[go: up one dir, main page]

CN118655116B - 一种基于荧光量子点的全藻类自动分析方法 - Google Patents

一种基于荧光量子点的全藻类自动分析方法 Download PDF

Info

Publication number
CN118655116B
CN118655116B CN202411152399.5A CN202411152399A CN118655116B CN 118655116 B CN118655116 B CN 118655116B CN 202411152399 A CN202411152399 A CN 202411152399A CN 118655116 B CN118655116 B CN 118655116B
Authority
CN
China
Prior art keywords
representing
training
sample
hyperspectral data
algae
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202411152399.5A
Other languages
English (en)
Other versions
CN118655116A (zh
Inventor
陈韦力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Aquas Technology Co ltd
Original Assignee
Shanghai Aquas Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Aquas Technology Co ltd filed Critical Shanghai Aquas Technology Co ltd
Priority to CN202411152399.5A priority Critical patent/CN118655116B/zh
Publication of CN118655116A publication Critical patent/CN118655116A/zh
Application granted granted Critical
Publication of CN118655116B publication Critical patent/CN118655116B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G01N2021/6439—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" with indicators, stains, dyes, tags, labels, marks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Optics & Photonics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computational Mathematics (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明涉及藻类分析技术领域，公开了一种基于荧光量子点的全藻类自动分析方法，包括以下步骤：步骤S101，获取实验水样的高光谱数据和水质参数；步骤S102，通过滑动窗口对实验水样的高光谱数据和水质参数进行预处理生成特征序列；步骤S103，通过荧光量子检测法获取实验水样的荧光信号，并基于特征序列和荧光信号训练生成模型；步骤S104，获取实验水样的藻类浓度实测值，并基于荧光信号和藻类浓度实测值训练预测模型；本发明利用高光谱数据和水质参数通过生成模型生成逼近通过荧光量子检测法获取的荧光信号，并通过预测模型建立荧光信号与藻类浓度之间的非线性映射关系，从而提高测量藻类浓度的精度。

