光纤SPR传感器结合多分类器的水体DOM检测

付丽辉，戴峻峰

光纤SPR传感器结合多分类器的水体DOM检测

付丽辉1，戴峻峰2※

（1. 淮阴工学院自动化学院，淮安 223003；2. 淮阴工学院电子信息工程学院，淮安 223003）

针对单传感器难以完成水体可溶解有机物（Dissolved Organic Matter，DOM）总量与组份的测试问题，该研究提出利用光纤表面等离子共振（Surface Plasma Resonance，SPR）传感器的非特异选择性来构建传感阵列。通过对光纤SPR传感器的交叉敏感性分析，获得多模光纤镀以7种不同厚度金膜的传感器设计方案，膜厚为55～85 nm，使其对不同的DOM组份产生类似味蕾的交叉敏感性响应。利用粒子群算法（Particle Swarm Optimization，PSO）训练的BP神经网络构建3个分类器：PSO-BP（波长）、PSO-BP（谱宽）、PSO-BP（光强），实现对待测量响应信息的有效提取，并对里运河（A）、洪泽湖（B）、公园景观湖（C）、校园景观湖（D）4种水体的5种DOM组份（酪氨酸类蛋白质、色氨酸类蛋白质、富里酸、溶解性微生物代谢产物、腐殖酸）及其浓度进行预测，在洪泽湖水的色氨酸类蛋白质组份测试试验中，最高正确率可达85%。同时，对多分类器的结构参数进行试验分析，重点考察隐含层节点个数及神经网络结构对DOM组份测试的影响。试验结果表明：隐层节点数取15时可以获得最佳测试效果，通过基于传统神经网络RBF、BP与PSO-BP的比较试验可知，基于PSO-BP的3个分类器在DOM组份测试中的精度最高，对4种水体的色氨酸类蛋白质及溶解性微生物代谢产物组份测试的平均分类精度可达87.50%、86.28%。研究结果为基于光纤SPR传感器及多分类器在DOM组份测试的应用提供依据及新的思路。

传感器；水质；多分类器；交叉敏感性；光纤SPR传感器；DOM组份检测；PSO-BP神经网络

0 引 言

在环境指标中，水体质量对生态环境和居民生活具有十分重要的影响[1-2]，其中，可溶解有机物（Dissolved Organic Matter，DOM）就是影响因素之一[3]。目前，常见的DOM检测方法可以对DOM总量进行定性分析，但对于DOM组份的测定一直存在瓶颈[4-7]。其中，化学检测方法会在测试中引入化学物质[4]，从而导致测量精度下降；吸收光谱及荧光光谱法存在强度掩蔽效应[5-6]，从而导致对相似DOM组份的荧光信号无法区分；生物检测法的测试过程复杂[7]，在DOM组份定量分析方面的作用明显不足。另外，影响DOM组份分布的来源众多，特性复杂[8-10]，测定不同DOM组份所占的比例，利用单一响应的传感器无法实现，需要基于多个传感器的交叉敏感性信息，利用不同特性的传感器对不同组份分别予以响应，再通过多分类器等深度学习算法对之分析，才可获得各组份的具体信息[11-12]。这些组份如同人体味觉系统所感受到的“酸、甜、苦、辣”等信息，通过人类味蕾对不同味道进行精确辨别，由此，将适用于辨识不同成份的电子舌（Electronic Tongue，ET）的设计思路[13]应用于DOM组份测试过程中，基于传统电子舌传感阵列的交叉敏感性不足的问题[14-15]，本文提出利用光纤表面等离子共振（Surface Plasma Resonance，SPR）传感器的非特异选择性及交叉敏感性来构建传感阵列，通过SPR效应所具有的可调谐光学特性对传感阵列结构进行调控，将光纤SPR传感器镀以55～85 nm的7种不同厚度的金膜来构建传感阵列，使其对不同DOM组份产生类似味蕾的交叉敏感性响应，再利用粒子群算法（Particle Swarm Optimization，PSO）训练的BP神经网络（Back Propagation Artificial Neural Networks，BP-ANN）构建多分类器，提取待测量的响应信息，完成对DOM组份的有效预测，以期为SPR传感器及多分类器在DOM组份测试应用中提供依据及新的思路。

1 光纤SPR传感器的交叉敏感性

由SPR理论可知，金属薄膜种类及厚度对光纤SPR传感器的共振吸收特性具有决定性作用[16-17]，直接影响共振吸收特性对待测介质折射率的响应，为完成对DOM组份的有效测试，首先对光纤SPR传感器的交叉敏感性进行研究，通过对金属薄膜种类及厚度的影响分析，完成对SPR传感器结构的调控及优化。

