基于神经网络结合紫外差分光谱的二氧化硫浓度定量预测
热心网友
49
转载
本项目旨在通过应用神经网络技术，结合紫外差分光谱数据，实现对二氧化硫浓度的准确定量预测。项目将采用从不同环境中收集的紫外差分光谱数据，包括大气中SO2的光谱吸收特性以及环境参数（如温度、湿度等），作为输入特征。基于这些输入特征，将建立一个神经网络模型，通过对历史数据的学习和训练，实现对二氧化硫浓度的预测。
一. 项目介绍
基于神经网络结合紫外差分光谱的二氧化硫浓度定量预测
二氧化硫（SO2）是一种常见的环境污染物，对大气、水体和土壤等环境有着广泛的影响。因此，准确监测和预测大气中的二氧化硫浓度对于环境管理和污染控制具有重要意义。紫外差分光谱是一种常用于二氧化硫浓度监测的方法，通过测量大气中SO2在紫外光波段的吸收特性来进行定量分析。本项目旨在通过应用神经网络技术，结合紫外差分光谱数据，实现对二氧化硫浓度的准确定量预测。项目将采用从不同环境中收集的紫外差分光谱数据，包括大气中SO2的光谱吸收特性以及环境参数（如温度、湿度等），作为输入特征。基于这些输入特征，将建立一个神经网络模型，通过对历史数据的学习和训练，实现对二氧化硫浓度的预测。项目计划包括以下步骤：
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
数据采集和准备：从不同环境中采集紫外差分光谱数据，包括SO2的光谱吸收特性以及环境参数。对采集到的数据进行处理和准备，包括数据清洗、特征提取和特征工程等。
模型选择和设计：根据项目需求，选择合适的神经网络模型，并进行模型的设计。可以考虑使用常见的神经网络模型，如多层感知器（MLP）、卷积神经网络（CNN）或循环神经网络（RNN）等。
模型训练和调优：使用采集到的紫外差分光谱数据，对选定的神经网络模型进行训练和调优。包括将数据集划分为训练集和验证集，进行模型参数的优化和调整，以获得最佳的预测性能。
模型评估和验证：通过对模型进行评估和验证，包括使用测试数据集进行性能测试，评估模型的预测准确性、稳定性和可靠性。根据评估结果进行模型的调整和优化。
结果解释和应用：根据训练好的神经网络模型，实现对二氧化硫的浓度预测
二. 代码运行
1. 解压数据
In [3]# 运行完一次记得注释掉!unzip /home/aistudio/data/data208645/Data.zip -d ./data登录后复制
Archive: /home/aistudio/data/data208645/Data.zip creating: ./data/Data/ inflating: ./data/Data/test.xlsx inflating: ./data/Data/train.xlsx inflating: ./data/Data/val.xlsx登录后复制
2. 导包
In [4]import pandas as pdimport paddleimport numpy as npfrom sklearn.model_selection import cross_val_score, train_test_splitimport matplotlib.pyplot as plt登录后复制
3. 读取数据
In [5]train_data = pd.read_excel("./data/Data/train.xlsx", header=None)val_data = pd.read_excel("./data/Data/val.xlsx", header=None)test_data = pd.read_excel("./data/Data/test.xlsx", header=None)print("加载数据完成！")print("train_data:",train_data)print("val_data:",val_data)print("test_data:",test_data)登录后复制 /opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/xlrd/xlsx.py:39: DeprecationWarning: defusedxml.cElementTree is deprecated, import from defusedxml.ElementTree instead. try: import defusedxml.cElementTree as ET登录后复制
加载数据完成！train_data: 0 1 2 3 4 5 6 \0 -0.012270 -0.008444 -0.004375 -0.000184 0.003440 0.006620 0.008990 1 -0.025047 -0.015357 -0.005686 0.002572 0.008761 0.013994 0.018033 2 -0.037505 -0.021944 -0.007038 0.005147 0.014224 0.021056 0.026412 3 -0.061983 -0.034999 -0.010056 0.009798 0.023887 0.034412 0.042387 4 -0.073650 -0.041423 -0.011709 0.011549 0.027902 0.040159 0.049526 .. ... ... ... ... ... ... ... 164 -0.148829 -0.115722 -0.075014 -0.028676 0.019919 0.065222 0.104061 165 -0.160321 -0.122449 -0.077428 -0.027611 0.023061 0.070258 0.110567 166 -0.170898 -0.128527 -0.079606 -0.027007 0.026049 0.074729 0.116371 167 -0.194200 -0.142182 -0.084521 -0.025135 0.032484 0.084201 0.128401 168 -0.205352 -0.148857 -0.087424 -0.024942 0.034898 0.088087 0.133736 7 8 9 ... 414 415 416 \0 0.011761 0.013728 0.014204 ... 0.000974 0.001178 0.001687 1 0.022009 0.024704 0.025219 ... 0.001391 0.001821 0.002151 2 0.031662 0.035359 0.035733 ... 0.002669 0.003190 0.003518 3 0.050285 0.055814 0.056690 ... 