基于人工智能的高氯酸盐废水浓度智能检测方法

摘要

本发明涉及物理分析技术领域，具体涉及基于人工智能的高氯酸盐废水浓度智能检测方法，包括：采集高氯酸盐废水的光谱曲线，并分解为若干个IMF分量曲线，根据曲线之间的数据差异，得到每个分量曲线的起伏系数，分别将所有曲线等分为若干个不重复的曲线段，根据曲线段之间的吸光度的差异，得到每个分量曲线的总波动占比差异，从而得到最优小波阈值，使用小波阈值去噪算法，得到去噪曲线，再使用EMD重构算法，得到光谱曲线的滤波去噪曲线，由此使用光谱分析法，得到高氯酸盐浓度。本发明通过自适应每个分量曲线的最优小波阈值，提高滤波去噪的效果，从而提高光谱曲线上数据的可信性，由此增(56)对比文件Keegan J. Moore等.Wavelet-boundedempirical mode decomposition for measuredtime series analysis《.Mechanical Systemsand Signal Processing》.2017,14-29.牛阔;张朝霞;王娟芬;杨玲珍.改进EMD与小波阈值相结合的光生混沌信号降噪.现代电子技术.2018,(第17期),53-58.

权利要求

1.基于人工智能的高氯酸盐废水浓度智能检测方法，其特征在于，该方法包括以下步骤：采集一份高氯酸盐废水的光谱曲线，使用EMD分解算法，将光谱曲线分解为若干个IMF分量曲线和一个残差曲线；所述曲线上数据点的横坐标和纵坐标分别为波数和吸光度；

将任意一个IMF分量曲线，记为目标曲线；根据目标曲线与光谱曲线之间的数据差异，得到目标曲线上每个局部极值点的波数长度、波动值、原始波动值；根据目标曲线上所有局部极值点的波数长度、波动值、原始波动值，得到目标曲线的起伏系数；

分别将光谱曲线和所有IMF分量曲线等分为若干个不重复的曲线段；根据曲线段之间的吸光度的差异，得到目标曲线等分的每个曲线段的波动占比差异；根据目标曲线等分的所有曲线段的波动占比差异，得到目标曲线的总波动占比差异；

根据目标曲线的起伏系数、总波动占比差异，得到目标曲线对应的最优小波阈值；

根据目标曲线对应的最优小波阈值，使用小波阈值去噪算法，得到目标曲线的去噪曲线；根据残差曲线、所有IMF分量曲线的去噪曲线，使用EMD重构算法，得到光谱曲线的滤波去噪曲线；根据光谱曲线的滤波去噪曲线，使用光谱分析法，得到所述高氯酸盐废水中的高氯酸盐浓度；

所述根据目标曲线与光谱曲线之间的数据差异，得到目标曲线上每个局部极值点的波数长度、波动值、原始波动值，包括的具体步骤如下：使用一阶导数法，分别得到光谱曲线和所有IMF分量曲线上的局部极值点；

根据目标曲线上所有局部极值点的波数、吸光度，得到每个局部极值点的波数范围、波动值；

在目标曲线上，将每个局部极值点的波数范围中的最大值减去最小值，记为每个局部极值点的波数长度；

根据目标曲线上每个局部极值点的波数范围，在光谱曲线上，统计所述波数范围内的局部极值点的吸光度，将所述局部极值点的吸光度的标准差，记为目标曲线上每个局部极值点的原始波动值；

所述根据目标曲线上所有局部极值点的波数、吸光度，得到每个局部极值点的波数范围、波动值，包括的具体步骤如下：在目标曲线上的所有局部极值点中，统计每个局部极值点的相邻两个局部极值点的波数，将所述相邻两个局部极值点的波数之间的范围，记为每个局部极值点的波数范围；