1.1 金属薄膜种类对SPR效应的影响

SPR共振吸收效应是金属表面的自由电子集体振荡形成的表面等离子体波（Surface Plasma Wave，SPW）与激励光之间的能量交换[18-19]，金属的介电特性一般按Drude模型确定[20]，常用的金、银、铜、铝薄膜的介电常数为-10.92+i1.49、-18.22+i0.48、-14.67+i0.72、-42.00+i16.40。在优化分析中，利用多模光纤构建SPR传感器，选取薄膜种类为金、银、铜、铝，薄膜厚度为50 nm，待测折射率设置为1.330、1.343、1.355和1.373将光纤参数、待测介质折射率与金属介电常数代入光纤SPR传感器模型[20]，从而获得不同金属薄膜的传感特性，具体结果如图1所示。

注：n为折射率。下同。

其中，归一化反射光强定义为

式中、、分别为采样光强、参考光强、暗光谱强度，cd。

由图1可见：对于相同的待测介质折射率，各传感器均具有关于吸收中心对称的洛伦兹线型，但共振吸收波长（）不同、谱宽也不同。其中，银膜的SPR吸收波长最小，金膜的吸收波长最大。利用图1a的光谱数据计算可知，当折射率=1.330时，金、铝、铜、银的共振波长分别为560、520、500、485 nm，谱宽分别为50、70、49、40 nm；不同金属薄膜的传感器具有不同的谱宽，谱宽与金属复介电常数的实、虚部之比的绝对值具有正相关性；对于给定的金属膜与厚度，当待测介质折射率逐渐增加，SPR共振吸收特性随之发生变化，波长-折射率变化率逐渐减小，谱宽逐渐增加，吸收谱的对称性呈逐渐劣化趋势；在4种金属中，虽然银膜具有良好的谱宽及波长-折射率变化率，但随着待测折射率的增大，其劣化速度也最快。铜膜与铝膜在测量灵敏度上不具有优势，其谱宽随待测折射率增加迅速劣化。相对而言，金膜的谱宽不是最优，但随着待测折射率的增加，其谱宽和波长分辨率的稳定性最好，而且，相对其他金属，金膜具有更好的抗氧化性能，因此，选择金膜设计SPR传感器。

1.2 金属薄膜厚度对SPR效应的影响

当被测折射率、光纤及金属薄膜材料确定后，金属薄膜厚度成为影响SPR传感器测量效果的主要因素[21-22]。膜厚太小，则金属膜中没有足够空间与自由电子形成SPW；膜厚太大，激励光场不足以穿透金属膜，无法激发足够强的共振吸收。由此，利用单模、多模光纤SPR传感器进行金膜厚度的仿真试验，结果如图2。

图2 金属膜厚度对SPR效应的影响（单模、多模光纤）

由图2可见：在单模与多模情形下，给定待测折射率，均存在最佳的金属膜厚度，且最佳膜厚随待测折射率增加而增加，各最佳膜厚对应的共振波长、共振谱宽均随之增加；在相同折射率点，多模光纤传感器的最佳膜厚大于单模光纤（例如，当=1.330，多模与单模的最佳膜厚分别为55和40 nm），且多模光纤的共振波长、谱宽随折射率变化的幅度小于单模光纤；当待测折射率偏离膜厚对应的最佳测量点时，各传感器的共振特性均有不同程度的劣化。总之，虽然单模光纤在最佳测量点处具有更好的谱宽，但当偏离最佳测量点时，其谱宽劣化的速度高于多模光纤，因此，单模光纤SPR传感器对邻近最佳点区域的测量结果不够理想，覆盖特性较差，这是由较小的单模光纤纤芯尺寸及泄漏模数导致。相对而言，多模光纤具有大的数值孔径，使得入射光可以更有效地耦合进入光纤，导模数增加，相当于“放宽”进入光纤成为导模的条件，因此，SPR吸收谱线展宽、吸收峰处光强增加、相对变化率下降，而且，波长-折射率变化率的线性度较好。

