劉嘉誠，胡炳樑，于 濤*，王雪霽，杜 劍，劉 宏，劉 驍，黃琦星

1. 中國科學(xué)院西安光學(xué)精密機(jī)械研究所光譜成像技術(shù)重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710119 2. 中國科學(xué)院大學(xué)，北京 100049 3. 深圳市鹽田港集團(tuán)有限公司，廣東 深圳 518081

引 言

人類的行為活動(dòng)會(huì)對(duì)地球生存環(huán)境構(gòu)成重大威脅。據(jù)研究，全球所有死亡人數(shù)中有23%是因?yàn)榄h(huán)境因素[1]。對(duì)人類生存環(huán)境的研究、保護(hù)和治理刻不容緩。水是自然環(huán)境和社會(huì)環(huán)境中極為重要且活躍的因素，對(duì)水質(zhì)信息的科學(xué)監(jiān)測(cè)是實(shí)現(xiàn)水資源優(yōu)化配置與高效利用的基礎(chǔ)。水質(zhì)監(jiān)測(cè)中常用到的指標(biāo)包括化學(xué)需氧量(chemical oxygen demand，COD)、生化需氧量(biochemical oxygen demand，BOD5)、總有機(jī)碳(total organic carbon，TOC)、硝酸鹽氮(NO3-N)、濁度(turbidity)、色度(colority)等。通過這些指標(biāo)的監(jiān)測(cè)，可以反映當(dāng)前水體中各種污染物的濃度及變化趨勢(shì)，從而達(dá)到評(píng)價(jià)水質(zhì)狀況的目的。

常用的水質(zhì)監(jiān)測(cè)方法多為基于化學(xué)檢測(cè)的方法，包括現(xiàn)場(chǎng)取樣進(jìn)行實(shí)驗(yàn)室化學(xué)檢測(cè)和利用基于化學(xué)法的儀器進(jìn)行原位監(jiān)測(cè)?，F(xiàn)場(chǎng)取樣進(jìn)行實(shí)驗(yàn)室化學(xué)檢測(cè)非原位、周期長，難以實(shí)現(xiàn)在線監(jiān)測(cè)； 基于化學(xué)法的儀器由于其使用化學(xué)試劑，存在化學(xué)殘留，容易導(dǎo)致二次污染。近年來，基于光譜法的水質(zhì)監(jiān)測(cè)技術(shù)由于無需化學(xué)試劑、無二次污染、快速準(zhǔn)確、成本低的特點(diǎn)，可實(shí)現(xiàn)實(shí)時(shí)在線原位測(cè)量，已廣泛應(yīng)用于在線水質(zhì)監(jiān)測(cè)領(lǐng)域。光譜法水質(zhì)監(jiān)測(cè)技術(shù)是利用水中特定物質(zhì)吸收特定波長的光，產(chǎn)生分子吸收光譜，通過建立預(yù)測(cè)模型，根據(jù)測(cè)得的吸收光譜來定性定量地分析水質(zhì)參數(shù)。

光譜法水質(zhì)監(jiān)測(cè)中常用的預(yù)測(cè)模型主要分為線性模型和非線性模型，線性模型主要包括單波長法、多波長組合法、偏最小二乘(partial least squares, PLS)等。Dogliotti等利用645 nm波段與859 nm波段的單波長半分析方法來反演水體濁度[2]； Knaeps等利用1 020 nm波段與1 071 nm波段分析水體總懸浮物[3]； Carreres-Prieto等利用多元線性回歸(multivariable linear regression，MLR)預(yù)測(cè)COD等[4]； PLS是由Wold提出的一種多元線性回歸方法，它通過不斷提取主成分來簡化數(shù)據(jù)，建立回歸模型，王莉麗等將PLS用于水體化學(xué)需氧量的測(cè)量并取得了不錯(cuò)的效果[5]； Wang等使用PLS和多種機(jī)器學(xué)習(xí)算法預(yù)測(cè)水體總氮含量[6]。非線性模型主要包括支持向量機(jī)(support vector machines, SVM)，神經(jīng)網(wǎng)絡(luò)，決策樹等。SVM是由Vapnik提出的一種非線性回歸方法，它將低維數(shù)據(jù)映射到高維空間進(jìn)行回歸，再把高維空間的超平面映射回低維空間，建立回歸模型，陳穎等人將SVM的改進(jìn)方法用于水體硝酸鹽濃度的預(yù)測(cè)[7]； Gu等使用隨機(jī)森林(random forest，RF)的方法預(yù)測(cè)河流水體濁度[8]； 神經(jīng)網(wǎng)絡(luò)是一種仿生的計(jì)算方法，用于大規(guī)模非線性的系統(tǒng)建模，Charulatha等將人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)用于地表水的亞硝酸鹽檢測(cè)[9]； Chen等使用近紅外光譜結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)檢測(cè)農(nóng)業(yè)灌溉用水[10]。

