付麗輝，戴峻峰

光纖SPR傳感器結(jié)合多分類器的水體DOM檢測

付麗輝1，戴峻峰2※

（1. 淮陰工學院自動化學院，淮安 223003；2. 淮陰工學院電子信息工程學院，淮安 223003）

針對單傳感器難以完成水體可溶解有機物（Dissolved Organic Matter，DOM）總量與組份的測試問題，該研究提出利用光纖表面等離子共振（Surface Plasma Resonance，SPR）傳感器的非特異選擇性來構(gòu)建傳感陣列。通過對光纖SPR傳感器的交叉敏感性分析，獲得多模光纖鍍以7種不同厚度金膜的傳感器設(shè)計方案，膜厚為55～85 nm，使其對不同的DOM組份產(chǎn)生類似味蕾的交叉敏感性響應(yīng)。利用粒子群算法（Particle Swarm Optimization，PSO）訓練的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建3個分類器：PSO-BP（波長）、PSO-BP（譜寬）、PSO-BP（光強），實現(xiàn)對待測量響應(yīng)信息的有效提取，并對里運河（A）、洪澤湖（B）、公園景觀湖（C）、校園景觀湖（D）4種水體的5種DOM組份（酪氨酸類蛋白質(zhì)、色氨酸類蛋白質(zhì)、富里酸、溶解性微生物代謝產(chǎn)物、腐殖酸）及其濃度進行預測，在洪澤湖水的色氨酸類蛋白質(zhì)組份測試試驗中，最高正確率可達85%。同時，對多分類器的結(jié)構(gòu)參數(shù)進行試驗分析，重點考察隱含層節(jié)點個數(shù)及神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對DOM組份測試的影響。試驗結(jié)果表明：隱層節(jié)點數(shù)取15時可以獲得最佳測試效果，通過基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)RBF、BP與PSO-BP的比較試驗可知，基于PSO-BP的3個分類器在DOM組份測試中的精度最高，對4種水體的色氨酸類蛋白質(zhì)及溶解性微生物代謝產(chǎn)物組份測試的平均分類精度可達87.50%、86.28%。研究結(jié)果為基于光纖SPR傳感器及多分類器在DOM組份測試的應(yīng)用提供依據(jù)及新的思路。

傳感器；水質(zhì)；多分類器；交叉敏感性；光纖SPR傳感器；DOM組份檢測；PSO-BP神經(jīng)網(wǎng)絡(luò)

0 引 言

在環(huán)境指標中，水體質(zhì)量對生態(tài)環(huán)境和居民生活具有十分重要的影響[1-2]，其中，可溶解有機物（Dissolved Organic Matter，DOM）就是影響因素之一[3]。目前，常見的DOM檢測方法可以對DOM總量進行定性分析，但對于DOM組份的測定一直存在瓶頸[4-7]。其中，化學檢測方法會在測試中引入化學物質(zhì)[4]，從而導致測量精度下降；吸收光譜及熒光光譜法存在強度掩蔽效應(yīng)[5-6]，從而導致對相似DOM組份的熒光信號無法區(qū)分；生物檢測法的測試過程復雜[7]，在DOM組份定量分析方面的作用明顯不足。另外，影響DOM組份分布的來源眾多，特性復雜[8-10]，測定不同DOM組份所占的比例，利用單一響應(yīng)的傳感器無法實現(xiàn)，需要基于多個傳感器的交叉敏感性信息，利用不同特性的傳感器對不同組份分別予以響應(yīng)，再通過多分類器等深度學習算法對之分析，才可獲得各組份的具體信息[11-12]。這些組份如同人體味覺系統(tǒng)所感受到的“酸、甜、苦、辣”等信息，通過人類味蕾對不同味道進行精確辨別，由此，將適用于辨識不同成份的電子舌（Electronic Tongue，ET）的設(shè)計思路[13]應(yīng)用于DOM組份測試過程中，基于傳統(tǒng)電子舌傳感陣列的交叉敏感性不足的問題[14-15]，本文提出利用光纖表面等離子共振（Surface Plasma Resonance，SPR）傳感器的非特異選擇性及交叉敏感性來構(gòu)建傳感陣列，通過SPR效應(yīng)所具有的可調(diào)諧光學特性對傳感陣列結(jié)構(gòu)進行調(diào)控，將光纖SPR傳感器鍍以55～85 nm的7種不同厚度的金膜來構(gòu)建傳感陣列，使其對不同DOM組份產(chǎn)生類似味蕾的交叉敏感性響應(yīng)，再利用粒子群算法（Particle Swarm Optimization，PSO）訓練的BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Artificial Neural Networks，BP-ANN）構(gòu)建多分類器，提取待測量的響應(yīng)信息，完成對DOM組份的有效預測，以期為SPR傳感器及多分類器在DOM組份測試應(yīng)用中提供依據(jù)及新的思路。

1 光纖SPR傳感器的交叉敏感性

由SPR理論可知，金屬薄膜種類及厚度對光纖SPR傳感器的共振吸收特性具有決定性作用[16-17]，直接影響共振吸收特性對待測介質(zhì)折射率的響應(yīng)，為完成對DOM組份的有效測試，首先對光纖SPR傳感器的交叉敏感性進行研究，通過對金屬薄膜種類及厚度的影響分析，完成對SPR傳感器結(jié)構(gòu)的調(diào)控及優(yōu)化。