2 基于交叉敏感性的光纤SPR传感器阵列

通过1.2节分析可知，单模光纤SPR传感器在最佳测试点处具有较高的灵敏度和分辨率，但其动态范围较小，当偏离最佳测试点时，效果欠佳。多模光纤导模模式丰富，在较大待测折射率范围内，其动态范围和线性度更好，也就是说，多模光纤SPR在点测量中的测试效果相对较差，但当偏离最佳测试点，其所获得的交叉敏感性信息更为丰富。在构成光纤SPR阵列时，测试系统的性能不仅与各传感探器的最佳测量点的特性有关，更与最佳测量点区域外的SPR共振特性有关，在某种程度上，后者对测量系统的性能起决定性作用[23]。结合上述，基于多模光纤SPR传感器优良的交叉敏感特性，即在较大折射率变化区间内，通过共振波长、谱宽和光强对被测量具有更广泛的响应。由此，选择多模光纤镀以不同厚度的金膜，构成具有不同最佳测量点的SPR传感器。

在构建传感阵列时，确保各SPR传感器的最佳测量点分布于常规水质折射率范围内（1.33～1.43）[24]，最终设计7个多模光纤SPR传感器，膜厚如表1。在设计中，主要考虑以下交叉敏感要求：1）各传感器的最佳测量点尽可能均匀地分布在测量折射率范围内；2）在测量范围内，有尽可能多的传感器对待测折射率有尽可能敏感的响应，不论这种响应是线性或非线性；3）尽可能地使共振波长、谱宽和光强对待测折射率有尽可能敏感的响应。

表1 多模光纤SPR传感器的膜厚与谐振特性指标

进一步地，利用单模及多模光纤设计SPR传感器，获得不同响应参数的传感特性，如图3所示。

图3 基于不同参数的光纤SPR传感器的响应特性

由图3可见，相对单模传感器，除最佳测量点=1.33外，各多模光纤传感器均具有良好的响应特性，特别是在小于最佳测量点的区域。由此说明：多模光纤SPR传感阵列能在较大测量范围内有效提取被测信息。另外，虽然7个传感器的共振波长、谱宽和光强均随待测折射率变化而变化，但都不能在较大测量范围内保持高灵敏度和线性度，换言之，如果将被测范围划分成若干个小区间，在任一小区间内，总有3～4个传感器通过波长、谱宽和光强对待测量予以响应，因此，相对单个传感器，传感阵列可以获取更多的被测信息，对于强调线性响应的传统测量系统而言，这些变化信息虽然根本不起作用，但在引入有效的智能算法后，所有信息均可被有效提取，从而实现更大动态范围内的高灵敏度测量。

3 基于PSO-BP神经网络的多分类器

3.1 PSO-BP神经网络的构建及训练

人工神经网络（Artificial Neural Networks，ANN）是一种模拟人脑的算法，由大量神经元互连而成，其主要特点是并行处理及分布式存储[25]，具有自学习、自组织、自适应能力，很适合具有较多测试数据的SPR传感阵列的定量分析，但是，传统BP算法易陷入局部极小点[26]。为提高BP神经网络的泛化能力，本文将粒子群算法[27]与BP神经网络结合，构建PSO-BP神经网络，从而为多分类器的实现打下基础。传统PSO算法中的粒子状态更新方程[27]为

式中+1()为第+1次迭代中第个粒子的速度；x+1()为其对应位置；x()与()分别为第次迭代的速度及位置； p()为第个粒子第次迭代的自身最优值；pg为其全局最优值；1、2是[0,1]间随机数；1、2是加速系数；是惯性因子。

在构建PSO-BP网络过程中，利用PSO完成对BP神经网络权值及阈值的优化处理，若叠带次数大于给定值或评价误差小于给定值，则算法结束，将PSO算法的最优粒子位置映射为神经网络的最优权值及阈值。具体流程如图4所示。

图4 PSO-BP神经网络的优化处理过程

3.2 基于PSO-BP的多分类器

SPR测试参数与DOM组份之间属于高度非线性关系[9]，7个传感器获得DOM组份间的交叉敏感性信息后，需要采用深度学习模型来挖掘这些信息所反映的被测量的内部关系，文中利用PSO-BP神经网络构建3个分类器：PSO-BP（波长）、PSO-BP（谱宽）、PSO-BP（光强）。每个分类器的输入层由7个节点构成，代表来自于7个光纤SPR传感器的测试数据；输出层由5个节点组成，代表DOM的各组份（即酪氨酸类蛋白质、色氨酸类蛋白质、富里酸、溶解性微生物代谢产物、腐殖酸），原理如图5所示。

注：X1～X15为隐含层节点；P1～P5为DOM的5种组份。

首先，完成对DOM组份真值的测定，由三维荧光光谱法获得DOM的组份数据，并将其作为分类器的输出，然后，利用7个SPR传感器测得各水样的SPR响应数据（波长、谱宽和光强），并将其作为各分类器的输入，最后，利用输入输出数据构成的样品集完成对神经网络的训练；在测试阶段，将7个SPR传感器获得的测试数据输入到训练成功的分类器，获得DOM组份的输出，再根据3个分类器的输出结果，利用平均法确定最终的DOM组份。

