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

---

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。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

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：

1. 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。

2. 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。

3. 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。

   简小派

   简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

   123 查看详情

4. 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。

5. 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

       

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

       

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

   

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)

       

/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

       

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]

       

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

   

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())

   

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)
        *g_loss = paddle.mean(loss)
        train_loss.append(*g_loss.numpy())        
        # 反向传播，计算每层参数的梯度值
        *g_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)
        *g_loss = paddle.mean(loss)
        val_loss.append(*g_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)}')

       

Epoch 0, train MAE 7.624902248382568, val MAE 8.33272647857666
Epoch 1, train MAE 7.206328868865967, val MAE 7.758003234863281
Epoch 2, train MAE 6.805103778839111, val MAE 6.986188888549805
Epoch 3, train MAE 6.075949192047119, val MAE 5.927742958068848
Epoch 4, train MAE 4.959263324737549, val MAE 4.292729377746582
Epoch 5, train MAE 3.2987468242645264, val MAE 2.087653875350952
Epoch 6, train MAE 1.5582104921340942, val MAE 0.9727618098258972
Epoch 7, train MAE 1.0503758192062378, val MAE 0.8623672723770142
Epoch 8, train MAE 0.9353340268135071, val MAE 0.7716569304466248
Epoch 9, train MAE 0.7899861931800842, val MAE 0.6565400958061218
Epoch 10, train MAE 0.6619129180908203, val MAE 0.5523999929428101
Epoch 11, train MAE 0.5093479156494141, val MAE 0.45839017629623413
Epoch 12, train MAE 0.4096043109893799, val MAE 0.3914491832256317
Epoch 13, train MAE 0.35209330916404724, val MAE 0.49695703387260437
Epoch 14, train MAE 0.3525097072124481, val MAE 0.2608330547809601
Epoch 15, train MAE 0.3310554325580597, val MAE 0.22819511592388153
Epoch 16, train MAE 0.28647658228874207, val MAE 0.5398315787315369
Epoch 17, train MAE 0.33176475763320923, val MAE 0.47069284319877625
Epoch 18, train MAE 0.382027268409729, val MAE 0.5325711965560913
Epoch 19, train MAE 0.37895312905311584, val MAE 0.175240620970726

       

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.s*efig('loss.png', dpi=600, bbox_inches='tight', transparent=False)
plt.legend(["train MAE", "val MAE"])
plt.title("Loss")
plt.xlabel('epoch_num')
plt.ylabel('loss value')

       

/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

       

Text(55.8472,0.5,'loss value')

               

<Figure size 640x480 with 1 Axes>

               

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)

       

test_predict: [ 4  9  5  6  7 13 11 12 14]

               

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_predict
plt.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.s*efig('result.png', dpi=600, bbox_inches='tight', transparent=False)
plt.legend(["predict value", "true value"])
plt.title("SO2")
plt.xlabel('X')
plt.ylabel('Absorption intensity')

       

Text(47.0972,0.5,'Absorption intensity')

               

<Figure size 640x480 with 1 Axes>

                       

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

       

以上就是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的详细内容，更多请关注其它相关文章！

# 环境参数  # 网站推广渠道专业定制  # 海外营销推广方案ppt  # 萍乡国外网站建设  # 河源seo网络推广方案  # 宝坻区营销网站优化记录  # 鹤岗网站建设网站制作  # 抖音seo咋样  # 网站优化实训过程及结果  # seo外包需求  # 营销推广案例模板英语app  # 前向  # 官网  # 建立一个  # python  # 定量分析  # 是一种  # 一言  # 中文网  # 二氧化  # 差分  # type  # fig  # latte  # udio  # red  # ai 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 从数据中心到发电站：人工智能对能源使用的影响  「从未被制造出的最重要机器」，艾伦·图灵及图灵机那些事  机器人加速！稀土永磁也被带火，持续性如何？  利用AI技术更好地发展农村电商  360°/180°双模式，佳能公布可折叠小体积的VR全景相机  美图公司影像节或发布AI设计新品  Intel酷睿Ultra发布会官宣！迈向全新的AI时代  Nature封面：量子计算机离实际应用还有两年  传Meta 2025年推出首款AR眼镜，采用军用级别材料，计划生产1000台  标贝科技亮相国际顶会ICASSP2025 加速布局海外AI数据市场  机器人 展才能  自然语言生成在智能家居设备中的应用  Xbox游戏工作室负责人：VR/AR领域的用户规模还不足够  阿里云推出通义万相AI绘画大模型  数字彩排、虚拟建厂！这家顶级洗衣机工厂敲开“工业元宇宙”之门  数字文明尼山对话 | 在东方圣城与AI潮流梦幻联动，看“智慧大脑”让数字山东更美好  亲身体验鸿蒙4：AI大模型带来的便利，告别单纯的旁观者状态  对话无界AI创始人长铗：AI的创业机会在应用层丨创新者Innovator  谷歌推出 SAIF 框架，倡导安全环境下探索和发展人工智能  ​布局智能物联新时代,中国移动“5G+物联网”亮相2025 MWC  如何用户外电源给无人机实现持久续航  推动企业数字化转型升级！“松江智造”摘世界人工智能大会重磅奖项  阿里达摩院发布免费开放100项AI专利许可的动机是什么？  微幼科技晨检机器人：幼儿园健康保障的新伙伴  上新7款产品，美图继续“蹭”AI  DreamAvatar数字人使用教程  普林斯顿大学推出 Infinigen AI 模型，生成真实自然环境 3D 场景  深度学习模型综述：用于3D MRI和CT扫描的应用  “一般智力”与工艺学批判是认识AI的重要入口 | 社会科学报  人工智能在项目管理中的作用  1.6亿美元收购Singularity AI，昆仑万维布局通用人工智能  五个出色的人工智能应用实例  磐镭发布全新 GeForce RTX 4080 ARMOUR 显卡，售价为 9499 元  特斯拉人形机器人将亮相 预计售价不超过15万元  微软推出 LLaVA-Med AI 模型，可对医学病理案例进行分析  开创全新虚拟现实体验的Pimax Crystal VR头显  人工智能和神经网络有什么联系与区别？  人工智能进入绿植界，智能庭院市场初具规模  优化J*a与MySQL合作：分享批处理操作的技巧  热点 | 人工智能黄金时代开启  大语言模型的视觉天赋：GPT也能通过上下文学习解决视觉任务  网易云音乐和小冰推出AI歌手音乐创作软件，首发内置12名AI歌手  智能机器人正在彻底改变客户服务  生成式AI爆发，亚马逊云科技持续专注创新，助力企业数字化转型  人工智能领域，突破难题：国产大模型“无源之水”问题得到解决。  财联社首档运用虚拟人技术播报栏目《AI半小时》今晚上线！敬请期待  微软新出热乎论文：Transformer扩展到10亿token  ​《流浪地球2》里机器人公司的创始人：未来10年，机器人的崛起！  网易加速行业AI大模型应用，将覆盖100多个应用场景  IBM与NASA联手开源地理空间AI基础模型，促进气候科学领域进步 

 2025-07-24