Description

一种基于荧光量子点的全藻类自动分析方法
技术领域
本发明涉及藻类分析技术领域，更具体地说，它涉及一种基于荧光量子点的全藻类自动分析方法。
背景技术
现有藻类分析方法主要包括：1.显微镜计数法：通过显微镜直接观察藻类的形态结构特征，并进行种类鉴定和计数；2.分光光度法：基于叶绿素a对特定波长光线的吸收特性，叶绿素a在蓝色以及红色光谱区域有较强的吸收峰，在绿色光谱区域吸收较弱，通过分光光度计或者便携式分光光度计测量特定波长（通常是665纳米）下的吸光度，从而计算出叶绿素a的浓度；3.荧光法：叶绿素a在特定波长的激发光照射下会发出荧光，荧光强度与叶绿素a的浓度成正比，通过荧光光度计或者便携式荧光计测定水样的荧光强度，根据荧光强度与叶绿素a浓度之间的关系式计算出叶绿素a的浓度；4.荧光量子检测法：将荧光量子点作为荧光探针来标记藻类细胞中的特定成分，通过适当的设备（例如荧光显微镜、流式细胞仪等）检测荧光信号，根据荧光信号的强度来计算藻类浓度。
然而显微镜计数法和荧光量子检测法均需要在实验环境下进行，存在严重的时间延滞性，无法实时测定藻类浓度；分光光度法和荧光法虽然能够实时测定藻类浓度，但是容易受到水样中其他物质产生的荧光影响，导致其测量精度不高。
发明内容
本发明提供一种基于荧光量子点的全藻类自动分析方法，解决上述背景技术中的技术问题。
本发明提供了一种基于荧光量子点的全藻类自动分析方法，包括以下步骤：
步骤S101，获取实验水样的高光谱数据和水质参数；
高光谱数据通过波长为350纳米到850纳米的光谱反射率表示；
水质参数包括：叶绿素a浓度、总磷含量、悬浮物浓度和浊度；
步骤S102，通过滑动窗口对实验水样的高光谱数据和水质参数进行预处理生成特征序列；
特征序列包括K个序列单元，每个序列单元对应一个滑动窗口的组合向量；
步骤S103，通过荧光量子检测法获取实验水样的荧光信号，并基于特征序列和荧光信号训练生成模型；
生成模型的输入为特征序列，输出为荧光信号；
荧光信号通过波长为M纳米到N纳米的荧光强度表示；
步骤S104，获取实验水样的藻类浓度实测值，并基于荧光信号和藻类浓度实测值训练预测模型；
预测模型的输入为荧光信号，输出为藻类浓度预测值；
步骤S105，根据步骤S101和步骤S102生成待检测水样的特征序列输入到训练完成的生成模型，输出荧光信号，并将荧光信号输入到训练完成的预测模型，输出待检测水样的藻类浓度预测值。
进一步地，M和N均为自定义参数，K由滑动窗口的大小和步长决定，其计算公式如下：
；
其中length表示高光谱数据的波长长度，高光谱数据的波长长度为850纳米减去350纳米等于500纳米，size和step分别表示滑动窗口的大小和步长，其中滑动窗口的大小和步长均为自定义参数。
进一步地，通过便携式分光光度计测定实验水样在波长为663纳米和635纳米的吸光度值，并通过叶绿素a浓度计算公式获得实验水样的叶绿素a浓度，叶绿素a浓度计算公式如下：
；
其中Chla表示叶绿素a浓度，表示波长为663纳米的吸光度值，表示波长为635纳米的吸光度值，Vol表示体积，Weight表示重量。
进一步地，通过滑动窗口对实验水样的高光谱数据和水质参数进行预处理生成特征序列，包括以下步骤：
步骤S201，提取滑动窗口内高光谱数据的特征值；
高光谱数据的特征值包括：高光谱数据的光谱反射率的最大值、最小值、平均值、标准差、中位数、偏度和峰度；
高光谱数据的光谱反射率的偏度Skewness的计算公式如下：
；
高光谱数据的光谱反射率的峰度Kurtosis的计算公式如下：
；
其中size表示滑动窗口的大小，表示滑动窗口内高光谱数据的第i个波长对应的光谱反射率，和分别表示滑动窗口内高光谱数据的光谱反射率的平均值和标准差；
步骤S202，通过最小最大归一化方法对滑动窗口内高光谱数据的特征值以及水质参数进行归一化处理；
步骤S203，将归一化后的滑动窗口内高光谱数据的特征值和归一化后的水质参数进行拼接获得组合向量。
进一步地，生成模型包括K个隐藏层，第k个隐藏层输入特征序列的第k个序列单元，输出更新向量，其中1≤k≤K；