计算每个局部极值点分别与其所有相邻局部极值点的吸光度的差值，将所述差值的绝对值的均值，记为每个局部极值点的波动值；

所述根据目标曲线上所有局部极值点的波数长度、波动值、原始波动值，得到目标曲线的起伏系数对应的具体计算公式为：其中A为目标曲线的起伏系数，为目标曲线上第i个局部极值点的波动值，为目标曲线上所有局部极值点的波动值的均值，为目标曲线上第i个局部极值点的波数长度，为目标曲线上所有局部极值点的波数长度的均值，为目标曲线上第i个局部极值点的原始波动值，N为目标曲线上局部极值点的数量， 为线性归一化函数；

所述根据曲线段之间的吸光度的差异，得到目标曲线等分的每个曲线段的波动占比差异，包括的具体步骤如下：在光谱曲线和所有IMF分量曲线中，将光谱曲线或者任意一个IMF分量曲线，记为参考曲线；

在参考曲线上，根据波数由小到大的方向，依次统计所有曲线段，得到参考曲线的曲线段序列；

在光谱曲线的曲线段序列中，将第j个曲线段，记为标准曲线段；

在目标曲线的曲线段序列中，将第j个曲线段，记为目标曲线段；

根据标准曲线段和目标曲线段上所有数据点的吸光度，得到目标曲线段的波动占比差异；

所述根据标准曲线段和目标曲线段上所有数据点的吸光度，得到目标曲线段的波动占比差异对应的具体计算公式为：其中B为目标曲线段的波动占比差异，C为标准曲线段上所有数据点的吸光度的标准差，为目标曲线段上所有数据点的吸光度的标准差， 为标准曲线段上所有数据点的吸光度中的最大值， 为标准曲线段上所有数据点的吸光度中的最小值， 为以自然常数为底的指数函数，k为预设的指数函数调整值， 为线性归一化函数，| |为绝对值函数；

所述根据目标曲线等分的所有曲线段的波动占比差异，得到目标曲线的总波动占比差异对应的具体计算公式为：其中 为目标曲线的总波动占比差异，为目标曲线等分的第x个曲线段的波动占比差异，为目标曲线等分的第x个曲线段上所有数据点的吸光度的标准差，y为目标曲线等分的曲线段的数量， 为线性归一化函数；

所述根据目标曲线的起伏系数、总波动占比差异，得到目标曲线对应的最优小波阈值，包括的具体步骤如下：根据目标曲线的起伏系数和总波动占比差异确定所述目标曲线的滤波调整系数，对应的具体计算公式为：其中P为目标曲线的滤波调整系数，A为目标曲线的起伏系数，为目标曲线的总波动占比差异； 为线性归一化函数，将数据值归一化至[0,1]区间内；

使用Visushrink算法，得到目标曲线对应的小波阈值；

根据目标曲线对应的小波阈值、滤波调整系数，得到目标曲线对应的最优小波阈值，对应的计算公式为：其中F为目标曲线对应的最优小波阈值，为目标曲线对应的小波阈值，P为目标曲线的滤波调整系数，q为预设的常数。

2.根据权利要求1所述基于人工智能的高氯酸盐废水浓度智能检测方法，其特征在于，所述分别将光谱曲线和所有IMF分量曲线等分为若干个不重复的曲线段，包括的具体步骤如下：在目标曲线上，计算所有局部极值点的波数长度的均值，将所述均值的向下取整值，记为目标曲线的周期；

将所有IMF分量曲线的周期的最小公倍数，记为标准周期；

在横轴上，以标准周期为等分的长度，分别将光谱曲线和所有IMF分量曲线等分为若干个不重复的曲线段。

说明书

基于人工智能的高氯酸盐废水浓度智能检测方法

技术领域

[0001] 本发明涉及物理分析技术领域，具体涉及基于人工智能的高氯酸盐废水浓度智能检测方法。

背景技术

[0002] 高氯酸盐是一种特殊的含能化学物质，广泛应用于军火工业、火柴和烟火制造等领域。而这些相关工业生产会将相关含有高氯酸盐的废水排入环境，从而导致水土环境污染，进而影响整个生态环境，因此对于高氯酸盐废水，在其进行排放前需要对其浓度进行检测。常规方式是光谱分析法，该方法通过人工采集高氯酸盐在废水环境下的多个样本，并与已知的高氯酸盐浓度光谱数据曲线进行匹配对比，从而确定浓度。但由于光谱传感器在获取光谱数据时，往往会由于传感器的局限导致其数据中存有噪声干扰因素，通常使用小波阈值去噪法对光谱曲线进行滤波平滑去噪。