1.1 金屬薄膜種類對SPR效應(yīng)的影響

SPR共振吸收效應(yīng)是金屬表面的自由電子集體振蕩形成的表面等離子體波（Surface Plasma Wave，SPW）與激勵光之間的能量交換[18-19]，金屬的介電特性一般按Drude模型確定[20]，常用的金、銀、銅、鋁薄膜的介電常數(shù)為-10.92+i1.49、-18.22+i0.48、-14.67+i0.72、-42.00+i16.40。在優(yōu)化分析中，利用多模光纖構(gòu)建SPR傳感器，選取薄膜種類為金、銀、銅、鋁，薄膜厚度為50 nm，待測折射率設(shè)置為1.330、1.343、1.355和1.373將光纖參數(shù)、待測介質(zhì)折射率與金屬介電常數(shù)代入光纖SPR傳感器模型[20]，從而獲得不同金屬薄膜的傳感特性，具體結(jié)果如圖1所示。

注：n為折射率。下同。

其中，歸一化反射光強定義為

式中、、分別為采樣光強、參考光強、暗光譜強度，cd。

由圖1可見：對于相同的待測介質(zhì)折射率，各傳感器均具有關(guān)于吸收中心對稱的洛倫茲線型，但共振吸收波長（）不同、譜寬也不同。其中，銀膜的SPR吸收波長最小，金膜的吸收波長最大。利用圖1a的光譜數(shù)據(jù)計算可知，當折射率=1.330時，金、鋁、銅、銀的共振波長分別為560、520、500、485 nm，譜寬分別為50、70、49、40 nm；不同金屬薄膜的傳感器具有不同的譜寬，譜寬與金屬復介電常數(shù)的實、虛部之比的絕對值具有正相關(guān)性；對于給定的金屬膜與厚度，當待測介質(zhì)折射率逐漸增加，SPR共振吸收特性隨之發(fā)生變化，波長-折射率變化率逐漸減小，譜寬逐漸增加，吸收譜的對稱性呈逐漸劣化趨勢；在4種金屬中，雖然銀膜具有良好的譜寬及波長-折射率變化率，但隨著待測折射率的增大，其劣化速度也最快。銅膜與鋁膜在測量靈敏度上不具有優(yōu)勢，其譜寬隨待測折射率增加迅速劣化。相對而言，金膜的譜寬不是最優(yōu)，但隨著待測折射率的增加，其譜寬和波長分辨率的穩(wěn)定性最好，而且，相對其他金屬，金膜具有更好的抗氧化性能，因此，選擇金膜設(shè)計SPR傳感器。

1.2 金屬薄膜厚度對SPR效應(yīng)的影響

當被測折射率、光纖及金屬薄膜材料確定后，金屬薄膜厚度成為影響SPR傳感器測量效果的主要因素[21-22]。膜厚太小，則金屬膜中沒有足夠空間與自由電子形成SPW；膜厚太大，激勵光場不足以穿透金屬膜，無法激發(fā)足夠強的共振吸收。由此，利用單模、多模光纖SPR傳感器進行金膜厚度的仿真試驗，結(jié)果如圖2。

圖2 金屬膜厚度對SPR效應(yīng)的影響（單模、多模光纖）

由圖2可見：在單模與多模情形下，給定待測折射率，均存在最佳的金屬膜厚度，且最佳膜厚隨待測折射率增加而增加，各最佳膜厚對應(yīng)的共振波長、共振譜寬均隨之增加；在相同折射率點，多模光纖傳感器的最佳膜厚大于單模光纖（例如，當=1.330，多模與單模的最佳膜厚分別為55和40 nm），且多模光纖的共振波長、譜寬隨折射率變化的幅度小于單模光纖；當待測折射率偏離膜厚對應(yīng)的最佳測量點時，各傳感器的共振特性均有不同程度的劣化?？傊?，雖然單模光纖在最佳測量點處具有更好的譜寬，但當偏離最佳測量點時，其譜寬劣化的速度高于多模光纖，因此，單模光纖SPR傳感器對鄰近最佳點區(qū)域的測量結(jié)果不夠理想，覆蓋特性較差，這是由較小的單模光纖纖芯尺寸及泄漏模數(shù)導致。相對而言，多模光纖具有大的數(shù)值孔徑，使得入射光可以更有效地耦合進入光纖，導模數(shù)增加，相當于“放寬”進入光纖成為導模的條件，因此，SPR吸收譜線展寬、吸收峰處光強增加、相對變化率下降，而且，波長-折射率變化率的線性度較好。

2 基于交叉敏感性的光纖SPR傳感器陣列

通過1.2節(jié)分析可知，單模光纖SPR傳感器在最佳測試點處具有較高的靈敏度和分辨率，但其動態(tài)范圍較小，當偏離最佳測試點時，效果欠佳。多模光纖導模模式豐富，在較大待測折射率范圍內(nèi)，其動態(tài)范圍和線性度更好，也就是說，多模光纖SPR在點測量中的測試效果相對較差，但當偏離最佳測試點，其所獲得的交叉敏感性信息更為豐富。在構(gòu)成光纖SPR陣列時，測試系統(tǒng)的性能不僅與各傳感探器的最佳測量點的特性有關(guān)，更與最佳測量點區(qū)域外的SPR共振特性有關(guān)，在某種程度上，后者對測量系統(tǒng)的性能起決定性作用[23]。結(jié)合上述，基于多模光纖SPR傳感器優(yōu)良的交叉敏感特性，即在較大折射率變化區(qū)間內(nèi)，通過共振波長、譜寬和光強對被測量具有更廣泛的響應(yīng)。由此，選擇多模光纖鍍以不同厚度的金膜，構(gòu)成具有不同最佳測量點的SPR傳感器。