第K个隐藏层输出的更新向量输入到Q个分类器，Q个分类器的分类空间分别表示荧光信号的Q个波长对应的荧光强度，其中Q=M-N。
进一步地，生成模型的计算公式包括：
；
；
；
；
；
其中和分别表示第k个和第k-1个隐藏层输出的更新向量，的每个维度值均赋值为0，的大小与的大小相同，当k-1=0时，则的每个维度值均为0，表示第k个隐藏层输入的特征序列的第k个序列单元，、、和分别表示第k个隐藏层的关联系数、隐藏向量、重置门和更新门，、、、、、和分别表示第k个隐藏层的第一权重参数、第二权重参数、第三权重参数、第四权重参数、第五权重参数、第六权重参数和第七权重参数，、、和分别表示第k个隐藏层的第一偏置参数、第二偏置参数、第三偏置参数和第四偏置参数，表示逐点相乘，T表示转置操作，concat表示拼接操作，pile表示堆叠操作，sigmoid表示sigmoid激活函数，tanh表示双曲正切激活函数，ReLU表示ReLU激活函数。
进一步地，重复步骤S101到步骤S102生成的特征序列作为用于训练生成模型的训练样本的训练数据，通过荧光量子检测法获取的荧光信号作为用于训练生成模型的样本标签，在生成模型的训练过程中连接一个判别器，判别器输出的值表示生成模型输出的荧光信号属于训练样本的样本标签的概率值；
判别器的损失函数的计算公式如下：
；
其中表示第u个训练样本的训练数据，表示第u个训练样本的样本标签，表示第u个训练样本的样本标签输入到判别器，输出第u个训练样本的样本标签属于第u个训练样本的样本标签的概率值，表示第u个训练样本的训练数据输入到生成模型输出的荧光信号，表示第u个训练样本的训练数据输入到生成模型输出的荧光信号属于第u个训练样本的样本标签的概率值。
进一步地，将荧光信号按照等波长间隔划分为P个波段，并计算每个波段中所有波长对应荧光强度的平均值作为预测模型的输入，其中P为自定义参数，预测模型的计算公式如下：
；
其中P表示波段的数量，Con表示预测模型输出的藻类浓度预测值，表示第p个波段中所有波长对应荧光强度的平均值，表示第p个波段中所有波长对应荧光强度的平均值的p-1次方，表示第p个波段对应的权重参数。
进一步地，通过最小二乘法对荧光信号和藻类浓度实测值进行非线性拟合获得预测模型。
本发明提供一种基于荧光量子点的全藻类自动分析系统，包括：
数据采集模块，其用于获取实验水样的高光谱数据和水质参数；
特征序列生成模块，其用于通过滑动窗口对实验水样的高光谱数据和水质参数进行预处理生成特征序列；
生成模型构建模块，其用于通过荧光量子检测法获取实验水样的荧光信号，并基于特征序列和荧光信号训练生成模型；
预测模型构建模块，其用于获取实验水样的藻类浓度实测值，并基于荧光信号和藻类浓度实测值训练预测模型。
本发明的有益效果在于：本发明利用高光谱数据和水质参数通过生成模型生成逼近通过荧光量子检测法获取的荧光信号，并通过预测模型建立荧光信号与藻类浓度之间的非线性映射关系，从而提高测量藻类浓度的精度，并且高光谱数据和水质参数可以实时采集，从而实现藻类浓度的实时测定。
附图说明
图1是本发明的一种基于荧光量子点的全藻类自动分析方法的流程图；
图2是本发明的通过滑动窗口对实验水样的高光谱数据和水质参数进行预处理生成特征序列的流程图；
图3是本发明的一种基于荧光量子点的全藻类自动分析系统的示意图。
图中：数据采集模块301、特征序列生成模块302、生成模型构建模块303、预测模型构建模块304。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
需要说明的是，除非另外定义，本发明一个或多个实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明的一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1～图3所示，一种基于荧光量子点的全藻类自动分析方法，包括以下步骤：
步骤S101，获取实验水样的高光谱数据和水质参数；
高光谱数据通过波长为350纳米到850纳米的光谱反射率表示；
水质参数包括：叶绿素a浓度、总磷含量、悬浮物浓度和浊度；