單波長、多波長的組合方法都依賴于水體對(duì)特定波長的吸收特征，同一波長組合建?？赡苓m應(yīng)于特定應(yīng)用場(chǎng)景，不具有普適性。PLS算法雖然利用了全光譜的數(shù)據(jù)，但只能尋找線性特征進(jìn)行回歸，無法捕捉非線性的特征。SVM算法對(duì)小樣本的學(xué)習(xí)和預(yù)測(cè)性能較好，但懲罰參數(shù)的選擇對(duì)模型精度影響較大，懲罰參數(shù)較大模型容易過擬合，懲罰參數(shù)較小模型容易欠擬合?；谏窠?jīng)網(wǎng)絡(luò)的算法對(duì)樣本的數(shù)量需求較高，在小樣本情況下模型泛化能力較差，且模型訓(xùn)練時(shí)間長。

1 算法原理

1.1 算法基本原理

為了解決上述問題，引入機(jī)器學(xué)習(xí)中極端隨機(jī)樹的思想，提出了一種基于改進(jìn)極端隨機(jī)樹(improved extremely randomize trees，IERT)的非線性全光譜濁度定量分析算法。極端隨機(jī)樹(extremely randomize trees，ERT)是由Pierre Geurts等學(xué)者提出的基于決策樹的集成方法，用于解決機(jī)器學(xué)習(xí)中的監(jiān)督分類和回歸問題。該方法對(duì)高維特征數(shù)據(jù)能很好的處理，準(zhǔn)確度高，且能夠并行計(jì)算，執(zhí)行效率高[11]。由于精細(xì)光譜數(shù)據(jù)的高光譜分辨率導(dǎo)致的數(shù)據(jù)量大、不同波段之間數(shù)據(jù)存在冗余等特點(diǎn)，采用核主成分分析(kernal principal component analysis，KPCA)方法進(jìn)行特征降維，通過非線性函數(shù)把吸光度光譜映射到高維空間進(jìn)行主成分分析，提取數(shù)據(jù)高維、非線性的特征。之后，正態(tài)化降維后的數(shù)據(jù)，訓(xùn)練基于IERT的非線性全光譜濃度預(yù)測(cè)模型，算法流程圖如圖1。

圖1 IERT算法流程圖Fig.1 Flowchart of IERT algorithm

1.1.1 吸光度轉(zhuǎn)換

實(shí)驗(yàn)室測(cè)得的水體光譜為透射光譜，首先應(yīng)轉(zhuǎn)換為吸光度光譜，轉(zhuǎn)換方法如式(1)所示。

(1)

式(1)中，I1為被測(cè)水體的透射光譜，I0為標(biāo)準(zhǔn)去離子水的透射光譜，A為吸光度光譜。

1.1.2 核主成分分析

核主成分分析方法是一種非線性的數(shù)據(jù)降維方法，它利用投影子空間技術(shù)，將信號(hào)非線性的映射到特征空間，在特征空間中對(duì)轉(zhuǎn)換后的信號(hào)運(yùn)用線性主成分分析進(jìn)行數(shù)據(jù)降維，再將降維后的數(shù)據(jù)投影回輸入空間，其中的非線性映射必須是可逆的。

根據(jù)KPCA算法的原理，將其用于吸光度光譜特征降維的流程如圖2。

圖2 KPCA算法流程圖Fig.2 Flowchart of KPCA algorithm

首先，針對(duì)轉(zhuǎn)換后的吸光度光譜，定義核矩陣K。

(2)