在構(gòu)建傳感陣列時，確保各SPR傳感器的最佳測量點分布于常規(guī)水質(zhì)折射率范圍內(nèi)（1.33～1.43）[24]，最終設(shè)計7個多模光纖SPR傳感器，膜厚如表1。在設(shè)計中，主要考慮以下交叉敏感要求：1）各傳感器的最佳測量點盡可能均勻地分布在測量折射率范圍內(nèi)；2）在測量范圍內(nèi)，有盡可能多的傳感器對待測折射率有盡可能敏感的響應(yīng)，不論這種響應(yīng)是線性或非線性；3）盡可能地使共振波長、譜寬和光強對待測折射率有盡可能敏感的響應(yīng)。

表1 多模光纖SPR傳感器的膜厚與諧振特性指標

進一步地，利用單模及多模光纖設(shè)計SPR傳感器，獲得不同響應(yīng)參數(shù)的傳感特性，如圖3所示。

圖3 基于不同參數(shù)的光纖SPR傳感器的響應(yīng)特性

由圖3可見，相對單模傳感器，除最佳測量點=1.33外，各多模光纖傳感器均具有良好的響應(yīng)特性，特別是在小于最佳測量點的區(qū)域。由此說明：多模光纖SPR傳感陣列能在較大測量范圍內(nèi)有效提取被測信息。另外，雖然7個傳感器的共振波長、譜寬和光強均隨待測折射率變化而變化，但都不能在較大測量范圍內(nèi)保持高靈敏度和線性度，換言之，如果將被測范圍劃分成若干個小區(qū)間，在任一小區(qū)間內(nèi)，總有3～4個傳感器通過波長、譜寬和光強對待測量予以響應(yīng)，因此，相對單個傳感器，傳感陣列可以獲取更多的被測信息，對于強調(diào)線性響應(yīng)的傳統(tǒng)測量系統(tǒng)而言，這些變化信息雖然根本不起作用，但在引入有效的智能算法后，所有信息均可被有效提取，從而實現(xiàn)更大動態(tài)范圍內(nèi)的高靈敏度測量。

3 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的多分類器

3.1 PSO-BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建及訓練

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）是一種模擬人腦的算法，由大量神經(jīng)元互連而成，其主要特點是并行處理及分布式存儲[25]，具有自學習、自組織、自適應(yīng)能力，很適合具有較多測試數(shù)據(jù)的SPR傳感陣列的定量分析，但是，傳統(tǒng)BP算法易陷入局部極小點[26]。為提高BP神經(jīng)網(wǎng)絡(luò)的泛化能力，本文將粒子群算法[27]與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，構(gòu)建PSO-BP神經(jīng)網(wǎng)絡(luò)，從而為多分類器的實現(xiàn)打下基礎(chǔ)。傳統(tǒng)PSO算法中的粒子狀態(tài)更新方程[27]為

式中+1()為第+1次迭代中第個粒子的速度；x+1()為其對應(yīng)位置；x()與()分別為第次迭代的速度及位置； p()為第個粒子第次迭代的自身最優(yōu)值；pg為其全局最優(yōu)值；1、2是[0,1]間隨機數(shù)；1、2是加速系數(shù)；是慣性因子。

在構(gòu)建PSO-BP網(wǎng)絡(luò)過程中，利用PSO完成對BP神經(jīng)網(wǎng)絡(luò)權(quán)值及閾值的優(yōu)化處理，若疊帶次數(shù)大于給定值或評價誤差小于給定值，則算法結(jié)束，將PSO算法的最優(yōu)粒子位置映射為神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值及閾值。具體流程如圖4所示。

圖4 PSO-BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化處理過程

3.2 基于PSO-BP的多分類器

SPR測試參數(shù)與DOM組份之間屬于高度非線性關(guān)系[9]，7個傳感器獲得DOM組份間的交叉敏感性信息后，需要采用深度學習模型來挖掘這些信息所反映的被測量的內(nèi)部關(guān)系，文中利用PSO-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建3個分類器：PSO-BP（波長）、PSO-BP（譜寬）、PSO-BP（光強）。每個分類器的輸入層由7個節(jié)點構(gòu)成，代表來自于7個光纖SPR傳感器的測試數(shù)據(jù)；輸出層由5個節(jié)點組成，代表DOM的各組份（即酪氨酸類蛋白質(zhì)、色氨酸類蛋白質(zhì)、富里酸、溶解性微生物代謝產(chǎn)物、腐殖酸），原理如圖5所示。