步骤S102，通过滑动窗口对实验水样的高光谱数据和水质参数进行预处理生成特征序列；
特征序列包括K个序列单元，每个序列单元对应一个滑动窗口的组合向量；
步骤S103，通过荧光量子检测法获取实验水样的荧光信号，并基于特征序列和荧光信号训练生成模型；
生成模型的输入为特征序列，输出为荧光信号；
荧光信号通过波长为M纳米到N纳米的荧光强度表示；
步骤S104，获取实验水样的藻类浓度实测值，并基于荧光信号和藻类浓度实测值训练预测模型；
预测模型的输入为荧光信号，输出为藻类浓度预测值；
步骤S105，根据步骤S101和步骤S102生成待检测水样的特征序列输入到训练完成的生成模型，输出荧光信号，并将荧光信号输入到训练完成的预测模型，输出待检测水样的藻类浓度预测值。
需要说明的是，叶绿素a浓度在波长为650纳米到750纳米之间有较强的吸收峰，总磷含量在波长为380纳米和780纳米之间有较强的吸收峰，悬浮物浓度在波长为400纳米到700纳米之间有较强的吸收峰，浊度在波长为400纳米到700纳米之间有较强的吸收峰，因此，高光谱数据通过波长为350纳米到850纳米的光谱反射率表示，能够间接反映水样的水质特征，并且在一定程度上能够减少数据计算量，从而提高生成模型和预测模型的计算速度。
在本发明的一个实施例中，通过手持式或者固定式高光谱仪器获得高光谱数据。
在本发明的一个实施例中，M和N均为自定义参数，优选的，M设置为500，N设置为750，K由滑动窗口的大小和步长决定，其计算公式如下：
；
其中length表示高光谱数据的波长长度，高光谱数据的波长长度为850纳米减去350纳米等于500纳米，size和step分别表示滑动窗口的大小和步长，其中滑动窗口的大小和步长均为自定义参数，优选的，滑动窗口的大小设置为25，滑动窗口的步长设置为25，则K为20。
需要说明的是，M和N根据藻类中的不同物质在荧光信号中的发射波长进行设定，例如藻类中的叶绿素a在荧光信号中的发射波长约650至670纳米，藻类中的胡萝卜素在荧光信号中的发射波长约500至600纳米，藻类中的叶黄素在荧光信号中的发射波长约500至600纳米，藻类中的藻红蛋白在荧光信号中的发射波长约560至570纳米，藻类中的藻青蛋白在荧光信号中的发射波长约630至650纳米。
在本发明的一个实施例中，通过便携式分光光度计测定实验水样在波长为663纳米和635纳米的吸光度值，并通过叶绿素a浓度计算公式获得实验水样的叶绿素a浓度；
叶绿素a浓度计算公式如下：
；
其中Chla表示叶绿素a浓度，表示波长为663纳米的吸光度值，表示波长为635纳米的吸光度值，Vol表示体积，Weight表示重量。
在本发明的一个实施例中，如图2所示，通过滑动窗口对实验水样的高光谱数据和水质参数进行预处理生成特征序列，包括以下步骤：
步骤S201，提取滑动窗口内高光谱数据的特征值；
高光谱数据的特征值包括：高光谱数据的光谱反射率的最大值、最小值、平均值、标准差、中位数、偏度和峰度；
高光谱数据的光谱反射率的偏度Skewness的计算公式如下：
；
高光谱数据的光谱反射率的峰度Kurtosis的计算公式如下：
；
其中size表示滑动窗口的大小，表示滑动窗口内高光谱数据的第i个波长对应的光谱反射率，和分别表示滑动窗口内高光谱数据的光谱反射率的平均值和标准差；
步骤S202，通过最小最大归一化方法对滑动窗口内高光谱数据的特征值以及水质参数进行归一化处理；
步骤S203，将归一化后的滑动窗口内高光谱数据的特征值和归一化后的水质参数进行拼接获得组合向量。
需要说明的是，一个滑动窗口的组合向量表示为：
；
其中分别表示归一化后的滑动窗口内高光谱数据的特征值，即高光谱数据的光谱反射率的最大值、最小值、平均值、标准差、中位数、偏度和峰度，分别表示归一化后的水质参数，即叶绿素a浓度、总磷含量、悬浮物浓度和浊度。
在本发明的一个实施例中，生成模型包括K个隐藏层，第k个隐藏层输入特征序列的第k个序列单元，输出更新向量，其中1≤k≤K；
第K个隐藏层输出的更新向量输入到Q个分类器，Q个分类器的分类空间分别表示荧光信号的Q个波长对应的荧光强度，其中Q=M-N。