最后，計(jì)算樣本在特征空間上的投影，即為KPCA降維后的吸光度光譜。

1.1.3 數(shù)據(jù)正態(tài)化

數(shù)據(jù)正態(tài)化是為了讓數(shù)據(jù)服從標(biāo)準(zhǔn)正態(tài)分布。假設(shè)KPCA降維后的吸光度光譜為X, 它服從均值為μ、方差為σ的正態(tài)分布。則數(shù)據(jù)正態(tài)化的計(jì)算公式如式(3)所示

(3)

式(3)中，S為正態(tài)化變換后的數(shù)據(jù)，服從均值為0，方差為1的正態(tài)分布。

1.1.4 極端隨機(jī)樹

決策樹(decision tree，DT)是一種分類、回歸模型，具有較高的可解釋性和魯棒性[12]。極端隨機(jī)樹是一種基于決策樹的集成方法，它由很多棵決策樹組成，且每一棵決策樹之間沒有關(guān)聯(lián)。極端隨機(jī)樹在樹節(jié)點(diǎn)分割時(shí)隨機(jī)化切割點(diǎn)的選擇，隨機(jī)化的強(qiáng)度可以根據(jù)不同問題的需求，通過調(diào)節(jié)參數(shù)的方式來改變[13]。極端隨機(jī)樹使用所有的訓(xùn)練樣本得到每棵決策樹，組合成為模型，當(dāng)有一個(gè)新的樣本輸入的時(shí)候，讓模型中的每一棵決策樹分別進(jìn)行判斷。與其他機(jī)器學(xué)習(xí)算法相比，極端隨機(jī)樹除了高準(zhǔn)確性之外，還具有高計(jì)算效率的優(yōu)勢(shì)。

極端隨機(jī)樹算法根據(jù)經(jīng)典的自上而下方法構(gòu)建一組“自由生長”的決策樹或回歸樹，與其他基于樹的集合方法有兩點(diǎn)不同： 不同于隨機(jī)森林在一個(gè)隨機(jī)子集內(nèi)得到最佳分叉屬性，它選擇分叉的特征屬性時(shí)是完全隨機(jī)的； 它使用整個(gè)學(xué)習(xí)樣本來得到每棵決策樹[14]。

極端隨機(jī)樹的實(shí)現(xiàn)流程如圖4所示。

圖3 實(shí)驗(yàn)裝置示意圖Fig.3 Schematic diagram of experimental device

圖4 極端隨機(jī)樹算法流程圖Fig.4 Flowchart of extremely randomize trees algorithm

1.2 模型評(píng)價(jià)標(biāo)準(zhǔn)

1.2.1 決定系數(shù)

決定系數(shù)(R-Square，R2)反應(yīng)了因變量的全部變異能通過回歸關(guān)系被自變量解釋的比例。決定系數(shù)越大，自變量對(duì)因變量的解釋程度越高，自變量引起的變動(dòng)占總變動(dòng)的百分比越高，觀察點(diǎn)在回歸直線附近越密集。如R2為0.9，表示回歸關(guān)系可以解釋因變量90%的變異，R2越大，表示模型的擬合效果越好。R2的計(jì)算公式如式(4)

(4)

1.2.2 均方根誤差

均方根誤差(root mean squared error，RMSE)是衡量平均誤差的方法，可以評(píng)價(jià)數(shù)據(jù)的變化程度，均方根誤差越小，說明用該預(yù)測(cè)模型描述實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)確度越高，RMSE的計(jì)算公式如式(5)

(5)

2 實(shí)驗(yàn)與結(jié)果討論

2.1 儀器與數(shù)據(jù)采集

實(shí)驗(yàn)室數(shù)據(jù)采集方法如圖3所示，實(shí)驗(yàn)裝置主要由光源、精細(xì)光譜分析儀和采集軟件組成。

其中光源采用氘鹵二合一光源，它在一個(gè)通道里整合了連續(xù)的氘燈和鹵素?zé)魧挷ǘ喂庾V，波長范圍190～2 200 nm，預(yù)熱時(shí)間40 min。光路采用抗紫外輻照石英光纖，纖芯直徑600 μm，波長范圍185～1 100 nm。比色皿采用石英比色皿，光程10 mm，適用波長185～2 500 nm。光譜儀采用項(xiàng)目組自主研發(fā)的光譜分析儀，如圖5所示。

