浙江大学控制科学与工程学院, 工业控制技术国家重点实验室, 浙江 杭州 310027
水资源关系到国计民生, 近年来时有发生的水污染事件使污染物入侵预警得到了广泛的社会关注。 针对现有基于紫外-可见光光谱的水质异常检测方法存在的检出下限偏低的问题, 提出一种基于监督学习的紫外-可见光光谱水质异常检测方法。 该方法首先获取不同数据集中的正常样本差异性空间, 再使用正交投影方法去除差异性空间中的光谱数据分量, 以达到基线校正的目的; 然后采用偏最小二乘判别分析从校正后的光谱中提取特征, 利用训练集得到的最优阈值确定离群点; 最后采用序贯贝叶斯滚动更新每个时刻上的异常概率, 确定水质报警序列。 实验选用苯酚作为模拟污染入侵事件的注入试剂, 采样2周内的紫外-可见光光谱数据, 在实验平台上对提出的方法进行了验证。 实验结果表明, 采用的正交投影基线校正方法可以消除不同批次水质光谱的背景差异, 更为充分的利用了光谱信息, 降低了对特征污染物的检出下限。
紫外-可见光光谱 水质异常检测 正交投影 监督学习 偏最小二乘判别分析 UV-Vis spectrum Water quality anomaly detection Orthogonal projection Supervised learning Partial least squares discriminatory analysis