需要说明的是，荧光信号的Q个波长之间的波长间隔可以自定义设置，例如M设置为500，N设置为750，则Q为750-500=250，那么分类器的数量过多，增大了生成模型的计算复杂度，不利于模型收敛，那么可以将波长间隔设置为5纳米，那么Q为（750-500）/5=50，也可以将波长间隔设置为10纳米，那么Q为（750-500）/10=25。
在本发明的一个实施例中，生成模型的计算公式包括：
；
；
；
；
；
其中和分别表示第k个和第k-1个隐藏层输出的更新向量，的每个维度值均赋值为0，的大小与的大小相同，当k-1=0时，则的每个维度值均为0，表示第k个隐藏层输入的特征序列的第k个序列单元，、、和分别表示第k个隐藏层的关联系数、隐藏向量、重置门和更新门，、、、、、和分别表示第k个隐藏层的第一权重参数、第二权重参数、第三权重参数、第四权重参数、第五权重参数、第六权重参数和第七权重参数，、、和分别表示第k个隐藏层的第一偏置参数、第二偏置参数、第三偏置参数和第四偏置参数，表示逐点相乘，T表示转置操作，concat表示拼接操作，pile表示堆叠操作，sigmoid表示sigmoid激活函数，tanh表示双曲正切激活函数，ReLU表示ReLU激活函数。
需要说明的是，生成模型的权重参数和偏置参数均为可学习参数，例如第k个隐藏层输入的特征序列的第k个序列单元，即第k个序列单元对应的组合向量，组合向量的大小为1×11，第k个和第k-1个隐藏层输出的更新向量的大小可以设计为1×16，那么将组合向量和更新向量进行拼接获得的向量大小为1×27，则第k个隐藏层的第六权重参数和第七权重参数可以设计成大小为27×1的向量，两者相乘对应的重置门和更新门均为实数。
需要说明的是，的向量大小与的向量大小必须相同，否则无法将两者进行堆叠，例如两者堆叠成2×64大小的矩阵，那么第三权重参数可以设计成64×1大小的矩阵，2×64的矩阵乘以64×1的矩阵得到2×1大小的矩阵，再进行转置操作得到1×2大小的矩阵，第四权重参数可以设计为2×1大小的矩阵，两者相乘得到的关联系数为实数。
在本发明的一个实施例中，重复步骤S101到步骤S102生成的特征序列作为用于训练生成模型的训练样本的训练数据，通过荧光量子检测法获取的荧光信号作为用于训练生成模型的样本标签，在生成模型的训练过程中连接一个判别器，判别器输出的值表示生成模型输出的荧光信号属于训练样本的样本标签的概率值；
判别器的损失函数的的计算公式如下：
；
其中表示第u个训练样本的训练数据，表示第u个训练样本的样本标签，表示第u个训练样本的样本标签输入到判别器，输出第u个训练样本的样本标签属于第u个训练样本的样本标签的概率值，表示第u个训练样本的训练数据输入到生成模型输出的荧光信号，表示第u个训练样本的训练数据输入到生成模型输出的荧光信号属于第u个训练样本的样本标签的概率值。
在本发明的一个实施例中，将荧光信号按照等波长间隔划分为P个波段，并计算每个波段中所有波长对应荧光强度的平均值作为预测模型的输入，其中P为自定义参数，优选的，P设置为10，预测模型的计算公式如下：
；
其中P表示波段的数量，Con表示预测模型输出的藻类浓度预测值，表示第p个波段中所有波长对应荧光强度的平均值，表示第p个波段中所有波长对应荧光强度的平均值的p-1次方，表示第p个波段对应的权重参数。
在本发明的一个实施例中，通过最小二乘法对荧光信号和藻类浓度实测值进行非线性拟合获得预测模型。
在本发明的一个实施例中，如图3所示，本发明提供一种基于荧光量子点的全藻类自动分析系统，包括：
数据采集模块301，其用于获取实验水样的高光谱数据和水质参数；
特征序列生成模块302，其用于通过滑动窗口对实验水样的高光谱数据和水质参数进行预处理生成特征序列；
生成模型构建模块303，其用于通过荧光量子检测法获取实验水样的荧光信号，并基于特征序列和荧光信号训练生成模型；
预测模型构建模块304，其用于获取实验水样的藻类浓度实测值，并基于荧光信号和藻类浓度实测值训练预测模型。
上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。

