隨著我國現代工業的基于卷积近红快速發展，環境汙染問題日趨受到公眾關注。神经水体人們希望能夠對水質進行實時監測，网络外光污染物了解汙水中有害物的谱法種類及濃度。由於水體中汙染物種類繁多，测定汙染物濃度的基于卷积近红實時監測難度很大。汙水中的神经水体汙染物主要分為有機汙染物和無機汙染物兩類，無機汙染物主要以自然產生的网络外光污染物碳水化合物為主，有機汙染物是谱法以人類工、農業活動產生的测定殘留物為代表，通常指農藥等化工產品中的基于卷积近红芳烴類和酚醛類等。一般情況下無機汙染物的神经水体危害不大，水體通過自淨就可恢複；而有機汙染物對水體危害較大而且持久，网络外光污染物容易造成生態鏈失衡，谱法如果人誤食含有機汙染物的测定水體中的魚蝦身體健康將會遭受危害。水中的汙染物擴散速度較快，目前提高汙水中危害物的檢測速度是防範水汙染的重要措施之一，對人與自然的和諧發展具有重要意義。
傳統的汙水危害物檢測方法均需借助化學試劑和先進的檢測設備，如化學分析法、色譜法等，這些方法雖然能夠較準確測定汙水中的危害物含量，但其樣品處理過程複雜，檢測耗時長，且對檢測人員的技術要求較高，因此難以大範圍推廣。近紅外光譜處理技術是利用C-H、O-H、N-H等有機基團對近紅外光的合頻與倍頻對樣品成分進行間接預測的方法。近紅外光譜檢測技術是一種簡單、便捷的檢測方法，它具有高的靈敏度和穩定性，測定汙水中的危害物便捷而高效。在對汙水中有害有機物質進行檢測時，傳統的檢測方法一般不能有效分辨有機物的種類及含量，而近紅外光譜檢測技術能夠對有機物基團的吸收光譜進行增強，從而實現汙水中有機汙染物的辨別與準確定量。由於普通的近紅外光譜增強技術存在熱效應差的缺陷，筆者構建了一種近紅外光譜增強方法並將其應用於汙水中有害物質的檢測，提高了檢測精度與靈敏度。
由於神經網絡具有特殊的深度學習訓練結構，需要對輸入的光譜信息進行降維處理。通常采用重新構建二維光譜信息矩陣的方法對其進行降維，將每個樣本的近紅外光譜數據轉換為二維光譜矩陣，具體處理過程如下：
設x表示其中一個樣本的光譜數據向量，且以列向量的形式表示，則該樣本的二維近紅外光譜數據矩陣可以表示為：
如果x代表的是一個三維光譜數據的一個列向量，則一個典型的二維光譜矩陣可以表示為：
該矩陣被稱為原始近紅外光譜的信息矩陣，其中包含所有原始光譜的有效信息。此二維光譜信息矩陣即保持著與原始光譜間的相關性，同時又符合CNN模型對輸入數據的格式要求，另外，將光譜信息降維成二維向量，更加有利於CNN網絡對光譜特征的提取，實現更好的模型預測效果。
卷積神經網絡是一種端到端的有監督的神經網絡，其基本結構分為輸入層、卷積層、非線性激活層、池化層和全連接層5層。其中卷積層是卷積神經網絡的核心運算過程，向量經過卷積後會發生偏置，因此引入非線性激活函數對卷積後的向量進行修正，經過非線性激活函數修正後得到結果：
池化層主要作用是對卷積層輸出的數據再次降維，以達到減小運算複雜度的目的。目前常用的是最大值池化和平均值池化兩種方法，本實驗采用最大值池化法對數據進行降維處理。
實驗采集300個水樣，將采集到的水樣於試管中密封，於15℃條件下避光保存，3h內完成光譜采集和理化分析數據的統計，其統計數據列於表1。檢測樣本的汙染物含量較低且分布密集，對檢測設備的精度有較高的要求。
采用美國熱電尼高力儀器公司生產的NEXUS型傅裏葉變換紅外光譜儀及其透色組件完成水體樣本近紅外光譜的采集。光源由波長為400～2400nm的石英鹵素燈提供，光譜分辨率設定為16cm-1，每個樣本掃描32次。
利用熱電尼高力儀器公司提供的OMNIC軟件對采集的樣本近紅外光譜進行一階平滑處理，消除噪音幹擾，將經過處理的數據導出，利用統計分析軟件MATLAB2017對導出的數據進行聚類分析，結果表明光譜的前20個主成分累計貢獻率超過99.1%，因此選用前20個主成分作為樣本的有效數據進行建模，有效降低了CNN模型的運算複雜度。主成分分析光譜累計貢獻率如圖1所示。
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：芳烴，酚醛，石英，農藥