[0003] 现有的问题：由于设备所引起的噪声其为高频波动特征，该特征在与原光谱曲线中的部分波动叠加混合后，会导致整个原始光谱信号的周期组成更加混乱，在不同起伏程度的波动中叠加后的影响也不同，因此固定的小波阈值，在整个光谱中，会在每一局部区域表现出过大或过小的问题，进而会导致其最终得到的光谱曲线不准确，降低浓度检测的准确性。

发明内容

[0004] 本发明提供基于人工智能的高氯酸盐废水浓度智能检测方法，以解决现有的问题。

[0005] 本发明的基于人工智能的高氯酸盐废水浓度智能检测方法采用如下技术方案：

[0006] 本发明一个实施例提供了基于人工智能的高氯酸盐废水浓度智能检测方法，该方法包括以下步骤：

[0007] 采集一份高氯酸盐废水的光谱曲线，使用EMD分解算法，将光谱曲线分解为若干个IMF分量曲线和一个残差曲线；所述曲线上数据点的横坐标和纵坐标分别为波数和吸光度；

[0008] 将任意一个IMF分量曲线，记为目标曲线；根据目标曲线与光谱曲线之间的数据差异，得到目标曲线上每个局部极值点的波数长度、波动值、原始波动值；根据目标曲线上所有局部极值点的波数长度、波动值、原始波动值，得到目标曲线的起伏系数；

[0009] 分别将光谱曲线和所有IMF分量曲线等分为若干个不重复的曲线段；根据曲线段之间的吸光度的差异，得到目标曲线等分的每个曲线段的波动占比差异；根据目标曲线等分的所有曲线段的波动占比差异，得到目标曲线的总波动占比差异；

[0010] 根据目标曲线的起伏系数、总波动占比差异，得到目标曲线对应的最优小波阈值；

[0011] 根据目标曲线对应的最优小波阈值，使用小波阈值去噪算法，得到目标曲线的去噪曲线；根据残差曲线、所有IMF分量曲线的去噪曲线，使用EMD重构算法，得到光谱曲线的滤波去噪曲线；根据光谱曲线的滤波去噪曲线，使用光谱分析法，得到所述高氯酸盐废水中的高氯酸盐浓度。

[0012] 进一步地，所述根据目标曲线与光谱曲线之间的数据差异，得到目标曲线上每个局部极值点的波数长度、波动值、原始波动值，包括的具体步骤如下：

[0013] 使用一阶导数法，分别得到光谱曲线和所有IMF分量曲线上的局部极值点；

[0014] 根据目标曲线上所有局部极值点的波数、吸光度，得到每个局部极值点的波数范围、波动值；

[0015] 在目标曲线上，将每个局部极值点的波数范围中的最大值减去最小值，记为每个局部极值点的波数长度；

[0016] 根据目标曲线上每个局部极值点的波数范围，在光谱曲线上，统计所述波数范围内的局部极值点的吸光度，将所述局部极值点的吸光度的标准差，记为目标曲线上每个局部极值点的原始波动值。

[0017] 进一步地，所述根据目标曲线上所有局部极值点的波数、吸光度，得到每个局部极值点的波数范围、波动值，包括的具体步骤如下：

[0018] 在目标曲线上的所有局部极值点中，统计每个局部极值点的相邻两个局部极值点的波数，将所述相邻两个局部极值点的波数之间的范围，记为每个局部极值点的波数范围；

[0019] 计算每个局部极值点分别与其所有相邻局部极值点的吸光度的差值，将所述差值的绝对值的均值，记为每个局部极值点的波动值。

[0020] 进一步地，所述根据目标曲线上所有局部极值点的波数长度、波动值、原始波动值，得到目标曲线的起伏系数对应的具体计算公式为：

[0021]