注：X1～X15為隱含層節(jié)點；P1～P5為DOM的5種組份。

首先，完成對DOM組份真值的測定，由三維熒光光譜法獲得DOM的組份數(shù)據(jù)，并將其作為分類器的輸出，然后，利用7個SPR傳感器測得各水樣的SPR響應(yīng)數(shù)據(jù)（波長、譜寬和光強），并將其作為各分類器的輸入，最后，利用輸入輸出數(shù)據(jù)構(gòu)成的樣品集完成對神經(jīng)網(wǎng)絡(luò)的訓練；在測試階段，將7個SPR傳感器獲得的測試數(shù)據(jù)輸入到訓練成功的分類器，獲得DOM組份的輸出，再根據(jù)3個分類器的輸出結(jié)果，利用平均法確定最終的DOM組份。

4 DOM的檢測試驗

4.1 水樣制備及DOM組份測定

為保證測量對象的普適性，選擇4種自然水體作為試驗對象，分別為淮安市里運河水、洪澤湖水、淮安市區(qū)景觀湖水和校園人工湖水。首先，對所采集的各類水樣，用預先灼燒過的0.22m濾膜進行過濾，并分為兩部分：一部分存放于棕色玻璃瓶中，4 ℃下保存?zhèn)溆?，另一部分置于敞口棕色玻璃瓶，放在潔凈避光房間內(nèi)自然蒸發(fā)濃縮。對濃縮后的樣品，再次用灼燒后的0.22m濾膜過濾，所得濾液存放于棕色玻璃瓶中，4 ℃下保存?zhèn)溆?。濃縮后的4種水樣，以A、B、C、D標識分組，再以去離子水為溶劑，以2%的濃度步長，配制成50種不同濃度的水樣，編號為A-50、B-50、C-50、D-50，作為訓練樣品，然后以3%的濃度步長，配制34種不同濃度的水樣，編號為a-34、b-34、c-34、d-34，作為驗證樣品。

利用三維熒光譜方法測量水樣中的DOM種類和相對含量，利用日立F-7000型熒光分光光度計測量樣品的三維熒光光譜，參數(shù)設(shè)置如下：發(fā)射波長為280～550 nm，狹縫寬度為5 nm，激發(fā)波長為200～550 nm，掃描速度為2 400 nm/min。根據(jù)激發(fā)波長與發(fā)射波長的關(guān)系，將熒光光譜分為5個區(qū)域[28]，如表2所示。

表2 DOM的三維熒光光譜與熒光物質(zhì)的對應(yīng)關(guān)系

在獲得樣品的三維熒光光譜數(shù)據(jù)后，根據(jù)三維熒光譜圖中的激發(fā)波長、發(fā)射波長，結(jié)合三維熒光譜的區(qū)域積分法[28]，計算出樣品水中DOM組份的相對含量，如表 3。

表3 4種樣品體積分數(shù)的DOM組份的相對含量

注：P1.n、P2.n、P3.n、P4.n、P5.n分別代表酪氨酸類蛋白質(zhì)、色氨酸類蛋白質(zhì)、富里酸、溶解性微生物代謝產(chǎn)物、腐殖酸。

Note: P1.n, P2.n, P3.n, P4.n and P5.n indicate tyrosine proteins, tryptophan proteins, fulvic acid, soluble microbial metabolites and humic acids, respectively.

4.2 光纖SPR傳感器及試驗平臺

光纖SPR傳感器芯區(qū)選用直徑為600 nm，數(shù)值孔徑為0.30，纖芯折射率為1.47的多模石英光纖[23]，光纖包層通過氫氟酸腐蝕剝離，利用真空磁濺射儀（JSD560-V型）制備金膜，傳感區(qū)長度取15 mm，金薄膜厚度取55-85 nm，每個光纖探器均設(shè)計為終端反射型[23]。由于探頭數(shù)量較多且測試數(shù)據(jù)較大，為簡化試驗過程，采用開環(huán)結(jié)構(gòu)完成對被測水樣SPR效應(yīng)的測量，試驗平臺示意圖見圖6。

圖6 光纖SPR傳感陣列的試驗平臺示意圖

在圖6中，7個傳感器共享耦合器、光源、光譜儀和計算機分析軟件，通過手動切換控制各傳感器連接到測量電路。測試中，光源產(chǎn)生的入射光在穿過P-偏振器后從Y耦合器的一端進入，穿過Y耦合器的另一端，作用于SPR傳感器。在入射光與被測液體相互作用后，傳感器端部將產(chǎn)生SPR效應(yīng)，即由端部全反射鏡形成反射光，反射光通過Y耦合器的另一端送入光譜儀。最后，由計算機獲取來自光譜儀的被測信息并完成基于多分類器算法的處理。在每次采集數(shù)據(jù)后，需要將SPR傳感器與被測介質(zhì)分離，并在空氣中放置約5 min，直到共振峰消失，再進行下一次測量。

5 結(jié)果與分析

5.1 DOM組份的測試結(jié)果

在測試中，7個傳感器的膜厚不同，能實現(xiàn)的最佳測量間隔不同，為獲得可以有效反映被測量的交叉敏感性信息，需要合理安排所需傳感器的數(shù)量和類型，以期用盡量少的傳感器獲得最理想的測試效果。基于此，將7個傳感器分為3種組合情形，記為F1={S1，S3，S5，S7}，F(xiàn)2={S2，S4，S6}，F(xiàn)3={S1，S2，S3，S4，S5，S6，S7}，用以考察選擇合理傳感器數(shù)量及類型的依據(jù)。利用3個分類器完成對4種被測水體的5種DOM組份的測試，訓練樣本為50個，測試樣本為34個，試驗過程利用Matlab 6.0完成。

