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。

近年来, 饮用水安全问题引起社会的广泛关注。 采用紫外-可见光吸收光谱对水质进行异常检测, 具有现场原位、 无需试剂、 分析快速等优点, 适合快速在线监测。 然而, 紫外-可见光光谱数据量大, 且易受仪器和水质正常波动的干扰, 从而影响水质异常检测结果。 提出一种基于基线校正和主元分析的紫外-可见光光谱法来检测污染物引起的水质异常, 该方法利用非对称最小二乘校正基线, 采用主元分析法从基线校正后的光谱矩阵中降维并提取特征, 然后根据残差子空间的Q统计量评估测试样本的离群点, 最后采用累计概率来更新异常报告结果。 通过苯酚注入的实验, 验证了该算法的有效性, 实验结果表明, 提出的方法与单波长法相比, 有效地提高了污染物的检出下限; 与未经基线校正采用主元分析进行的异常检测方法相比, 提高了检出率, 降低了误报率。