[0022] 其中A为目标曲线的起伏系数，为目标曲线上第i个局部极值点的波动值，为目标曲线上所有局部极值点的波动值的均值，为目标曲线上第i个局部极值点的波数长度，为目标曲线上所有局部极值点的波数长度的均值，为目标曲线上第i个局部极值点的原始波动值，N为目标曲线上局部极值点的数量， 为线性归一化函数。

[0023] 进一步地，所述分别将光谱曲线和所有IMF分量曲线等分为若干个不重复的曲线段，包括的具体步骤如下：

[0024] 在目标曲线上，计算所有局部极值点的波数长度的均值，将所述均值的向下取整值，记为目标曲线的周期；

[0025] 将所有IMF分量曲线的周期的最小公倍数，记为标准周期；

[0026] 在横轴上，以标准周期为等分的长度，分别将光谱曲线和所有IMF分量曲线等分为若干个不重复的曲线段。

[0027] 进一步地，所述根据曲线段之间的吸光度的差异，得到目标曲线等分的每个曲线段的波动占比差异，包括的具体步骤如下：

[0028] 在光谱曲线和所有IMF分量曲线中，将光谱曲线或者任意一个IMF分量曲线，记为参考曲线；

[0029] 在参考曲线上，根据波数由小到大的方向，依次统计所有曲线段，得到参考曲线的曲线段序列；

[0030] 在光谱曲线的曲线段序列中，将第j个曲线段，记为标准曲线段；

[0031] 在目标曲线的曲线段序列中，将第j个曲线段，记为目标曲线段；

[0032] 根据标准曲线段和目标曲线段上所有数据点的吸光度，得到目标曲线段的波动占比差异。

[0033] 进一步地，所述根据标准曲线段和目标曲线段上所有数据点的吸光度，得到目标曲线段的波动占比差异对应的具体计算公式为：

[0034]

[0035] 其中B为目标曲线段的波动占比差异，C为标准曲线段上所有数据点的吸光度的标准差，为目标曲线段上所有数据点的吸光度的标准差， 为标准曲线段上所有数据点的吸光度中的最大值， 为标准曲线段上所有数据点的吸光度中的最小值， 为以自然常数为底的指数函数，k为预设的指数函数调整值， 为线性归一化函数，| |为绝对值函数。

[0036] 进一步地，所述根据目标曲线等分的所有曲线段的波动占比差异，得到目标曲线的总波动占比差异对应的具体计算公式为：

[0037]

[0038] 其中 为目标曲线的总波动占比差异，为目标曲线等分的第x个曲线段的波动占比差异，为目标曲线等分的第x个曲线段上所有数据点的吸光度的标准差，y为目标曲线等分的曲线段的数量， 为线性归一化函数。

[0039] 进一步地，所述根据目标曲线的起伏系数、总波动占比差异，得到目标曲线对应的最优小波阈值，包括的具体步骤如下：

[0040] 计算一减目标曲线的总波动占比差异的差值，将所述差值与目标曲线的起伏系数的乘积的归一化值，记为目标曲线的滤波调整系数；

[0041] 使用Visushrink算法，得到目标曲线对应的小波阈值；

[0042] 根据目标曲线对应的小波阈值、滤波调整系数，得到目标曲线对应的最优小波阈值。

[0043] 进一步地，所述根据目标曲线对应的小波阈值、滤波调整系数，得到目标曲线对应的最优小波阈值，包括的具体步骤如下：

[0044] 计算目标曲线的滤波调整系数与q的乘积，再计算所述目标曲线的滤波调整系数与q的乘积加上q的和值，将所述和值与目标曲线对应的小波阈值的乘积，记为目标曲线对应的最优小波阈值；所述q为预设的常数。