通過試驗驗證獲得PSO參數(shù)如下：適應(yīng)度函數(shù)為均方誤差；加速系數(shù)122.05；慣性因子0.90；粒子數(shù)為160；初始迭代次數(shù)1=100；1、2為介于[0，1]之間的隨機數(shù)；BP網(wǎng)的絡(luò)輸入節(jié)點分別取3個、4個或7個；隱層神經(jīng)元個數(shù)為15個；輸出神經(jīng)元個數(shù)為5個。為了便于描述預測效果，定義預測正確率參數(shù)如下：

式中為正確預測樣本數(shù)，為樣本總數(shù)。最后獲得3種組合的預測效果，如圖7所示。

注：F1={S1，S3，S5，S7}，F(xiàn)2={S2，S4，S6}，F(xiàn)3={S1，S2，S3，S4，S5，S6，S7}代表7個傳感器的3種組合。

Note: F1={S1，S3，S5，S7}, F2={S2，S4，S6}, F3={S1，S2，S3，S4，S5，S6，S7} represent 3 combinations of 7 sensors respectively.

圖7 不同來源水樣的DOM組份測試結(jié)果

Fig.7 Test results of DOM components in different water samples

觀察圖7發(fā)現(xiàn)，3種不同組合的傳感器對4種被測水體DOM組份的預測效果均不同，其中，F(xiàn)3組合的預測效果最好，其最高正確率為85%，出現(xiàn)在洪澤湖（B）的P2.n測試中，最低正確率為40%，出現(xiàn)在里運河（A）的P5.n測試中。由三維熒光光譜區(qū)域積分法計算所得的DOM組份數(shù)據(jù)可知，這2種組份的含量分別為48.32%和5.22%，是5種組份在不同水體中的最高濃度和最低濃度，由此可見，組份濃度越高，檢出率越高。對于F1組合，其最大正確率為76%，出現(xiàn)在洪澤湖（B）的P2.n測試點，最小正確率為56%，出現(xiàn)在里運河（A）與洪澤湖（B）的P5.n測試點，對于F2組合，其最大正確率為73%，出現(xiàn)在公園景觀湖（C）的P2.n測試點，相應(yīng)DOM組份為36.99，最小正確率為40 %，出現(xiàn)在里運河（A）與洪澤湖（B）的P5.n測試點，3種不同組合的傳感器均表現(xiàn)出P5.n組份的測試效果最差，這與該組份的濃度過低有很大關(guān)系，也就是說，當組份濃度過少時，單純優(yōu)化傳感探器結(jié)構(gòu)也難于感測其細微變化。總體來說，在F3情形下，7個傳感器完全覆蓋了4種被測樣品的測量范圍，基礎(chǔ)數(shù)據(jù)全面，再結(jié)合性能優(yōu)良的多分類器算法，因此，可以獲得較好的識別效果。對于F2情形，3個傳感器集中在被量范圍的中間區(qū)域，因此，2個邊緣區(qū)域的被測信息無法被有效獲取，基礎(chǔ)數(shù)據(jù)缺乏，導致預測結(jié)果欠佳。在F1情形下，3個傳感探器覆蓋了被測樣品的折射率范圍，但其密度不夠，導致所獲得的交叉敏感性信息不足，預測效果也較差。

5.2 多分類器結(jié)構(gòu)參數(shù)對DOM測試的影響

通過實際測試可知，用于構(gòu)建多分類器的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)對預測效果的影響很大。因此，以3個分類器為基礎(chǔ)，研究分類器結(jié)構(gòu)參數(shù)對測試結(jié)果的影響，重點考察神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)與不同神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)兩個方面。為保證模型具有良好的穩(wěn)定性及預測性，引入逼近度概念[29]，定義如下：

式中為逼近誤差，為逼近度，1、2分別為訓練集和測試集的平均相對誤差，1、2分別為訓練集和測試集的樣本數(shù)，為總樣本數(shù)，為常數(shù)，用于調(diào)整逼近度的幅度?？梢?，越小，越大，則神經(jīng)網(wǎng)絡(luò)模型具有更好的預測性。

5.2.1 神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)對測試效果的影響

在構(gòu)建神經(jīng)網(wǎng)絡(luò)時，增加隱層節(jié)點數(shù)可以在一定程度上提高測試精度，但會導致網(wǎng)絡(luò)的復雜度增加。試驗中，設(shè)置不同的隱含層節(jié)點數(shù)，利用上述樣品集進行網(wǎng)絡(luò)訓練及測試，用以考察隱層節(jié)點數(shù)對測試效果的影響，參數(shù)設(shè)置同5.1節(jié)，試驗結(jié)果如圖8所示。

圖8 隱含層節(jié)點數(shù)對測試效果的影響

5.2.2 基于不同神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分類器測試效果比較

為驗證PSO-BP多分類器在DOM組份測試中的可行性，分別建立RBF（Radial Basis Function，RBF）[29]、BP[30]、PSO-BP神經(jīng)網(wǎng)絡(luò)，完成對以上被測水體DOM組份的測試，均設(shè)置為3個分類器，隱層神經(jīng)元個數(shù)為15，輸入神經(jīng)元個數(shù)為7，輸出神經(jīng)元個數(shù)為5，試驗中，訓練樣本為50個，測試樣本為20個，通過各算法的在線調(diào)整來獲取具有優(yōu)良測試效果的參數(shù)組合。