圖5 光譜儀模型圖及實(shí)物圖Fig.5 Model diagram and physical diagram of the spectrometer

該光譜儀采用了連續(xù)譜精細(xì)獲取技術(shù)，整個(gè)儀器采用了雙光路矯正，采用特征點(diǎn)領(lǐng)域多波長位置實(shí)現(xiàn)大量程適應(yīng)性調(diào)節(jié)，其光譜范圍為185～1 100 nm，光譜采樣間隔為0.45 nm。

使用本套實(shí)驗(yàn)裝置，對(duì)光源進(jìn)行5 h連續(xù)測(cè)量，得到本系統(tǒng)穩(wěn)定性為2.38%。

2.2 實(shí)驗(yàn)數(shù)據(jù)

使用實(shí)驗(yàn)室配置的多組分混合溶液來模擬復(fù)雜水體，為了避免本算法只對(duì)特定的混合溶液有效，使本算法所建立的非線性全光譜濃度預(yù)測(cè)模型具有普適性，且克服水體混濁度、色度等對(duì)光學(xué)測(cè)量有嚴(yán)重干擾的影響因子，實(shí)驗(yàn)數(shù)據(jù)選取了兩組不同的多組分混合溶液，分別為200組COD，BOD5和TOC多組分混合溶液與188組NO3-N、濁度、色度多組分混合溶液。

2.2.1 COD，BOD5，TOC多組分混合溶液數(shù)據(jù)集

采用國標(biāo)方法，用鄰苯二甲酸氫鉀、谷氨酸和葡萄糖配置200組不同濃度的COD，BOD5，TOC混合溶液，如表1所示。

表1 COD，BOD5，TOC多組分混合溶液數(shù)據(jù)集樣本特性表Table 1 The sample characteristics table of multi-component mixed solution dataset of COD, BOD5 and TOC

將200組樣本隨機(jī)分配，取其中40組為測(cè)試集，其余160組為訓(xùn)練集。

2.2.2 NO3-N、濁度、色度多組分混合溶液數(shù)據(jù)集

實(shí)驗(yàn)室采用國標(biāo)方法，用硝酸鉀、硫酸肼、六次甲基四胺、六氯鉑酸鉀和六水氯化鈷配置188組不同濃度的NO3-N、濁度、色度混合溶液，如表2所示。

表2 NO3-N、濁度、色度多組分混合溶液數(shù)據(jù)集樣本特性表Table 2 The sample characteristics table of multi-component mixed solution dataset of NO3-N, turbidity and colority

將188組樣本隨機(jī)分配，取其中38組為測(cè)試集，其余150組為訓(xùn)練集。

2.2.3 多組分混合溶液光譜數(shù)據(jù)采集

采用上述實(shí)驗(yàn)裝置，在室溫[(25±1) ℃]條件下對(duì)配置的樣本進(jìn)行透射光譜的測(cè)量，每個(gè)樣本掃描10次，取平均值作為該樣本的測(cè)量值。COD，BOD5和TOC混合溶液的透射光譜如圖6(a)所示，NO3-N、濁度、色度混合溶液的透射光譜如圖6(b)所示。

圖6 多組分混合溶液透射光譜Fig.6 Transmission spectra of multi-component mixed solutions

2.3 IERT算法相關(guān)參數(shù)確定

2.3.1 核函數(shù)的選取

在1.1.2節(jié)核主成分分析中介紹了核函數(shù)，常用的核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)、高斯核函數(shù)、余弦核函數(shù)、sigmoid核函數(shù)等，實(shí)驗(yàn)選取上述5類作為IERT算法中的核函數(shù)，在COD，BOD5和TOC多組分混合溶液數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，通過結(jié)果中的決定系數(shù)值，初步選取IERT算法中的核函數(shù)。實(shí)驗(yàn)結(jié)果如表3所示，其中R2(ave)表示COD，BOD5和TOC的平均決定系數(shù)。

表3 IERT算法不同核函數(shù)的實(shí)驗(yàn)結(jié)果Table 3 Experimental results of IERT algorithm using different kernel functions

由表3可知，對(duì)于COD，BOD5和TOC這3種指標(biāo)，最合適的核函數(shù)不盡相同，但sigmoid核函數(shù)的平均決定系數(shù)最大，即選擇sigmoid函數(shù)作為IERT算法中的核函數(shù)，可同時(shí)滿足COD，BOD5和TOC這3種指標(biāo)的需求。

