用相同的劃分方法將訓(xùn)練集樣本按照所占總樣本的10%～90%對(duì)模型進(jìn)行訓(xùn)練，對(duì)氰化物的檢測(cè)訓(xùn)練結(jié)果列于表3。

采用驗(yàn)證集樣本對(duì)模型的擬合精度進(jìn)行評(píng)判，根據(jù)模型評(píng)價(jià)原則，對(duì)比實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)，隨著訓(xùn)練模型樣本數(shù)量的增加，卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)精度和穩(wěn)定性逐步提高。當(dāng)對(duì)模型的訓(xùn)練樣本數(shù)量小于60時(shí)，模型得不到足夠的訓(xùn)練，不能有效預(yù)測(cè)驗(yàn)證集樣本中的數(shù)據(jù)。3種污染物的預(yù)測(cè)相關(guān)系數(shù)隨訓(xùn)練集樣本數(shù)量的變化情況如圖2所示。

由圖2可以發(fā)現(xiàn)，隨著訓(xùn)練集樣本數(shù)目的增加，卷積神經(jīng)網(wǎng)絡(luò)建立的水中污染物含量預(yù)測(cè)模型的性能穩(wěn)步提高，說明利用卷積神經(jīng)網(wǎng)絡(luò)建立水中污染物含量模型，在大數(shù)據(jù)環(huán)境下能夠穩(wěn)定且有效地對(duì)水體中的各污染物含量進(jìn)行動(dòng)態(tài)檢測(cè)和預(yù)測(cè)。

4 結(jié)語

將卷積神經(jīng)網(wǎng)絡(luò)技術(shù)與近紅外光譜檢測(cè)方法相結(jié)合，應(yīng)用于水中持久性污染物含量的檢測(cè)，設(shè)計(jì)了一種有效的卷積神經(jīng)網(wǎng)絡(luò)回歸模型，并在低濃度污染物的檢測(cè)中取得了較好的效果。首先采用不同的建模預(yù)測(cè)方法進(jìn)行對(duì)比分析，采用卷積神經(jīng)網(wǎng)絡(luò)所建立的預(yù)測(cè)模型，其穩(wěn)定性和線性預(yù)測(cè)精度均較理想，然后對(duì)比分析訓(xùn)練集樣本個(gè)數(shù)對(duì)模型預(yù)測(cè)能力的影響，發(fā)現(xiàn)隨著訓(xùn)練樣本數(shù)量的增加，采用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)建立的模型性能顯著提高，說明在大數(shù)據(jù)環(huán)境下，卷積神經(jīng)網(wǎng)絡(luò)模型能夠適應(yīng)水中污染物動(dòng)態(tài)檢測(cè)的需求。

聲明：本文所用圖片、文字來源《化學(xué)分析計(jì)量》，版權(quán)歸原作者所有。如涉及作品內(nèi)容、版權(quán)等問題，請(qǐng)與本網(wǎng)聯(lián)系

相關(guān)鏈接：污染物，多環(huán)芳烴，氰化物