0.004162 0.005100 0.005648 4 0.059010 0.065689 0.067010 ... 0.005132 0.005943 0.006464 .. ... ... ... ... ... ... ... 164 0.139079 0.164084 0.175114 ... 0.006676 0.008426 0.009503 165 0.146746 0.173061 0.184654 ... 0.007423 0.009236 0.010182 166 0.153701 0.181050 0.193047 ... 0.007897 0.009787 0.010914 167 0.168198 0.197904 0.211459 ... 0.009296 0.011503 0.012656 168 0.175235 0.206353 0.220749 ... 0.009904 0.012182 0.013512 417 418 419 420 421 422 423 0 0.001411 0.000760 0.000105 -0.000448 -0.000898 -0.001340 1 1 0.002091 0.001451 0.000401 -0.000655 -0.001414 -0.002175 2 2 0.003363 0.001538 0.000307 -0.001323 -0.002451 -0.003273 3 3 0.005315 0.002817 0.000515 -0.001990 -0.004093 -0.005589 5 4 0.005909 0.002990 0.000467 -0.002356 -0.004476 -0.006186 6 .. ... ... ... ... ... ... ... 164 0.009424 0.006349 0.003002 -0.000789 -0.003904 -0.005904 11 165 0.009977 0.006880 0.003316 -0.000988 -0.004208 -0.006403 12 166 0.010501 0.007303 0.003547 -0.000943 -0.004642 -0.007005 13 167 0.012375 0.008722 0.004119 -0.001417 -0.005753 -0.008739 15 168 0.013215 0.009154 0.004446 -0.001490 -0.006323 -0.009596 16 [169 rows x 424 columns]val_data: 0 1 2 3 4 5 6 \0 -0.052783 -0.033933 -0.015029 0.002018 0.016323 0.028161 0.037847 1 -0.110682 -0.065505 -0.023264 0.011161 0.037215 0.057251 0.073270 2 -0.166297 -0.097069 -0.034448 0.015865 0.053162 0.081216 0.103936 3 -0.058965 -0.048355 -0.032819 -0.013860 0.007229 0.027811 0.045168 4 -0.116864 -0.079927 -0.041054 -0.004716 0.028120 0.056900 0.080591 5 -0.172479 -0.111491 -0.052238 -0.000012 0.044067 0.080866 0.111258 6 -0.064833 -0.062929 -0.051263 -0.030225 -0.002288 0.026767 0.051877 7 -0.122731 -0.094501 -0.059498 -0.021082 0.018603 0.055857 0.087301 8 -0.178346 -0.126065 -0.070682 -0.016378 0.034551 0.079822 0.117967 7 8 9 ... 414 415 416 417 \0 0.046858 0.053088 0.054782 ... 0.003508 0.004392 0.005005 0.004664 1 0.088549 0.099801 0.103189 ... 0.006914 0.008079 0.008879 0.008336 2 0.125875 0.142550 0.148810 ... 0.010057 0.011853 0.012906 0.012040 3 0.060715 0.071836 0.076016 ... 0.002705 0.003693 0.004151 0.004271 4 0.102406 0.118550 0.124423 ... 0.006111 0.007379 0.008026 0.007943 5 0.139731 0.161299 0.170044 ... 0.009254 0.011154 0.012052 0.011647 6 0.073872 0.089537 0.096120 ... 0.002488 0.003486 0.004277 0.004285 7 0.115563 0.136250 0.144526 ... 0.005894 0.007173 0.008151 0.007957 8 0.152889 0.178999 0.190148 ... 0.009037 0.010947 0.012178 0.011661 418 419 420 421 422 423 0 0.001598 0.000032 -0.001605 -0.002903 -0.003765 4 1 0.004480 0.001232 -0.002686 -0.005762 -0.007993 9 2 0.007287 0.002562 -0.003217 -0.008333 -0.011865 14 3 0.001805 0.000592 -0.000741 -0.001296 -0.001838 4 4 0.004688 0.001792 -0.001822 -0.004155 -0.006066 9 5 0.007494 0.003122 -0.002353 -0.006726 -0.009938 14 6 0.002136 0.001090 -0.000121 -0.000501 -0.000710 4 7 0.005019 0.002291 -0.001202 -0.003360 -0.004938 9 8 