Claims (4)

1.一种基于荧光量子点的全藻类自动分析方法，其特征在于，包括以下步骤：
步骤S101，获取实验水样的高光谱数据和水质参数；
高光谱数据通过波长为350纳米到850纳米的光谱反射率表示；
水质参数包括：叶绿素a浓度、总磷含量、悬浮物浓度和浊度；
步骤S102，通过滑动窗口对实验水样的高光谱数据和水质参数进行预处理生成特征序列；
特征序列包括K个序列单元，每个序列单元对应一个滑动窗口的组合向量；
步骤S103，通过荧光量子检测法获取实验水样的荧光信号，并基于特征序列和荧光信号训练生成模型；
生成模型的输入为特征序列，输出为荧光信号；
荧光信号通过波长为M纳米到N纳米的荧光强度表示；
步骤S104，获取实验水样的藻类浓度实测值，并基于荧光信号和藻类浓度实测值训练预测模型；
预测模型的输入为荧光信号，输出为藻类浓度预测值；
步骤S105，根据步骤S101和步骤S102生成待检测水样的特征序列输入到训练完成的生成模型，输出荧光信号，并将荧光信号输入到训练完成的预测模型，输出待检测水样的藻类浓度预测值；
M和N均为自定义参数，K由滑动窗口的大小和步长决定，其计算公式如下：
；
其中length表示高光谱数据的波长长度，高光谱数据的波长长度为850纳米减去350纳米等于500纳米，size和step分别表示滑动窗口的大小和步长，其中滑动窗口的大小和步长均为自定义参数；
通过滑动窗口对实验水样的高光谱数据和水质参数进行预处理生成特征序列，包括以下步骤 ：
步骤S201，提取滑动窗口内高光谱数据的特征值；
高光谱数据的特征值包括：高光谱数据的光谱反射率的最大值、最小值、平均值、标准差、中位数、偏度和峰度；
高光谱数据的光谱反射率的偏度Skewness的计算公式如下：
；
高光谱数据的光谱反射率的峰度Kurtosis的计算公式如下：
；
其中size表示滑动窗口的大小，表示滑动窗口内高光谱数据的第i个波长对应的光谱反射率，和分别表示滑动窗口内高光谱数据的光谱反射率的平均值和标准差；
步骤S202，通过最小最大归一化方法对滑动窗口内高光谱数据的特征值以及水质参数进行归一化处理；
步骤S203，将归一化后的滑动窗口内高光谱数据的特征值和归一化后的水质参数进行拼接获得组合向量；
生成模型包括K个隐藏层，第k个隐藏层输入特征序列的第k个序列单元，输出更新向量，其中1≤k≤K；
第K个隐藏层输出的更新向量输入到Q个分类器，Q个分类器的分类空间分别表示荧光信号的Q个波长对应的荧光强度，其中Q=M-N；
生成模型的计算公式包括：
；
；
；
；
；
其中和分别表示第k个和第k-1个隐藏层输出的更新向量，的每个维度值均赋值为0，的大小与的大小相同，当k-1=0时，则的每个维度值均为0，表示第k个隐藏层输入的特征序列的第k个序列单元，、、和分别表示第k个隐藏层的关联系数、隐藏向量、重置门和更新门，、、、、、和分别表示第k个隐藏层的第一权重参数、第二权重参数、第三权重参数、第四权重参数、第五权重参数、第六权重参数和第七权重参数，、、和分别表示第k个隐藏层的第一偏置参数、第二偏置参数、第三偏置参数和第四偏置参数，表示逐点相乘，T表示转置操作，concat表示拼接操作，pile表示堆叠操作，sigmoid表示sigmoid激活函数，tanh表示双曲正切激活函数，ReLU表示ReLU激活函数；
重复步骤S101到步骤S102生成的特征序列作为用于训练生成模型的训练样本的训练数据，通过荧光量子检测法获取的荧光信号作为用于训练生成模型的样本标签，在生成模型的训练过程中连接一个判别器，判别器输出的值表示生成模型输出的荧光信号属于训练样本的样本标签的概率值；
判别器的损失函数的计算公式如下：
；
其中表示第u个训练样本的训练数据，表示第u个训练样本的样本标签，表示第u个训练样本的样本标签输入到判别器，输出第u个训练样本的样本标签属于第u个训练样本的样本标签的概率值，表示第u个训练样本的训练数据输入到生成模型输出的荧光信号，表示第u个训练样本的训练数据输入到生成模型输出的荧光信号属于第u个训练样本的样本标签的概率值；
将荧光信号按照等波长间隔划分为P个波段，并计算每个波段中所有波长对应荧光强度的平均值作为预测模型的输入，其中P为自定义参数，预测模型的计算公式如下：
；
其中P表示波段的数量，Con表示预测模型输出的藻类浓度预测值，表示第p个波段中所有波长对应荧光强度的平均值，表示第p个波段中所有波长对应荧光强度的平均值的p-1次方，表示第p个波段对应的权重参数。
2.根据权利要求1所述的一种基于荧光量子点的全藻类自动分析方法，其特征在于，通过便携式分光光度计测定实验水样在波长为663纳米和635纳米的吸光度值，并通过叶绿素a浓度计算公式获得实验水样的叶绿素a浓度，叶绿素a浓度计算公式如下：
；
其中Chla表示叶绿素a浓度，表示波长为663纳米的吸光度值，表示波长为635纳米的吸光度值，Vol表示体积，Weight表示重量。
3.根据权利要求1所述的一种基于荧光量子点的全藻类自动分析方法，其特征在于，通过最小二乘法对荧光信号和藻类浓度实测值进行非线性拟合获得预测模型。
4.一种基于荧光量子点的全藻类自动分析系统，其特征在于，执行如权利要求1-3任一项所述的一种基于荧光量子点的全藻类自动分析方法，包括：
数据采集模块，其用于获取实验水样的高光谱数据和水质参数；
特征序列生成模块，其用于通过滑动窗口对实验水样的高光谱数据和水质参数进行预处理生成特征序列；
生成模型构建模块，其用于通过荧光量子检测法获取实验水样的荧光信号，并基于特征序列和荧光信号训练生成模型；
预测模型构建模块，其用于获取实验水样的藻类浓度实测值，并基于荧光信号和藻类浓度实测值训练预测模型。
CN202411152399.5A 2024-08-21 2024-08-21 一种基于荧光量子点的全藻类自动分析方法 Active CN118655116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411152399.5A CN118655116B (zh) 2024-08-21 2024-08-21 一种基于荧光量子点的全藻类自动分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411152399.5A CN118655116B (zh) 2024-08-21 2024-08-21 一种基于荧光量子点的全藻类自动分析方法