4 DOM的检测试验

4.1 水样制备及DOM组份测定

为保证测量对象的普适性，选择4种自然水体作为试验对象，分别为淮安市里运河水、洪泽湖水、淮安市区景观湖水和校园人工湖水。首先，对所采集的各类水样，用预先灼烧过的0.22m滤膜进行过滤，并分为两部分：一部分存放于棕色玻璃瓶中，4 ℃下保存备用，另一部分置于敞口棕色玻璃瓶，放在洁净避光房间内自然蒸发浓缩。对浓缩后的样品，再次用灼烧后的0.22m滤膜过滤，所得滤液存放于棕色玻璃瓶中，4 ℃下保存备用。浓缩后的4种水样，以A、B、C、D标识分组，再以去离子水为溶剂，以2%的浓度步长，配制成50种不同浓度的水样，编号为A-50、B-50、C-50、D-50，作为训练样品，然后以3%的浓度步长，配制34种不同浓度的水样，编号为a-34、b-34、c-34、d-34，作为验证样品。

利用三维荧光谱方法测量水样中的DOM种类和相对含量，利用日立F-7000型荧光分光光度计测量样品的三维荧光光谱，参数设置如下：发射波长为280～550 nm，狭缝宽度为5 nm，激发波长为200～550 nm，扫描速度为2 400 nm/min。根据激发波长与发射波长的关系，将荧光光谱分为5个区域[28]，如表2所示。

表2 DOM的三维荧光光谱与荧光物质的对应关系

在获得样品的三维荧光光谱数据后，根据三维荧光谱图中的激发波长、发射波长，结合三维荧光谱的区域积分法[28]，计算出样品水中DOM组份的相对含量，如表 3。

表3 4种样品体积分数的DOM组份的相对含量

注：P1.n、P2.n、P3.n、P4.n、P5.n分别代表酪氨酸类蛋白质、色氨酸类蛋白质、富里酸、溶解性微生物代谢产物、腐殖酸。

Note: P1.n, P2.n, P3.n, P4.n and P5.n indicate tyrosine proteins, tryptophan proteins, fulvic acid, soluble microbial metabolites and humic acids, respectively.

4.2 光纤SPR传感器及试验平台

光纤SPR传感器芯区选用直径为600 nm，数值孔径为0.30，纤芯折射率为1.47的多模石英光纤[23]，光纤包层通过氢氟酸腐蚀剥离，利用真空磁溅射仪（JSD560-V型）制备金膜，传感区长度取15 mm，金薄膜厚度取55-85 nm，每个光纤探器均设计为终端反射型[23]。由于探头数量较多且测试数据较大，为简化试验过程，采用开环结构完成对被测水样SPR效应的测量，试验平台示意图见图6。

图6 光纤SPR传感阵列的试验平台示意图

在图6中，7个传感器共享耦合器、光源、光谱仪和计算机分析软件，通过手动切换控制各传感器连接到测量电路。测试中，光源产生的入射光在穿过P-偏振器后从Y耦合器的一端进入，穿过Y耦合器的另一端，作用于SPR传感器。在入射光与被测液体相互作用后，传感器端部将产生SPR效应，即由端部全反射镜形成反射光，反射光通过Y耦合器的另一端送入光谱仪。最后，由计算机获取来自光谱仪的被测信息并完成基于多分类器算法的处理。在每次采集数据后，需要将SPR传感器与被测介质分离，并在空气中放置约5 min，直到共振峰消失，再进行下一次测量。

5 结果与分析

5.1 DOM组份的测试结果

在测试中，7个传感器的膜厚不同，能实现的最佳测量间隔不同，为获得可以有效反映被测量的交叉敏感性信息，需要合理安排所需传感器的数量和类型，以期用尽量少的传感器获得最理想的测试效果。基于此，将7个传感器分为3种组合情形，记为F1={S1，S3，S5，S7}，F2={S2，S4，S6}，F3={S1，S2，S3，S4，S5，S6，S7}，用以考察选择合理传感器数量及类型的依据。利用3个分类器完成对4种被测水体的5种DOM组份的测试，训练样本为50个，测试样本为34个，试验过程利用Matlab 6.0完成。

通过试验验证获得PSO参数如下：适应度函数为均方误差；加速系数122.05；惯性因子0.90；粒子数为160；初始迭代次数1=100；1、2为介于[0，1]之间的随机数；BP网的络输入节点分别取3个、4个或7个；隐层神经元个数为15个；输出神经元个数为5个。为了便于描述预测效果，定义预测正确率参数如下：

式中为正确预测样本数，为样本总数。最后获得3种组合的预测效果，如图7所示。

注：F1={S1，S3，S5，S7}，F2={S2，S4，S6}，F3={S1，S2，S3，S4，S5，S6，S7}代表7个传感器的3种组合。

Note: F1={S1，S3，S5，S7}, F2={S2，S4，S6}, F3={S1，S2，S3，S4，S5，S6，S7} represent 3 combinations of 7 sensors respectively.