0.007825 0.003621 -0.001733 -0.005931 -0.008810 14 [9 rows x 424 columns]test_data: 0 1 2 3 4 5 6 \0 -0.047434 -0.028410 -0.009918 0.005256 0.017354 0.027271 0.035861 1 -0.099031 -0.056289 -0.017596 0.013699 0.037585 0.055516 0.070344 2 -0.062197 -0.040211 -0.017950 0.001974 0.019550 0.034519 0.047329 3 -0.078246 -0.054903 -0.029160 -0.003992 0.019580 0.040875 0.059377 4 -0.100289 -0.076556 -0.046752 -0.014660 0.017760 0.048068 0.074909 5 -0.145121 -0.085051 -0.029667 0.015279 0.049730 0.076468 0.099693 6 -0.132055 -0.085548 -0.039095 0.002191 0.037861 0.067773 0.093635 7 -0.149218 -0.098919 -0.047757 -0.001335 0.039021 0.073859 0.104074 8 -0.181601 -0.126136 -0.067020 -0.011380 0.039078 0.084366 0.123608 7 8 9 ... 413 414 415 416 \0 0.043041 0.047589 0.046583 ... 0.001697 0.002205 0.002398 0.002375 1 0.083724 0.092225 0.090622 ... 0.004748 0.006000 0.006237 0.006257 2 0.058283 0.065208 0.064650 ... 0.002485 0.003446 0.003920 0.004008 3 0.075338 0.085535 0.086047 ... 0.002587 0.003817 0.004476 0.004762 4 0.097708 0.112348 0.115042 ... 0.002646 0.003971 0.005033 0.005154 5 0.120608 0.133603 0.132983 ... 0.006556 0.008714 0.010171 0.010531 6 0.116255 0.130705 0.130851 ... 0.005689 0.007372 0.008379 0.008518 7 0.130882 0.148112 0.149885 ... 0.006297 0.008249 0.009537 0.009972 8 0.157677 0.180059 0.184107 ... 0.006566 0.009127 0.010725 0.011372 417 418 419 420 421 422 0 0.002135 0.003274 0.001698 -0.000402 -0.002128 -0.003881 1 0.005262 0.005548 0.002415 -0.001448 -0.004943 -0.008167 2 0.003807 0.003320 0.001366 -0.001075 -0.002917 -0.004651 3 0.004385 0.003837 0.001748 -0.000906 -0.003038 -0.004939 4 0.005022 0.004741 0.002553 -0.000666 -0.002847 -0.004768 5 0.009600 0.007677 0.003151 -0.002592 -0.007531 -0.011657 6 0.007794 0.006505 0.002671 -0.001938 -0.005730 -0.009093 7 0.009068 0.006826 0.002848 -0.002285 -0.006388 -0.009745 8 0.010681 0.008655 0.003997 -0.002015 -0.006974 -0.011061 [9 rows x 423 columns]登录后复制
4. 构建网络
In [6]class Regressor(paddle.nn.Layer): # self代表类的实例自身 def __init__(self): # 初始化父类中的一些参数 super(Regressor, self).__init__() self.fc1 = paddle.nn.Linear(in_features=423, out_features=40) self.fc2 = paddle.nn.Linear(in_features=40, out_features=20) self.fc3 = paddle.nn.Linear(in_features=20, out_features=1) self.relu = paddle.nn.ReLU() # 网络的前向计算 def forward(self, inputs): x = self.fc1(inputs) x = self.relu(x) x = self.fc2(x) x = self.relu(x) x = self.fc3(x) x = self.relu(x) return x登录后复制
5. 设置优化器
In [7]# 声明定义好的线性回归模型model = Regressor()# 开启模型训练模式model.train()# 定义优化算法，使用随机梯度下降SGDopt = paddle.optimizer.SGD(learning_rate=0.01, parameters=model.parameters())登录后复制
6. 模型训练
