基于LLE-BPNN的小麦岛海水硝酸盐含量分析

水中过量的硝酸盐会造成部分水生生物难以存活、引发人类尤其是婴儿患病等危害, 因此硝酸盐浓度成为水质检测中的一项重要指标。传统的硝酸盐浓度测量方法操作复杂、反应缓慢,近年许多研究人员开始通过紫外可见（UV-Vis）光谱技术结合人工神经网络（ANN）的方法对水中硝酸盐的含量进行测量。提出了一种将流形学习（manifold learning）方法中的局部线性嵌入（LLE）与反向传播神经网络（BPNN）相结合的建模方法,用以得到硝酸盐光谱曲线与浓度间的关系,实现对青岛市崂山区小麦岛海水中硝酸盐浓度快速准确的定量分析。实验选取了过滤后的小麦岛海水配置59组不同浓度的加标溶液,采用实验室自主研制的光谱分析仪采集这些样本的光谱测量值,通过标准正态变换（SNV）方法对测得硝酸盐溶液的光谱数据进行校正处理,有效降低了由仪器本身或环境带来的噪声影响;选取预处理后的光谱数据的前1 500维处理后进行对比实验,以解决使用BPNN对全部2 048维数据建模时内存不足的问题,再通过网格搜索结合十折交叉验证的方法优化LLE中的邻近点数k和嵌入维数d,得到最优参数值k=15,d=3,实现对实验数据的降维处理;通过BPNN将降维后的训练集光谱信息与其对应的浓度信息进行建模,实现对预测集硝酸盐浓度定量分析,引入决定系数（R2）和预测均方根误差（RMSEP）评价建模效果,与直接使用BPNN建模预测的结果比较,改进方法的R2由0.926 3提升至0.992 8,RMSEP由0.442 5下降到0.280 4,建模预测程序的运行时间由327 s缩短至0.5 s。采用这59组数据的全部2 048维进行LLE-BPNN建模时,得到R2=0.995 7,RMSEP=0.136 5,在用时相近的前提下,相比仅使用前1 500维时的建模精度更好。分析结果表明,LLE-BPNN的方法可实现对海水中硝酸盐浓度的快速预测,使预测精度得到显著提升,同时能大幅降低预测时间。