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)：學習速率為0.10，期望誤差為0.001，隱層神經(jīng)元為Sigmoid函數(shù)。PSO算法：最大進化代數(shù)為100，適應(yīng)度函數(shù)為均方誤差，加速系數(shù)122.05，慣性因子為0.90，粒子數(shù)為400，迭代次數(shù)為100，1、2為介于[0,1]之間的隨機數(shù)。RBF神經(jīng)網(wǎng)絡(luò)：均方差精度為0.02；散布常數(shù)為1。最佳參數(shù)組合下的測試結(jié)果如圖9所示，訓練誤差曲線（5次訓練中的最優(yōu)曲線）如圖10所示。

圖9 不同神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對不同來源水樣DOM組份預測效果的影響

圖10 神經(jīng)網(wǎng)絡(luò)對不同來源水樣的訓練誤差曲線

由圖9可見，針對4種水體，PSO-BP的預測正確率均最高，對4種水體的P2.n及P4.n組份測試的平均分類精度分別為87.50%、86.28%，BP的效果最差，RBF效果介于兩者之間。由圖10可見，當目標精度設(shè)置為0.001，各神經(jīng)網(wǎng)絡(luò)在不同水體測試中的訓練速度均不同。其中，對于里運河水，PSO-BP、RBF、BP的訓練步數(shù)分別為21、25和31步，對于洪澤湖水，訓練步數(shù)分別為17、20和44步，公園景觀湖水的訓練步數(shù)分別為9、11和18步，校園景觀湖水的訓練步數(shù)分別為26、31和34步。總體來看，PSO-BP算法的測試分類精度最高，其學習訓練速度也可以得到保證。由此可見，PSO-BP在基于光纖SPR傳感器的DOM組份測試中具有較強的可行性，能夠挖掘更深層次的被測量的交叉敏感性信息，確保在DOM組份測試中具有良好的預測能力。

6 結(jié) 論

基于單傳感器的低選擇交叉敏感性，并結(jié)合DOM組份的特點，提出基于光纖SPR傳感及多分類器的水質(zhì)DOM檢測方案，并得到如下結(jié)論：

1）完成對光纖SPR傳感器交叉敏感性的研究，通過對金屬薄膜種類及厚度的影響分析，最終確定利用多模光纖鍍以不同厚度的金膜，構(gòu)成具有不同最佳測量點的光纖SPR傳感器，其交叉敏感性更強，從而為實測過程提供更堅實的基礎(chǔ)；

2）利用多模光纖，鍍以55～85 nm的7種不同厚度的金膜，構(gòu)成由7個SPR傳感器組成的傳感陣列；

3）利用群智能算法（PSO）訓練BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建3個分類器，PSO-BP（波長）、PSO-BP（譜寬）、PSO-BP（光強），并完成對里運河（A）、洪澤湖（B）、公園景觀湖（C）、校園景觀湖（D）4種水體的5種DOM組份及其濃度的有效預測，試驗結(jié)果表明，傳感器組合F3的預測效果最好，最高正確率為85.00%，出現(xiàn)在洪澤湖水體的P2.n組份測試中；

4）對多分類器的結(jié)構(gòu)參數(shù)進行分析，試驗結(jié)果表明：隱層節(jié)點數(shù)取15為最佳參數(shù)，且在3種不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，基于PSO-BP的多分類器的測試精度最高，從而為光纖SPR傳感器及多分類器在DOM組份預測應(yīng)用中提供有效依據(jù)。

[1] Chen Z Y, Li S Y. Seasonal variation of DOM spectral characteristics of rivers with different urbanization levels in the three gorges reservoir Area[J]. Environmental Science, 2021, 42(1): 195-203.

[2] 李剛浩，范先鵬，夏穎，等. 三峽庫區(qū)典型流域水質(zhì)時空特征及污染防控策略[J]. 農(nóng)業(yè)工程學報，2022，38(17)：118-126.

Li Ganghao, Fan Xianpeng, Xia Ying, et al. Spatio-temporal characteristics of water quality and pollution prevention strategies in typical watersheds in the Three Gorges reservoir areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(17): 118-126. (in Chinese with English abstract)

[3] Zhu J J, Zou N, Zhong H, et al. Spatiotemporal characteristics and its environmental application of dissolved organic matter (DOM) in sediments from Chao hu Lake a eutrophic lake[J]. Acta Scientiae Circumstantiae, 2020, 7: 2528-2538.

[4] Bi R, Lu Q, Yuan T, et al. Electrochemical and spectroscopic characteristics of dissolved organic matter in a forest soil profile[J]. Journal of Environmental Sciences, 2013, 10: 2093-2101.

[5] Yu B X, Zhang G C, Sun Y X, et al. Applying tow-dimensional correlation synchronous fluorescence spectroscopy to study DOM fractions in municipal sewage[J]. Environmental Pollution & Control, 2021, 6: 704-707.

[6] Bai X M, Li Y Z, Yao Z P, et al. Application progress of three-dimensional excitation emission matrix fluorescence spectroscopy in source tracing of water pollution[J]. Environmental Science & Technology, 2020, 1: 172-180, 193.