[0045] 本发明的技术方案的有益效果是：

[0046] 本发明实施例中，采集高氯酸盐废水的光谱曲线，将光谱曲线分解为若干个IMF分量曲线和一个残差曲线。根据曲线之间的数据差异，得到每个IMF分量曲线的起伏系数。分别将光谱曲线和所有IMF分量曲线等分为若干个不重复的曲线段，根据曲线段之间的吸光度的差异，得到每个IMF分量曲线的总波动占比差异。从而得到每个IMF分量曲线对应的最优小波阈值，其通过对每个IMF分量曲线中含噪的程度进行分析，并结合分量曲线之间以及分量曲线与光谱曲线的差异进行矫正调整，提高鲁棒性的同时，保障得到的小波阈值最优，从而提高去噪效果。使用小波阈值去噪算法，得到每个IMF分量曲线的去噪曲线，再使用EMD重构算法，得到光谱曲线的滤波去噪曲线，由此减小了因分量曲线去噪后逆变换为光谱曲线后的信息丢失程度，最后使用光谱分析法，得到高氯酸盐废水中的高氯酸盐浓度。至此本发明通过自适应每个IMF分量曲线的最优小波阈值，提高滤波去噪的效果，从而提高光谱曲线上数据的可信性，由此提高高氯酸盐浓度检测的准确性。

附图说明

[0047] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0048] 图1为本发明基于人工智能的高氯酸盐废水浓度智能检测方法的步骤流程图。

具体实施方式

[0049] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的高氯酸盐废水浓度智能检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

[0050] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

[0051] 下面结合附图具体的说明本发明所提供的基于人工智能的高氯酸盐废水浓度智能检测方法的具体方案。

[0052] 请参阅图1，其示出了本发明一个实施例提供的基于人工智能的高氯酸盐废水浓度智能检测方法的步骤流程图，该方法包括以下步骤：

[0053] 步骤S001：采集一份高氯酸盐废水的光谱曲线，使用EMD分解算法，将光谱曲线分解为若干个IMF分量曲线和一个残差曲线；所述曲线上数据点的横坐标和纵坐标分别为波数和吸光度。

[0054] 使用光谱传感器，采集一份高氯酸盐废水的光谱曲线。其中，光谱曲线的横轴为波数、纵轴为吸光度。

[0055] 所需说明的是：从废水中采集样品需要进行部分必要的前处理例如过滤稀释等，再选择合适的光谱技术例如紫外可见光谱、红外光谱、拉曼光谱等，本实施例使用红外光谱，然后通过上述技术以及后续部分预处理例如光谱测量、数据处理，最终得到废水中高氯酸盐浓度光谱数据曲线。

[0056] 高氯酸盐光谱数据曲线中，由于设备的干扰所导致的噪声往往表现为高频且普遍存在，即此时噪声在光谱数据曲线中可以看作为一个常量波动，在所有部分中都存在。而本实施例采集得到的光谱曲线中，其不同的起伏则会被分解到不同的分量中，因此通过EMD分解后，便会出现，设备噪声主要存在于某一分量中，而不同的分量之间又由于原数据曲线中起伏程度不同，则散落分散在不同周期大小对应的分量中，因此对于该情况，需要基于EMD分解后的每一分量，对其所表现出的趋于噪声的程度进行分析量化，并对应的基于该特征对每一分量给予不同的滤波程度，从而达到自适应滤波。

[0057] 使用EMD分解算法，对光谱曲线进行分解，得到若干个IMF分量曲线和一个残差曲线。

[0058] 所需说明的是：EMD分解算法为公知技术，具体方法在此不做介绍，EMD是指经验模态分解，IMF是指固有模态函数，并且每个IMF分量曲线上的数据数量与光谱曲线上的数据数量相同。

[0059] 步骤S002：将任意一个IMF分量曲线，记为目标曲线；根据目标曲线与光谱曲线之间的数据差异，得到目标曲线上每个局部极值点的波数长度、波动值、原始波动值；根据目标曲线上所有局部极值点的波数长度、波动值、原始波动值，得到目标曲线的起伏系数。