In [8]EPOCH_NUM = 20 # 设置外层循环次数BATCH_SIZE =32 # 设置batch大小loss_train = []loss_val = []training_data = train_data.values.astype(np.float32)val_data = val_data.values.astype(np.float32)# 定义外层循环for epoch_id in range(EPOCH_NUM): # 在每轮迭代开始之前，将训练数据的顺序随机的打乱 np.random.shuffle(training_data) # 将训练数据进行拆分，每个batch包含10条数据 mini_batches = [training_data[k:k+BATCH_SIZE] for k in range(0, len(training_data), BATCH_SIZE)] train_loss = [] for iter_id, mini_batch in enumerate(mini_batches): # 清空梯度变量，以备下一轮计算 opt.clear_grad() x = np.array(mini_batch[:, :-1]) y = np.array(mini_batch[:, -1:]) # 将numpy数据转为飞桨动态图tensor的格式 features = paddle.to_tensor(x) y = paddle.to_tensor(y) # 前向计算 predicts = model(features) # 计算损失 loss = paddle.nn.functional.l1_loss(predicts, label=y) avg_loss = paddle.mean(loss) train_loss.append(avg_loss.numpy()) # 反向传播，计算每层参数的梯度值 avg_loss.backward() # 更新参数，根据设置好的学习率迭代一步 opt.step() mini_batches = [val_data[k:k+BATCH_SIZE] for k in range(0, len(val_data), BATCH_SIZE)] val_loss = [] for iter_id, mini_batch in enumerate(mini_batches): x = np.array(mini_batch[:, :-1]) y = np.array(mini_batch[:, -1:]) features = paddle.to_tensor(x) y = paddle.to_tensor(y) predicts = model(features) loss = paddle.nn.functional.l1_loss(predicts, label=y) avg_loss = paddle.mean(loss) val_loss.append(avg_loss.numpy()) loss_train.append(np.mean(train_loss)) loss_val.append(np.mean(val_loss)) print(f'Epoch {epoch_id}, train MAE {np.mean(train_loss)}, val MAE {np.mean(val_loss)}')登录后复制 Epoch 0, train MAE 7.624902248382568, val MAE 8.33272647857666Epoch 1, train MAE 7.206328868865967, val MAE 7.758003234863281Epoch 2, train MAE 6.805103778839111, val MAE 6.986188888549805Epoch 3, train MAE 6.075949192047119, val MAE 5.927742958068848Epoch 4, train MAE 4.959263324737549, val MAE 4.292729377746582Epoch 5, train MAE 3.2987468242645264, val MAE 2.087653875350952Epoch 6, train MAE 1.5582104921340942, val MAE 0.9727618098258972Epoch 7, train MAE 1.0503758192062378, val MAE 0.8623672723770142Epoch 8, train MAE 0.9353340268135071, val MAE 0.7716569304466248Epoch 9, train MAE 0.7899861931800842, val MAE 0.6565400958061218Epoch 10, train MAE 0.6619129180908203, val MAE 0.5523999929428101Epoch 11, train MAE 0.5093479156494141, val MAE 0.45839017629623413Epoch 12, train MAE 0.4096043109893799, val MAE 0.3914491832256317Epoch 13, train MAE 0.35209330916404724, val MAE 0.49695703387260437Epoch 14, train MAE 0.3525097072124481, val MAE 0.2608330547809601Epoch 15, train MAE 0.3310554325580597, val MAE 0.22819511592388153Epoch 16, train MAE 0.28647658228874207, val MAE 0.5398315787315369Epoch 17, train MAE 0.33176475763320923, val MAE 0.47069284319877625Epoch 18, train MAE 0.382027268409729, val MAE 0.5325711965560913Epoch 19, train MAE 0.37895312905311584, val MAE 0.175240620970726登录后复制
7. 可视化loss
