第４３卷，第３期光谱学与光谱分析Ｖｏｌ．４３，Ｎｏ．３，ｐｐ７３１－７３６２０２３年３月ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓＭａｒｃｈ，２０２３卷积神经网络的紫外－可见光谱水质分类方法陈庆１，汤斌１，２＊，龙邹荣１，２，缪俊锋１，黄子恒１，戴若辰１，石胜辉１，赵明富１，钟年丙１１．重庆理工大学光纤传感与光电检测重庆市重点实验室，重庆４０００５４２．重庆大学光电技术及系统教育部重点实验室，重庆４０００４４摘要水质污染源的及时精确定位和精细化的污染防治措施是打赢水污染防治攻坚战的迫切需求，为解决地表水实际水样高锰酸盐指数准确分类的实际问题，以光谱降噪和光谱有效信息提取为切入点，根据紫外－可见光谱数据的特点，提出使用一维卷积神经网络处理紫外－可见光谱数据。为验证检测一维卷积神经网络对地表水光谱信号分类的可行性，选取长江的某段流域作为取样点。采集当天的长江上游水、某河水、嘉陵江水，生活污水、５００ｍｇ·Ｌ－１邻苯二甲酸氢钾溶液来模拟污染水源。将几种水样按不同的配比来模拟当天该流域的水污染变化情况。采集现有的单一水样及混合配比水样的光谱数据，根据各类水样的特征光谱信息进行区分，实现地表水高锰酸盐指数的预测分类，快速确定异常水样的污染来源，通过仿真实验，优化模型参数并完成优化训练。与Ｋ最邻近法、支持向量机等传统分类方法相比，该算法在光谱预处理复杂度和定性分析准确度方面有较大优势，在没有复杂的数据预处理前提下，将获取的３５０条光谱数据建立水质分类模型，随机选择其中２４５条数据作为训练集，另１０５条数据作为测试集，模型的混淆矩阵分类精度达９９．０％。不仅简化了整个光谱分析流程，而且能保留更多的有效光谱信息，减小人为预处理对紫外－可见光谱数据的影响，实现地表水高锰酸盐指数的准确分类。实验结果表明该方法可对不同水体水样进行准确分类，快速定位污染源，为无法激发荧光的污染物溯源提供了科学依据，为与三维荧光技术辅助配合快速精确定位地表水污染源提供了可能，同时表明了深度学习在紫外－可见光谱法测量实际水样领域有着巨大的应用潜力和研究价值。关键词水质；紫外－可见光谱；一维卷积神经网络；分类中图分类号：Ｏ４３３．４文献标识码：ＡＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００－０５９３（２０２３）０３－０７３１－０６收稿日期：２０２２－０１－２２，修订日期：２０２２－０５...