[0060] 然后需要对每一个IMF分量曲线上的曲线起伏特征进行分析，并根据分量中的起伏平稳度作为其含噪程度的分析。先基于每一分量中极值点的分布得到分布起伏系数。

[0061] 使用一阶导数法，分别得到光谱曲线和所有IMF分量曲线上的局部极值点。其中，一阶导数法为公知技术，具体方法在此不做介绍。

[0062] 将任意一个IMF分量曲线，记为目标曲线。

[0063] 在目标曲线上的所有局部极值点中，统计每个局部极值点的相邻两个局部极值点的波数，将所述波数之间的范围，记为每个局部极值点的波数范围。

[0064] 所需说明的是：由于目标曲线上第一个和最后一个局部极值点只有一个相邻局部极值点，因此本实施例令目标曲线上第一个和最后一个局部极值点的波数范围，分别为第二个和倒数第二个局部极值点的波数范围。并且光谱曲线通常包含了多个频率成分的叠加，因此光谱曲线和IMF分量曲线上会存在多个局部极值点。

[0065] 在目标曲线上，将每个局部极值点的波数范围中的最大值减去最小值，记为每个局部极值点的波数长度。

[0066] 在目标曲线上的所有局部极值点中，计算每个局部极值点分别与其所有相邻局部极值点的吸光度的差值，将所述差值的绝对值的均值，记为每个局部极值点的波动值。

[0067] 所需说明的是：目标曲线上第一个和最后一个局部极值点对应的差值只有一个，因此不用取均值。

[0068] 根据目标曲线上每个局部极值点的波数范围，在光谱曲线上统计所述波数范围内的局部极值点的吸光度，将所述吸光度的标准差，记为目标曲线上每个局部极值点的原始波动值。

[0069] 所需说明的是：标准差表示数据变化的剧烈程度，标准差的取值范围为0到正无穷，当在光谱曲线上统计所述波数范围内的局部极值点的数量小于2时，说明光谱曲线上的所述波数范围内无较大的数据波动，因此本实施例令其对应的原始波动值为最小标准差0。

[0070] 由此可知目标曲线的起伏系数A的计算公式为：

[0071]

[0072] 其中A为目标曲线的起伏系数，为目标曲线上第i个局部极值点的波动值，为目标曲线上所有局部极值点的波动值的均值，为目标曲线上第i个局部极值点的波数长度，为目标曲线上所有局部极值点的波数长度的均值，为目标曲线上第i个局部极值点的原始波动值。N为目标曲线上局部极值点的数量。 为线性归一化函数，将数据值归一化至[0,1]区间内。

[0073] 所需说明的是： 表示目标曲线上相邻局部极值点之间起伏值与分布间隔的差异，从而量化得到该分量中噪声的特征，该特征越高，则设备噪声所表现出来的较整齐的起伏特征越明显，对应的符合噪声起伏特征的程度越高，则后续在对该分量进行去噪时，采取的滤波程度更高。光谱曲线中的起伏程度越大，其与噪声叠加后周期特征越混乱，对应的通过EMD分解后，分解到每一周期内的设备噪声本身的特征丢失的程度可能越高，因此对于这部分的极值点，本实施例认为其参与该分量的分布起伏系数计算中，权重值应该相对更弱，因此以 为权重。至此用 的归一化值，表示目标曲线的起伏系数。

[0074] 步骤S003：分别将光谱曲线和所有IMF分量曲线等分为若干个不重复的曲线段；根据曲线段之间的吸光度的差异，得到目标曲线等分的每个曲线段的波动占比差异；根据目标曲线等分的所有曲线段的波动占比差异，得到目标曲线的总波动占比差异。

[0075] 对于噪声的起伏分析，仅仅通过分量中极值点的平稳性还不能完全作为滤波的调整值，还需考虑噪声程度在光谱曲线中的占比强弱，从而进行对应的调整，以避免因某些分量中的噪声特征在光谱曲线中占比较高，却与其它分量的滤波程度相同，从而导致噪声特征占比更高的分量中的数据信息受损更严重。