In [9]# lossx = np.linspace(0, EPOCH_NUM+1, EPOCH_NUM)plt.figure()plt.plot(x, loss_train, color='red', linewidth=1.0, linestyle='--', label='line')plt.plot(x, loss_val, color='y', linewidth=1.0, label='line')plt.savefig('loss.webp', dpi=600, bbox_inches='tight', transparent=False)plt.legend(["train MAE", "val MAE"])plt.title("Loss")plt.xlabel('epoch_num')plt.ylabel('loss value')登录后复制 /opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2349: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working if isinstance(obj, collections.Iterator):/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2366: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working return list(data) if isinstance(data, collections.MappingView) else data登录后复制
Text(55.8472,0.5,'loss value')登录后复制
登录后复制登录后复制
8. 模型验证
In [10]model.eval()test_data = paddle.to_tensor(test_data.values.astype(np.float32))test_predict = model(test_data)test_predict = test_predict.numpy().flatten()test_predict = test_predict.round().astype(int)print("test_predict:",test_predict)登录后复制 test_predict: [ 4 9 5 6 7 13 11 12 14]登录后复制
三. 结果展示
In [11]x = np.linspace(0, 10, 9)Y_test = [4,9,5,6,7,14,12,13,15]Y_test = np.array(Y_test)predicted = test_predictplt.figure()plt.scatter(x, predicted, color='red') # 画点plt.scatter(x, Y_test, color='y') # 画点plt.plot(x, predicted, color='red', linewidth=1.0, linestyle='--', label='line')plt.plot(x, Y_test, color='y', linewidth=1.0, label='line')plt.savefig('result.webp', dpi=600, bbox_inches='tight', transparent=False)plt.legend(["predict value", "true value"])plt.title("SO2")plt.xlabel('X')plt.ylabel('Absorption intensity')登录后复制 Text(47.0972,0.5,'Absorption intensity')登录后复制
登录后复制登录后复制
四. 总结
从图中我们可以看出，在SO2高浓度的时候，预测的不是很准确，这大概率是因为非线性的影响。在气体浓度定量分析中，如何去除非线性的影响，是一直研究的课题。可以加入光谱预处理来提高模型的准确性例如可以对数据进行差分拟合、小波变换、傅里叶变换等来改进
免责声明：
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关攻略
Pywinrm 通过Windows远程管理（WinRM）协议，让Python能够像操作本地一样执行远程Windows命令，真正打通了跨平台管理的最后一公里。 在混合IT环境中，Linux机器管理Wi
早些时候，聊过 Python 领域那场惊心动魄的供应链攻击。当时我就感叹，虽然我们 JavaScript 开发者对这类套路烂熟于心，但亲眼目睹这种规模的“投毒”还是头一次。 早些时候，聊过 Pyth
Toga 是 BeeWare 家族的核心成员，号称“写一次，跑遍所有平台”，而且用的是系统原生控件，不是那种一看就是网页套壳的界面 。 写了这么多年 Python，你是不是也想过：要是能一套代码跑
异常处理的核心：让错误在正确的地方被有效处理。正确的地方，就是别在底层就把异常吞了，也别在顶层还抛裸奔的 Exception。 异常处理写得好，半夜不用起来改 bug。1 你是不是也这么干过？tr
1 Skills机制概述 提起OpenClaw的Skills机制，不少人可能会把它想象成传统意义上的可执行插件。其实，它的内涵要更精妙一些。 简单说，Skills本质上是一套基于提示驱动的能力扩展机制。它并不是一个可以独立“跑”起来的程序模块，而是通过一份结构化描述文件（核心就是那个SKILL m
热门专题
刀塔传奇破解版无限钻石下载大全
2025-08-05
洛克王国正式正版手游下载安装大全
2025-08-05
热门推荐
加密货币行业翘首以盼的监管里程碑，终于有了实质性进展。美国证券交易委员会（SEC）主席保罗·阿特金斯（Paul Atkins）近日证实，那份允许加密项目在早期获得注册豁免权的“安全港”框架提案，已经正式送抵白宫，进入了最终审查阶段。 在范德堡大学与区块链协会联合举办的数字资产峰会上，阿特金斯透露了这
微策略Strategy报告：第一季录得144 6亿美元浮亏 再斥资约3 3亿美元买进4871枚比特币 市场震荡的威力有多大？看看Strategy的最新季报就明白了。根据其最新向美国证管会(SEC)提交的8-K报告，受市场剧烈波动影响，这家公司所持的比特币在第一季度录得了一笔惊人的数字——144 6亿
稳定币巨头Tether的动向，向来是加密世界的风向标。这不，它向Web3基础设施的版图扩张，又迈出了关键一步。公司执行长Paolo Ardoino在社交平台X上透露，其工程团队正在全力“烹制”一个新项目——去中心化搜索引擎 “Hypersearch”。这个消息一出，立刻引发了行业的广泛猜想。 采用D
基地位于Coinbase旗下以太坊Layer2网络Base的Seamless Protocol，日前正式宣告了服务的终结。这个曾经吸引了超过20万用户的原生DeFi借贷协议，在运营不到三年后，终究没能跑赢时间。它主打的核心产品是Integrated Leverage Markets（ILMs）——一
PAAL代币揭秘：深度解析Web3社区治理的核心钥匙 在去中心化自治组织的浪潮中，谁真正掌握了项目的话语权？PAAL代币提供了一套系统化的答案。它不仅是生态内流转的价值媒介，更是开启链上治理大门的核心凭证。通过持有并质押PAAL代币，用户能够对协议升级、资金分配乃至战略方向等关键事务投出决定性的一票