采用卷積神經網絡的方法建立水樣中可持續汙染物含量的檢測模型，用MATLAB軟件進行編程。神经水体采用實驗樣本對模型進行多次訓練，网络外光污染物對模型結構進行調整與改進。谱法整個模型以BP神經網絡為基礎，测定設置卷積核函數對其進行初始化，基于卷积近红將偏置設置為0，神经水体采用留一交叉驗證的网络外光污染物方法確定最佳參數。采用損失函數對歐氏距離進行定義：
式中：yp——模型的谱法預測值；
yi——樣本的理化分析值。
試驗過程中將模型的测定學習率設定為0.5，最大迭代次數設定為1000次，基于卷积近红模型隨著迭代次數的神经水体增加而收斂，且損失函數平滑下降，网络外光污染物說明模型的谱法學習狀態較好，沒有出現過擬合現象。测定
引入相關係數r、均方根誤差（RMSEC）、預測標準差（RMSEP）3個指標對預測模型進行評價。其中相關係數r值越接近於1，說明模型的擬合效果越好，RMSEC和RMSEP的值越低說明係統的穩定性越好。
同時建立標準的BP神經網絡模型，與PLSR模型進行對比，其中BP神經網絡模型設定為單隱層結構。將300個水樣樣本數據按照2∶1的比例劃分為校正集和驗證集，即200個樣品用於對模型的訓練，100個樣品用於對模型的驗證。對模型進行10次重複訓練和測試，得模型平均值，其結果列於表2。由表2可知，近紅外光譜分析方法對水體中的氰化物、總汞和多環芳烴的預測精度較高，采用卷積神經網絡建立的模型總體效果優於BP、PLSR建模方法。
分析結果表明，卷積神經網絡技術能夠用於建立近紅外光譜水中持久性汙染物含量檢測模型，且模型比傳統建模方法預測精度更高。采用卷積神經網絡模型能夠有效地簡化光譜數據的維度，同時實現更好的預測效果。研究表明采用卷積神經網絡模型獨特的深度學習方法能夠有效提取光譜數據的特征點，從而獲取更加有效和細致的局部抽象映射。另外由於卷積神經網絡模型的結構能夠有效降低不相關數據對模型的影響，能夠提高預測模型的魯棒性和健壯性。由於需要對多層結構進行大量的訓練，才能使卷積神經網絡模型達到最優，接下來將對模型訓練集樣本所占數量對模型效果的影響進一步加以討論研究。
為了探討訓練集樣本數量的多少對卷積神經網絡模型預測能力的影響，采用相同的劃分方法將訓練集樣本按照所占總樣本的10%～90%對模型進行訓練，對氰化物的檢測訓練結果列於表3。
采用驗證集樣本對模型的擬合精度進行評判，根據模型評價原則，對比實驗數據發現，隨著訓練模型樣本數量的增加，卷積神經網絡預測模型的預測精度和穩定性逐步提高。當對模型的訓練樣本數量小於60時，模型得不到足夠的訓練，不能有效預測驗證集樣本中的數據。3種汙染物的預測相關係數隨訓練集樣本數量的變化情況如圖2所示。
由圖2可以發現，隨著訓練集樣本數目的增加，卷積神經網絡建立的水中汙染物含量預測模型的性能穩步提高，說明利用卷積神經網絡建立水中汙染物含量模型，在大數據環境下能夠穩定且有效地對水體中的各汙染物含量進行動態檢測和預測。
將卷積神經網絡技術與近紅外光譜檢測方法相結合，應用於水中持久性汙染物含量的檢測，設計了一種有效的卷積神經網絡回歸模型，並在低濃度汙染物的檢測中取得了較好的效果。首先采用不同的建模預測方法進行對比分析，采用卷積神經網絡所建立的預測模型，其穩定性和線性預測精度均較理想，然後對比分析訓練集樣本個數對模型預測能力的影響，發現隨著訓練樣本數量的增加，采用卷積神經網絡技術建立的模型性能顯著提高，說明在大數據環境下，卷積神經網絡模型能夠適應水中汙染物動態檢測的需求。
聲明：本文所用圖片、文字來源《化學分析計量》，版權歸原作者所有。如涉及作品內容、版權等問題，請與本網聯係
相關鏈接：汙染物，多環芳烴，氰化物