2.3.2 核函數(shù)的參數(shù)選擇

上節(jié)中選擇了sigmoid函數(shù)作為IERT算法的核函數(shù)，sigmoid函數(shù)的計(jì)算公式為式(6)所示。

k(x，y)=tanh(αxty+c)

(6)

由表4可知，當(dāng)sigmoid核函數(shù)在主成分?jǐn)?shù)選取5和8時(shí)，均有兩個(gè)指標(biāo)的決定系數(shù)最大，當(dāng)主成分?jǐn)?shù)n選取5時(shí)，平均決定系數(shù)最大，因此選擇sigmoid核函數(shù)的主成分?jǐn)?shù)n為5。

表4 sigmoid核函數(shù)在選取主成分?jǐn)?shù)為n時(shí)的實(shí)驗(yàn)結(jié)果Table 4 The experimental results of the sigmoid kernel function when the number of principal components is selected as n

表5為sigmoid核函數(shù)主成分?jǐn)?shù)n為5時(shí)，在不同參數(shù)c下的決定系數(shù)。

由表5可知，當(dāng)sigmoid核函數(shù)在主成分?jǐn)?shù)n為5、參數(shù)c為6時(shí)，平均決定系數(shù)最大，因此IERT算法選取sigmoid核函數(shù)的主成分?jǐn)?shù)n為5、參數(shù)c為6。

表5 sigmoid核函數(shù)在不同參數(shù)c下的實(shí)驗(yàn)結(jié)果Table 5 Experimental results of sigmoid kernel function under different parameters c

2.3.3 極端隨機(jī)樹中的參數(shù)選擇

極端隨機(jī)樹中樹的數(shù)量為m，表6為IERT算法在不同m下的實(shí)驗(yàn)結(jié)果。

由表6可知，當(dāng)樹的個(gè)數(shù)m取320時(shí)，平均決定系數(shù)最大，因此IERT算法選取極端隨機(jī)樹中樹的個(gè)數(shù)m為320。

表6 IERT算法在不同參數(shù)m下的實(shí)驗(yàn)結(jié)果Table 6 Experimental results of IERT algorithm under different parameters m

2.4 實(shí)驗(yàn)結(jié)果

2.4.1 COD，BOD5和TOC多組分混合溶液實(shí)驗(yàn)結(jié)果

選取COD，BOD5和TOC多組分混合溶液數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，IERT算法的核函數(shù)為sigmoid函數(shù)，主成分?jǐn)?shù)n為5，參數(shù)c為6，m為320。圖7為其測(cè)試集的實(shí)驗(yàn)結(jié)果，包括三種組分的真實(shí)值與IERT算法預(yù)測(cè)值對(duì)比和IERT算法的相對(duì)誤差。由圖7可以看出，在測(cè)試集中IERT算法可準(zhǔn)確的在多組分混合溶液中預(yù)測(cè)COD，BOD5和TOC的含量。對(duì)于測(cè)試集的40個(gè)樣本，其中38個(gè)樣本COD的相對(duì)誤差在2%以內(nèi)，37個(gè)樣本TOC的相對(duì)誤差在2%以內(nèi)，最大不超過7%； 38個(gè)樣本BOD5的相對(duì)誤差在10%以內(nèi)。

圖7 IERT算法在COD，BOD5和TOC多組分混合溶液測(cè)試集實(shí)驗(yàn)結(jié)果(a)： COD真實(shí)值與預(yù)測(cè)值對(duì)比； (b)： BOD5真實(shí)值與預(yù)測(cè)值對(duì)比； (c)： TOC真實(shí)值與預(yù)測(cè)值對(duì)比(d)： COD預(yù)測(cè)值相對(duì)誤差； (e)： BOD5預(yù)測(cè)值相對(duì)誤差； (f)： TOC預(yù)測(cè)值相對(duì)誤差Fig.7 Test set experimental results of IERT algorithm for COD, BOD5, TOC multi-component mixed solutions(a)： Comparison of the true value and the prediction value of COD；(b)： Comparison of the true value and the prediction value of BOD5(c)： Comparison of the true value and the prediction value of TOC；(d)： Relative error of COD prediction value； (e)： Relative error of BOD5 prediction value；(f)： Relative error of TOC prediction value