[7] Fan J, Li H, Shuang C, et al. Dissolved organic matter removal using magnetic anion exchange resin treatment on biological effluent of textile dyeing wastewater[J]. Journal of Environmental Sciences, 2014, 26(8): 1567-1574.

[8] 孫清軒，張莉，楊嘉春. 北運河上覆水DOM分子組成和結(jié)構(gòu)特征[J]. 中國環(huán)境科學，2022，42(11)：5299-5307.

Sun Qingxuan, Zhang Li, Yang Jiachun. Compositional and structural characteristics of DOM molecules in the overlying water of the Beiyun River[J]. China Environmental Science, 2022, 42(11): 5299-5307. (in Chinese with English abstract)

[9] Li Y N, Xu H C, Jiang H L. Molecular weight distribution fluorescence characteristics of dissolved organic matter and their effect on the distribution of heavy metals of lake Poyang[J]. Journal of Lake Sciences, 2020, 32(4): 1029-1040.

[10] Zhang L K, Liu P Y, Qin X Q, et al. Migration and transformation of dissolved organic matter in karst water systems and an analysis of their influencing factors[J]. Environmental Science, 2018, 39(5): 2104-2116.

[11] Chepyzhenko A I, Chepyzhenko A A. Refractometric parametrization of weighted and dissolved components' qualitative composition in aqueous media: Methods and device for in situ monitoring[C]//26th International Symposium on Atmospheric and Ocean Optics, Atmospheric Physics, Moscow, Russian Federation: SPIE, 2020: 734-738.

[12] Kendir E, Yaltkaya ?. Effect of temperature and wavelength on the refractive index of water: A fiber-optic sensor application[J]. Indian Journal of Physics, 2022, 96(4): 1247-1252.

[13] 郁城，張小軍，梅光明，等. 基于多頻大幅脈沖電子舌測定對蝦中的焦亞硫酸鈉含量[J]. 中國食品學報，2022，22(2)：328-336.

Yu Cheng, Zhang Xiaojun, Mei Guangming, et al. Determination of sodium metabisulfite content in shrimp by multi-frequency large amplitude pulse voltammetry electronic tongue[J]. Journal of Chinese Institute of Food Science and Technology, 2022, 22(2): 328-336. (in Chinese with English abstract)

[14] Wasilewski T, Migoń D, G?bicki J, et al. Critical review of electronic nose and tongue instruments prospects in pharmaceutical analysis[J]. Analytica Chimica Acta, 2019, 1077: 14-29.

[15] Guedes M D V, Marques M S, Guedes P C, et al. The use of electronic tongue and sensory panel on taste evaluation of pediatric medicines: A systematic review[J]. Pharmaceutical Development and Technology, 2021, 26(2): 119-137.

[16] 林華，張嫻，朱曉松，等. 基于金屬-介質(zhì)-金屬多層膜結(jié)構(gòu)的空芯光纖折射率傳感器[J].光學學報，2018，38(6)：77-85.

Lin Hua, Zhang Xian, Zhu Xiaosong, et al. Hollow fiber refractive index sensor based on metal dielectric metal multilayer structure[J]. Acta Optica Sinica, 2018, 38(6): 77-85. (in Chinese with English abstract)

[17] Mishra S K, Tripathi D C, Mishra A K. Metallic grating-assisted fiber optic SPR sensor with extreme sensitivity in IR region[J]. Plasmonics, 2022, 17(2): 575-579.

[18] Xiong M, Teng C, Chen M, et al. Simulation study of high sensitivity fiber SPR temperature sensor with liquid filling[J]. Sensors, 2022, 22(15): 5713.

[19] 馬金英，劉鐵根，江俊峰，等. 光纖表面等離子體共振傳感靈敏度提高研究進展[J].中國激光，2021，48(19)：1906002.

Ma Jinying, Liu Tiegen, Jiang Junfeng, et al. Research progress in improving sensing sensitivity of optical fiber surface plasmon resonance[J]. Chinese Journal of Lasers, 2021, 48(19): 1906002. (in Chinese with English abstract)

[20] Jing J Y, Liu K, Jiang J F, et al. Performance improvement approaches for optical fiber SPR sensors and their sensing applications[J]. Photonics Research, 2022, 10(1): 126-147.

[21] Mumtaz F, Roman M, Zhang B, et al. A simple optical fiber SPR sensor with ultra-high sensitivity for dual-parameter measurement[J]. IEEE Photonics Journal, 2022, 14(5): 1-7.

[22] Jing J, Liu K, Jiang J, et al. Performance improvement approaches for optical fiber SPR sensors and their sensing applications[J]. Photonics Research, 2022, 10(1): 126-147.

[23] Liu W, Liu Z, Zhang Y, et al. Specialty optical fibers and 2D materials for sensitivity enhancement of fiber optic SPR sensors: A review[J]. Optics & Laser Technology, 2022, 152: 108167.

[24] Kendir E, Yaltkaya ?. Effect of temperature and wavelength on the refractive index of water: A fiber-optic sensor application[J]. Indian Journal of Physics, 2022, 96(4): 1247-1252.