[0076] 在目标曲线上，计算所有局部极值点的波数长度的均值，将所述均值的向下取整，记为目标曲线的周期。

[0077] 按照上述方式，得到每个IMF分量曲线的周期。

[0078] 将所有IMF分量曲线的周期的最小公倍数，记为标准周期。

[0079] 所需说明的是：最小公倍数是指两个或多个整数中能够同时整除的最小的正整数，此为公知技术。

[0080] 在横轴上，以标准周期为等分的长度，分别将光谱曲线和所有IMF分量曲线等分为若干个不重复的曲线段。

[0081] 所需说明的是：若曲线划分的最后一个曲线段对应的横轴长度不足标准周期，本实施例也认为其为一个曲线段。

[0082] 在光谱曲线和所有IMF分量曲线中，将任意一个IMF分量曲线或者光谱曲线，记为参考曲线。

[0083] 在参考曲线上，根据波数由小到大的方向，依次统计所有曲线段，得到参考曲线的曲线段序列。

[0084] 按照上述方式，得到光谱曲线的曲线段序列、每一个IMF分量曲线的曲线段序列。

[0085] 在光谱曲线的曲线段序列中，将第j个曲线段，记为标准曲线段。

[0086] 在目标曲线的曲线段序列中，将第j个曲线段，记为目标曲线段。

[0087] 由此可知目标曲线段的波动占比差异B的计算公式为：

[0088]

[0089] 其中B为目标曲线段的波动占比差异，C为标准曲线段上所有数据点的吸光度的标准差，为目标曲线段上所有数据点的吸光度的标准差， 为标准曲线段上所有数据点的吸光度中的最大值， 为标准曲线段上所有数据点的吸光度中的最小值。 为以自然常数为底的指数函数，本实施例以 来呈现反比例关系及归一化处理，实施者可根据实际情况设置反比例函数及归一化函数，k为预设的指数函数调整值，k用于延缓指数函数的衰减速度。 为线性归一化函数，将数据值归一化至[0,1]区间内，| |为绝对值函数。本实施例设定k为0.01，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。

[0090] 所需说明的是： 表示第j个曲线段对应的目标曲线与光谱曲线上的数据的标准差的差异，其值越大，则表征相对其余分量，该分量无论是噪声还是正常起伏，其起伏特征在光谱曲线中的占比都相对更高，此时对于该分量的这部分信息在进行滤波时，为防止信息丢失太多，需要对滤波程度进行约束的程度更高。但对于不同曲线段，当光谱曲线中存在部分差值极大的极值点，则对于该部分，其噪声在其中的表现程度相对更弱，因此对于所有分量，需要削弱该曲线段在整体波动占比差异中的权重参与。因此为 的调整权重，即 越大，调整权重越小，由此用两者的乘积，表示目标曲线段的波动占比差异。

[0091] 按照上述方式，得到目标曲线的曲线段序列中每个曲线段的波动占比差异。

[0092] 但是对于每一分量中，本实施例更侧重其内部的含噪程度，因此进一步的在对上述得到的波动占比差异时，并不能直接进行累加，而是需要以每一曲线段中自身波动的程度作为其在自己分量中的凸显程度，从而得到整个分量的波动占比差异。

[0093] 由此可知目标曲线的总波动占比差异 的计算公式为：

[0094]

[0095] 其中 为目标曲线的总波动占比差异，为目标曲线等分的第x个曲线段的波动占比差异，为目标曲线等分的第x个曲线段上所有数据点的吸光度的标准差，y为目标曲线等分的曲线段的数量。 为线性归一化函数，将数据值归一化至[0,1]区间内。

[0096] 所需说明的是：本实施例认为虽然波动占比差异相对更高，但同时其在自身的分量中，也应根据其标准差的具体大小即凸显程度，每一曲线段在自身所有数据点的吸光度中，其标准差相对越高，则表明该部分在整体分量中对于由波动占比差异得到的约束更敏感，因此其需要占据更高的权重，也因此用 的归一化值，表示目标曲线的总波动占比差异。

