基于紫外-可见光谱法的工业废水CNN-GRU分类模型研究

O433.4; 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...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:大气与环境光学学报 2024, Vol.19 (1), p.73-84
Hauptverfasser: 缪俊锋, 汤斌, 陈庆, 龙邹荣, 叶彬强, 周彦, 张金富, 赵明富, 周密
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 84
container_issue 1
container_start_page 73
container_title 大气与环境光学学报
container_volume 19
creator 缪俊锋
汤斌
陈庆
龙邹荣
叶彬强
周彦
张金富
赵明富
周密
description O433.4; 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.
doi_str_mv 10.3969/j.issn.1673-6141.2024.01.006
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_dqyhjgxxb202401006</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>dqyhjgxxb202401006</wanfj_id><sourcerecordid>dqyhjgxxb202401006</sourcerecordid><originalsourceid>FETCH-wanfang_journals_dqyhjgxxb2024010063</originalsourceid><addsrcrecordid>eNpjYFAxNNAztjSz1M_SyywuztMzNDM31jUzNDHUMzIwMtEzMNQzMDBjYeCEi3Mw8BYXZyYZGBgampmYmVlyMrg8nb_rya6-51tWP10yTfdp__oXyxuftna-2LDx2eapz2e1PN2-9MmOWU93zX-2YYuzn5-ue1Do04625xt3P1ux8Om87ucLpjxfuY2HgTUtMac4lRdKczNoubmGOHvolifmpSXmpcdn5ZcW5QFl4lMKKzOy0isqkkAONDAEOs-YJMUAdI5dDQ</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于紫外-可见光谱法的工业废水CNN-GRU分类模型研究</title><source>DOAJ Directory of Open Access Journals</source><source>Alma/SFX Local Collection</source><creator>缪俊锋 ; 汤斌 ; 陈庆 ; 龙邹荣 ; 叶彬强 ; 周彦 ; 张金富 ; 赵明富 ; 周密</creator><creatorcontrib>缪俊锋 ; 汤斌 ; 陈庆 ; 龙邹荣 ; 叶彬强 ; 周彦 ; 张金富 ; 赵明富 ; 周密</creatorcontrib><description>O433.4; 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.</description><identifier>ISSN: 1673-6141</identifier><identifier>DOI: 10.3969/j.issn.1673-6141.2024.01.006</identifier><language>chi</language><publisher>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</publisher><ispartof>大气与环境光学学报, 2024, Vol.19 (1), p.73-84</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/dqyhjgxxb/dqyhjgxxb.jpg</thumbnail><link.rule.ids>314,780,784,864,4024,27923,27924,27925</link.rule.ids></links><search><creatorcontrib>缪俊锋</creatorcontrib><creatorcontrib>汤斌</creatorcontrib><creatorcontrib>陈庆</creatorcontrib><creatorcontrib>龙邹荣</creatorcontrib><creatorcontrib>叶彬强</creatorcontrib><creatorcontrib>周彦</creatorcontrib><creatorcontrib>张金富</creatorcontrib><creatorcontrib>赵明富</creatorcontrib><creatorcontrib>周密</creatorcontrib><title>基于紫外-可见光谱法的工业废水CNN-GRU分类模型研究</title><title>大气与环境光学学报</title><description>O433.4; 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.</description><issn>1673-6141</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2024</creationdate><recordtype>article</recordtype><recordid>eNpjYFAxNNAztjSz1M_SyywuztMzNDM31jUzNDHUMzIwMtEzMNQzMDBjYeCEi3Mw8BYXZyYZGBgampmYmVlyMrg8nb_rya6-51tWP10yTfdp__oXyxuftna-2LDx2eapz2e1PN2-9MmOWU93zX-2YYuzn5-ue1Do04625xt3P1ux8Om87ucLpjxfuY2HgTUtMac4lRdKczNoubmGOHvolifmpSXmpcdn5ZcW5QFl4lMKKzOy0isqkkAONDAEOs-YJMUAdI5dDQ</recordid><startdate>2024</startdate><enddate>2024</enddate><creator>缪俊锋</creator><creator>汤斌</creator><creator>陈庆</creator><creator>龙邹荣</creator><creator>叶彬强</creator><creator>周彦</creator><creator>张金富</creator><creator>赵明富</creator><creator>周密</creator><general>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</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2024</creationdate><title>基于紫外-可见光谱法的工业废水CNN-GRU分类模型研究</title><author>缪俊锋 ; 汤斌 ; 陈庆 ; 龙邹荣 ; 叶彬强 ; 周彦 ; 张金富 ; 赵明富 ; 周密</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_dqyhjgxxb2024010063</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2024</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>缪俊锋</creatorcontrib><creatorcontrib>汤斌</creatorcontrib><creatorcontrib>陈庆</creatorcontrib><creatorcontrib>龙邹荣</creatorcontrib><creatorcontrib>叶彬强</creatorcontrib><creatorcontrib>周彦</creatorcontrib><creatorcontrib>张金富</creatorcontrib><creatorcontrib>赵明富</creatorcontrib><creatorcontrib>周密</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>大气与环境光学学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>缪俊锋</au><au>汤斌</au><au>陈庆</au><au>龙邹荣</au><au>叶彬强</au><au>周彦</au><au>张金富</au><au>赵明富</au><au>周密</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于紫外-可见光谱法的工业废水CNN-GRU分类模型研究</atitle><jtitle>大气与环境光学学报</jtitle><date>2024</date><risdate>2024</risdate><volume>19</volume><issue>1</issue><spage>73</spage><epage>84</epage><pages>73-84</pages><issn>1673-6141</issn><abstract>O433.4; 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.</abstract><pub>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</pub><doi>10.3969/j.issn.1673-6141.2024.01.006</doi></addata></record>
fulltext fulltext
identifier ISSN: 1673-6141
ispartof 大气与环境光学学报, 2024, Vol.19 (1), p.73-84
issn 1673-6141
language chi
recordid cdi_wanfang_journals_dqyhjgxxb202401006
source DOAJ Directory of Open Access Journals; Alma/SFX Local Collection
title 基于紫外-可见光谱法的工业废水CNN-GRU分类模型研究
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-25T05%3A21%3A30IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E7%B4%AB%E5%A4%96-%E5%8F%AF%E8%A7%81%E5%85%89%E8%B0%B1%E6%B3%95%E7%9A%84%E5%B7%A5%E4%B8%9A%E5%BA%9F%E6%B0%B4CNN-GRU%E5%88%86%E7%B1%BB%E6%A8%A1%E5%9E%8B%E7%A0%94%E7%A9%B6&rft.jtitle=%E5%A4%A7%E6%B0%94%E4%B8%8E%E7%8E%AF%E5%A2%83%E5%85%89%E5%AD%A6%E5%AD%A6%E6%8A%A5&rft.au=%E7%BC%AA%E4%BF%8A%E9%94%8B&rft.date=2024&rft.volume=19&rft.issue=1&rft.spage=73&rft.epage=84&rft.pages=73-84&rft.issn=1673-6141&rft_id=info:doi/10.3969/j.issn.1673-6141.2024.01.006&rft_dat=%3Cwanfang_jour%3Edqyhjgxxb202401006%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=dqyhjgxxb202401006&rfr_iscdi=true