基于IPLS-GAN-SVM混合算法在水中的化学氧气需求光谱逆转模型的研究
Qirong Lu1,2, Jian Zou1,2, Yingya Ye1,2
1College of Information Science and Engineering, Guilin University of Technology, Guilin, China.
PloS one
|April 11, 2024
概括
这项研究通过优化光谱范围和使用生成对抗网络来增强数据,提高模型准确性和减少错误以更好地评估水质,从而增强化学氧气需求 (COD) 建模.
科学领域:
- 环境化学环境化学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 频谱对线性和有限的数据集阻碍了精确的化学氧气需求 (COD) 建模.
- 开发强大的模型对于有效的水质监测至关重要.
研究的目的:
- 为了优化光谱范围以改善COD建模.
- 使用数据增强技术解决数据稀缺问题.
主要方法:
- 使用像萨维茨基-戈莱光滑过 (SG) 这样的方法预处理光谱.
- 应用间隔部分最小平方 (IPLS) 来确定最佳的光谱子间隔 (238-253 nm).
- 使用生成对抗网络 (GAN) 来增强数据以增强支持矢量机 (SVM) 模型.
主要成果:
- 对COD建模的最佳光谱范围是在238-253nm之间确定.
- 萨维茨基-戈莱预处理改善了模型的性能 (MSE: 1.4727,MAE: 1.0318,R2: 0.9944).
- 与原始数据集相比,使用GAN增强数据显著提高了SVM模型准确性和R2得分.
结论:
- 优化的光谱范围和预处理显著提高了COD预测的准确性.
- 生成对抗网络有效地增强了有限的数据集,提高了用于环境分析的机器学习模型的性能.