[0097] 步骤S004：根据目标曲线的起伏系数、总波动占比差异，得到目标曲线对应的最优小波阈值。

[0098] 由此得到用于调整自身滤波大小的目标曲线的滤波调整系数P的计算公式为：

[0099]

[0100] 其中P为目标曲线的滤波调整系数，A为目标曲线的起伏系数，为目标曲线的总波动占比差异。 为线性归一化函数，将数据值归一化至[0,1]区间内。

[0101] 所需说明的是：A越大，说明目标曲线中含噪程度相对更高，因此其滤波程度相对更高。而 越大，说明目标曲线若采用较高的滤波程度，无论起伏是由噪声还是原信号表征，其对于原信号的损坏都会过高，因此需要进行约束。故用A与 的乘积的归一化值，表示目标曲线的滤波调整系数。

[0102] 使用Visushrink算法，得到目标曲线对应的小波阈值。

[0103] 所需说明的是：Visushrink算法的中文名称是V型软硬阈值法，它是一种小波阈值去噪算法，为公知技术，具体方法在此不做介绍。

[0104] 由此可知目标曲线对应的最优小波阈值F的计算公式为：

[0105]

[0106] 其中F为目标曲线对应的最优小波阈值，为目标曲线对应的小波阈值，P为目标曲线的滤波调整系数，q为预设的常数。本实施例设定Q为0.5，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。由此令 的取值范围为0.5到1。

[0107] 步骤S005：根据目标曲线对应的最优小波阈值，使用小波阈值去噪算法，得到目标曲线的去噪曲线；根据残差曲线、所有IMF分量曲线的去噪曲线，使用EMD重构算法，得到光谱曲线的滤波去噪曲线；根据光谱曲线的滤波去噪曲线，使用光谱分析法，得到所述高氯酸盐废水中的高氯酸盐浓度。

[0108] 根据目标曲线对应的最优小波阈值F，使用小波阈值去噪算法对目标曲线进行滤波去噪，得到目标曲线的去噪曲线。其中，小波阈值去噪算法为公知技术，具体方法在此不做介绍。

[0109] 按照上述方式，得到每个IMF分量曲线的去噪曲线。

[0110] 根据所有IMF分量曲线的去噪曲线、残差曲线，使用EMD重构算法，得到光谱曲线的滤波去噪曲线。其中，EMD重构算法为公知技术，具体方法在此不做介绍。

[0111] 根据光谱曲线的滤波去噪曲线，使用光谱分析法，得到所述高氯酸盐废水中的高氯酸盐浓度。其中，光谱分析法为公知技术，具体方法在此不做介绍。

[0112] 所需说明的是：光谱分析法是利用高氯酸盐溶液对特定波长的光的吸收特性进行测量。可以使用光谱仪或便携式光谱仪来获取光谱数据，并通过与已知浓度样品的比较，建立光谱和浓度之间的关系，进而推断未知浓度样品的浓度。

[0113] 至此，本发明完成。

[0114] 综上所述，在本发明实施例中，采集一份高氯酸盐废水的光谱曲线，将光谱曲线分解为若干个IMF分量曲线和一个残差曲线。根据曲线之间的数据差异，得到每个IMF分量曲线的起伏系数。分别将光谱曲线和所有IMF分量曲线等分为若干个不重复的曲线段，根据曲线段之间的吸光度的差异，得到每个IMF分量曲线的总波动占比差异。从而得到每个IMF分量曲线对应的最优小波阈值，使用小波阈值去噪算法，得到每个IMF分量曲线的去噪曲线，再使用EMD重构算法，得到光谱曲线的滤波去噪曲线，由此使用光谱分析法，得到高氯酸盐废水中的高氯酸盐浓度。本发明通过自适应每个IMF分量曲线的最优小波阈值，提高滤波去噪的效果，从而提高光谱曲线上数据的可信性，由此提高高氯酸盐浓度检测的准确性。

[0115] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。