基于紫外-可见光谱法的工业废水CNN-GRU分类模型研究OA北大核心
工业废水分类是水污染防治和水资源管理的前提和基础,相较于生活污水,工业废水的分类研究相对滞后。水体化学需氧量(COD)是衡量水体质量的核心指标,针对现有工业废水COD分类算法中预测精度较低的问题,提出基于门控循环单元(GRU)的卷积神经网络(CNN)混合模型。该模型首先将紫外-可见光谱法测得的工业废水COD数据进行高斯滤波去噪,然后把去噪后的光谱数据输入CNN模型进行特征提取,最后通过GRU神经网络实现工业废水COD分类。实验结果显示,CNN-GRU分类模型经过200次训练后达到收敛,分类精度达到99.5%,与长短期记忆方法、GRU方法、CNN-LSTM方法相比,该混合模型的分类精度具有显著优势。
缪俊锋;汤斌;陈庆;龙邹荣;叶彬强;周彦;张金富;赵明富;周密;
重庆理工大学电气与电子工程学院,重庆400054重庆市铜梁区生态环境监测站,重庆402560
物理学
工业废水分类紫外-可见光谱法高斯滤波去噪卷积神经网络-门控循环单元模型
《大气与环境光学学报》 2024 (001)
P.73-84 / 12
国家自然科学基金(61805029);重庆市自然科学基金面上项目(cstc2020jcyj-msxmX0879);重庆市教委科学技术研究项目(KJQN202201110);重庆市高校创新研究群体项目(CXQT21035);重庆市铜梁区科技计划项目(CCF20220623)。
评论