Publications (2)

Publication Number Publication Date
CN118655116A CN118655116A (zh) 2024-09-17
CN118655116B true CN118655116B (zh) 2024-12-13

Family

ID=92705870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411152399.5A Active CN118655116B (zh) 2024-08-21 2024-08-21 一种基于荧光量子点的全藻类自动分析方法

Country Status (1)

Country Link
CN (1) CN118655116B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270951A (zh) * 2022-07-22 2022-11-01 浙江树人学院 一种多源光谱融合的自适应溶解有机碳在线检测方法
CN117723497A (zh) * 2024-02-08 2024-03-19 上海阿夸斯科技有限公司 一种智能随动水质监测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112941A (zh) * 2021-12-14 2022-03-01 江苏省地质勘查技术院 基于支持向量回归的航空高光谱水体富营养化评价方法
CN117470776A (zh) * 2023-10-31 2024-01-30 山东省城市供排水水质监测中心 基于SSA-XGBOOST算法的高光谱遥感水质叶绿素a反演方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115270951A (zh) * 2022-07-22 2022-11-01 浙江树人学院 一种多源光谱融合的自适应溶解有机碳在线检测方法
CN117723497A (zh) * 2024-02-08 2024-03-19 上海阿夸斯科技有限公司 一种智能随动水质监测系统

Also Published As

Publication number Publication date
CN118655116A (zh) 2024-09-17

Similar Documents

Publication Publication Date Title
Bendel et al. Evaluating the suitability of hyper-and multispectral imaging to detect foliar symptoms of the grapevine trunk disease Esca in vineyards
Cheng et al. Deriving leaf mass per area (LMA) from foliar reflectance across a variety of plant species using continuous wavelet analysis
CN117723497B (zh) 一种智能随动水质监测系统
CN112712108A (zh) 一种拉曼光谱多元数据分析方法
Harrison et al. Improved estimates of phytoplankton community composition based on in situ spectral fluorescence: use of ordination and field-derived norm spectra for the bbe FluoroProbe
CN109187443A (zh) 基于多波长透射光谱的水体细菌微生物准确识别方法
CN109460471A (zh) 一种基于自学习的方式建立纤维种类图谱库的方法
CN117470776A (zh) 基于SSA-XGBOOST算法的高光谱遥感水质叶绿素a反演方法
CN119025927A (zh) 快速水质反演方法、装置、设备及存储介质
EP2366991A1 (en) Probabilistic scoring for components of a mixture
CN115565028A (zh) 变压器油老化检测方法、检测系统、电子设备及可读存储介质
CN106126879B (zh) 一种基于稀疏表示技术的土壤近红外光谱分析预测方法
CN118655116B (zh) 一种基于荧光量子点的全藻类自动分析方法
CN116992293B (zh) 一种用于化学发光仪器的智能化数据处理方法
CN119198596A (zh) 一种地表水水质参数检测方法、装置、设备、介质及产品
CN110887798B (zh) 基于极端随机树的非线性全光谱水体浊度定量分析方法
CN117556245B (zh) 一种四甲基氢氧化铵生产过滤杂质检测方法
CN113376107A (zh) 基于云平台的水质监测系统和方法
CN106383103A (zh) 一种基于主成分分析的时间分辨油荧光鉴别方法
Hou et al. Rapid identification of rice seed based on inverse Fourier transform of laser-induced breakdown spectroscopy
CN115512144A (zh) 一种基于卷积自编码器的xrf谱图自动分类方法
Grigoryeva et al. Specific features of feed-forward neural networks application in classification and regression problems in algology
Avhad et al. Soil Nutrients Analysis Techniques and Crop/Fertilizers Prediction—A Review
Lounis et al. Hybridisation of fuzzy systems and genetic algorithms for water quality characterisation using remote sensing data
Liu et al. Quantification of brown tide algae using EGAF coding and DFF feature fusion based on LED-induced fluorescence spectroscopy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant