关键词：红外光谱;石油类污染物;Inception模块;卷积神经网络;离散小波变换
摘 要：红外光谱技术具有高效和无损等优点，在石油类污染物分类检测领域中具有重要的研究与应用价值。本研究提出了一种结合离散小波变换（DWT）算法和基于Inception卷积模块的一维卷积神经网络（Inception-1D-CNN）的石油类污染物分类方法，首先使用DWT算法对原始红外光谱数据进行去噪处理，消除因实验环境、仪器误差和人工操作等因素产生的干扰信息；再通过Inception-1D-CNN模型获取多尺度的红外光谱特征信息，并基于此模型对石油类污染物进行分类预测。实验结果表明，与标准正态变换（SNV）、迭代自适应加权惩罚最小二乘法（Air PLS）和卷积平滑（S-G）预处理方法相比，DWT算法结合卷积核大小为3×1的1D-CNN模型的预测准确率为86.6%，分别提高了6.6%、6.6%和3.3%;DWT算法结合卷积核大小为5×1的1D-CNN模型的预测准确率为93.3%，分别提高了10.0%、7.0%和3.3%;DWT算法结合卷积核大小为7×1的1D-CNN模型的预测准确率为90.0%，分别提高了6.7%、10.0%和3.4%;DWT算法结合Inception-1D-CNN模型的预测准确率为100.0%，分别提高了10.0%、10.0%和3.4%。因此，结合DWT算法和Inception-1D-CNN模型能够对石油类污染物准确分类预测，为后续海面溢油污染治理提供了一定的基础。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取