[25] Notton G, Voyant C, Fouilloy A, et al. Some applications of ANN to solar radiation estimation and forecasting for energy applications[J]. Applied Sciences, 2019, 9(1): 209.

[26] Zhang D, Lou S. The application research of neural network and BP algorithm in stock price pattern classification and prediction[J]. Future Generation Computer Systems, 2021, 115: 872-879.

[27] Shi Y, Eberhart R. A modified particle swarm optimizer[C]//1998 IEEE International Conference on Evolutionary Computation Proceedings, Anchorage, AK. USA: IEEE, 1998: 69-73.

[28] Zhang H, Zhang F, Li Z, et al. Characteristics of three dimensional fluorescence spectra and its correlation with water quality in Jinghe and Bortala River from Lake Ebinur's major inflow tributaries[J]. Journal of Lake Sciences, 2017, 29(5): 1112-1120.

[29] Deng Y, Zhou X, Shen J, et al. New methods based on back propagation (BP) and radial basis function (RBF) artificial neural networks (ANNs) for predicting the occurrence of haloketones in tap water[J]. Science of The Total Environment, 2021, 772: 145534.

[30] Jiang Q, Huang R, Huang Y, et al. Application of BP neural network based on genetic algorithm optimization in evaluation of power grid investment risk[J]. IEEE Access, 2019, 7: 154827-154835.

DOM detection of water based on fiber SPR sensors and multi-classifiers

Fu Lihui1, Dai Junfeng2※

(1.,,223003,; 2.,,223003,)

Dissolved organic material (DOM) has posed adverse impacts on the detection of water quality between different water pollutants. Once the total amount of DOM reaches a critical level, the explosive growth of algae can be induced by eutrophication in the water, leading to a more complicated composition. There is a more serious interference in the detection, as the DOM aggravated during this time. The previous research also shows that the effect of DOM is closely related to the total amount, and the components. It is a high demand to accurately measure the DOM components for effective water quality monitoring. Particularly, the DOM component measurement is highly required to effectively implement, due to the complex organic structure. For this reason, it is difficult for a single sensor to complete the complicated test of the total amount and components of DOM in water. In this study, the fiber sensing array was proposed to detect the DOM components using the non-specific selectivity of the fiber SPR sensor. The cross-sensitivity analysis was carried out to obtain the different SPR sensing arrays using the fiber SPR sensor. A field test was been realized by the SPR sensing array in large-scale water bodies. Particle Swarm Optimization (PSO) was selected to optimize the artificial neural network (ANN). As such, effective predictions were obtained for the five DOM components and their concentrations in four kinds of measured water. The SPR sensors were then prepared with different optimal refractive indices using multimode fiber and gold film with seven thicknesses of 55-85 nm. The optimal refractive index of each sensor was effectively distributed in the range of 1.33 to 1.43, according to the design requirements. Correspondingly, each sensor presented excellent sensitivity and linearity in the best measurement interval. The sensitive crossing-response was achieved in the measurement interval corresponding to other sensors through the wavelength, spectrum width, and light intensity. In terms of the classifier and intelligent algorithm, the global search PSO was used to train the BP-ANN, in order to avoid the local search easy to fall into the local extremum. After that, the DOM water sample was prepared to determine the DOM components in the water body. The SPR effect was realized to measure the refractive index using a sensing array. The artificial intelligence network BP-ANN was trained by the PSO. Three classifiers were then constructed, including the PSO-BP (wavelength), PSO-BP (spectral width), and PSO-BP (light intensity). The comprehensive training was verified by the resonance wavelength, spectral width and light intensity of the SPR effect in the tested water. Therefore, five DOM components were tested, including the tyrosine proteins, tryptophan proteins, fulvic acid, soluble microbial metabolites, and humic acids of Outer Canal (A), Hongze Lake (B), Park Landscape Lake (C) and Campus Landscape Lake (D). The highest recognition rate was up to 85% from the samples of P2.n in Hongze Lake (B), indicating the excellent prediction of DOM components. Anyway, the PSO-BP multi-classifiers can be expected to mine the cross-sensitivity information by the SPR sensor. The finding can provide a new idea for the application of fiber SPR sensors and multi-classifiers using cross-sensitivity analysis.

sensor; water quality; multi-classifiers; cross sensitivity; fiber SPR sensor; DOM component detection; PSO-BP network

10.11975/j.issn.1002-6819.2022.22.014

TP212

A

1002-6819(2022)-22-0133-08

付麗輝，戴峻峰. 光纖SPR傳感器結(jié)合多分類器的水體DOM檢測[J]. 農(nóng)業(yè)工程學報，2022，38(22)：133-140.doi：10.11975/j.issn.1002-6819.2022.22.014 http://www.tcsae.org

Fu Lihui, Dai Junfeng. DOM detection of water based on fiber SPR sensors and multi-classifiers[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(22): 133-140. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.22.014 http://www.tcsae.org

2022-08-08

2022-11-12

國家自然科學基金項目（62141502）；江蘇省建設(shè)系統(tǒng)科技項目（2019ZD0064）；淮安市“1111”工程合作項目（Z413H22507）

付麗輝，博士，副教授，研究方向為光學傳感器技術(shù)、模式識別及智能控制。Email：flh3650326@163.com

戴峻峰，副教授，研究方向為檢測傳感技術(shù)、模式識別及智能控制。Email：djf0495_cn@163.com