表7為IERT算法與4種對(duì)比算法的決定系數(shù)與均方根誤差。

由表7可以看出，對(duì)于COD，BOD5和TOC這三種指標(biāo)，IERT算法可同時(shí)預(yù)測(cè)混合溶液中的三種指標(biāo)，而其他4中對(duì)比算法對(duì)多組分混合溶液中BOD5這一指標(biāo)的效果均較差。同時(shí)IERT算法的決定系數(shù)均大于4種比較算法，均方根誤差均小于4種比較算法。

表7 COD，BOD5和TOC多組分混合溶液中IERT算法與4種預(yù)測(cè)算法的評(píng)價(jià)參數(shù)對(duì)比Table 7 Comparison of evaluation parameters between IERT algorithm and 4 prediction algorithms for COD, BOD5, TOC multi-component mixed solutions

2.4.2 NO3-N、濁度、色度多組分混合溶液實(shí)驗(yàn)結(jié)果

選取NO3-N、濁度、色度多組分混合溶液數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，由于篇幅原因，此處不在列出預(yù)測(cè)值與真實(shí)值的對(duì)比圖，只列出與幾種對(duì)比算法的模型評(píng)價(jià)參數(shù)對(duì)比。由表8可以看出，對(duì)于NO3-N、濁度、色度這三種指標(biāo)，IERT算法也可同時(shí)預(yù)測(cè)混合溶液中的三種指標(biāo)，而其他4中對(duì)比算法對(duì)多組分混合溶液中濁度這一指標(biāo)的效果均較差。

表8 NO3-N、濁度、色度多組分混合溶液中IERT算法與4種預(yù)測(cè)算法的評(píng)價(jià)參數(shù)對(duì)比Table 8 Comparison of evaluation parameters between IERT algorithm and 4 prediction algorithms for NO3-N, turbidity, colority multi-component mixed solutions

2.4.3 算法計(jì)算時(shí)間實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)選擇COD，BOD5和TOC多組分混合溶液數(shù)據(jù)集1和NO3-N、濁度、色度多組分混合溶液數(shù)據(jù)集2在同一硬件配置的計(jì)算機(jī)上，對(duì)5種算法所需的計(jì)算時(shí)間進(jìn)行比較。實(shí)驗(yàn)采用的計(jì)算機(jī)硬件配置如下，處理器型號(hào)為IntelCorei7，主頻為1.99 GHz，內(nèi)存為16 G。表9給出了5種算法在兩組數(shù)據(jù)集上所需的計(jì)算時(shí)間。

表9 IERT算法與4種預(yù)測(cè)算法的計(jì)算時(shí)間對(duì)比Table 9 Comparison of calculation time between IERT algorithm and 4 prediction algorithms

由表9可以看出，IERT算法有著不錯(cuò)的計(jì)算速度，與傳統(tǒng)算法在同一量級(jí)。

3 結(jié) 論

提出了一種基于改進(jìn)極端隨機(jī)樹的非線性全光譜定量分析算法，利用多組分混合溶液數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，并與傳統(tǒng)的算法進(jìn)行比較，得出以下結(jié)論：

傳統(tǒng)的光譜定量分析算法大多只適用于單組分的水質(zhì)分析，在多組分混合溶液上表現(xiàn)較差，IERT算法通過全光譜數(shù)據(jù)進(jìn)行非線性分析，相比傳統(tǒng)的算法，具有更高的決定系數(shù)和更低的均方誤差，對(duì)多組分混合溶液的預(yù)測(cè)效果很好。

IERT算法具有挖掘數(shù)據(jù)深度特征的能力，這彌補(bǔ)了水質(zhì)在線測(cè)量中光譜定量分析算法對(duì)海浪光譜信息利用不足的劣勢(shì)，使得光譜定量分析對(duì)數(shù)據(jù)的挖掘能力得到提升，有效的提升了光譜法水質(zhì)在線監(jiān)測(cè)的能力。

IERT算法在多組分混合溶液數(shù)據(jù)集中對(duì)濁度的檢測(cè)均方根誤差為0.326 4，雖為5種算法中的最優(yōu)結(jié)果，但誤差仍偏高，下一步工作將繼續(xù)優(yōu)化IERT算法對(duì)濁度的檢測(cè)能力，和更多種組分混合溶液的檢測(cè)能力。