图7 不同来源水样的DOM组份测试结果

Fig.7 Test results of DOM components in different water samples

观察图7发现，3种不同组合的传感器对4种被测水体DOM组份的预测效果均不同，其中，F3组合的预测效果最好，其最高正确率为85%，出现在洪泽湖（B）的P2.n测试中，最低正确率为40%，出现在里运河（A）的P5.n测试中。由三维荧光光谱区域积分法计算所得的DOM组份数据可知，这2种组份的含量分别为48.32%和5.22%，是5种组份在不同水体中的最高浓度和最低浓度，由此可见，组份浓度越高，检出率越高。对于F1组合，其最大正确率为76%，出现在洪泽湖（B）的P2.n测试点，最小正确率为56%，出现在里运河（A）与洪泽湖（B）的P5.n测试点，对于F2组合，其最大正确率为73%，出现在公园景观湖（C）的P2.n测试点，相应DOM组份为36.99，最小正确率为40 %，出现在里运河（A）与洪泽湖（B）的P5.n测试点，3种不同组合的传感器均表现出P5.n组份的测试效果最差，这与该组份的浓度过低有很大关系，也就是说，当组份浓度过少时，单纯优化传感探器结构也难于感测其细微变化。总体来说，在F3情形下，7个传感器完全覆盖了4种被测样品的测量范围，基础数据全面，再结合性能优良的多分类器算法，因此，可以获得较好的识别效果。对于F2情形，3个传感器集中在被量范围的中间区域，因此，2个边缘区域的被测信息无法被有效获取，基础数据缺乏，导致预测结果欠佳。在F1情形下，3个传感探器覆盖了被测样品的折射率范围，但其密度不够，导致所获得的交叉敏感性信息不足，预测效果也较差。

5.2 多分类器结构参数对DOM测试的影响

通过实际测试可知，用于构建多分类器的神经网络结构及参数对预测效果的影响很大。因此，以3个分类器为基础，研究分类器结构参数对测试结果的影响，重点考察神经网络隐含层节点数与不同神经网络结构两个方面。为保证模型具有良好的稳定性及预测性，引入逼近度概念[29]，定义如下：

式中为逼近误差，为逼近度，1、2分别为训练集和测试集的平均相对误差，1、2分别为训练集和测试集的样本数，为总样本数，为常数，用于调整逼近度的幅度。可见，越小，越大，则神经网络模型具有更好的预测性。

5.2.1 神经网络隐含层节点数对测试效果的影响

在构建神经网络时，增加隐层节点数可以在一定程度上提高测试精度，但会导致网络的复杂度增加。试验中，设置不同的隐含层节点数，利用上述样品集进行网络训练及测试，用以考察隐层节点数对测试效果的影响，参数设置同5.1节，试验结果如图8所示。

图8 隐含层节点数对测试效果的影响

5.2.2 基于不同神经网络结构的分类器测试效果比较

为验证PSO-BP多分类器在DOM组份测试中的可行性，分别建立RBF（Radial Basis Function，RBF）[29]、BP[30]、PSO-BP神经网络，完成对以上被测水体DOM组份的测试，均设置为3个分类器，隐层神经元个数为15，输入神经元个数为7，输出神经元个数为5，试验中，训练样本为50个，测试样本为20个，通过各算法的在线调整来获取具有优良测试效果的参数组合。

传统BP神经网络：学习速率为0.10，期望误差为0.001，隐层神经元为Sigmoid函数。PSO算法：最大进化代数为100，适应度函数为均方误差，加速系数122.05，惯性因子为0.90，粒子数为400，迭代次数为100，1、2为介于[0,1]之间的随机数。RBF神经网络：均方差精度为0.02；散布常数为1。最佳参数组合下的测试结果如图9所示，训练误差曲线（5次训练中的最优曲线）如图10所示。

图9 不同神经网络结构对不同来源水样DOM组份预测效果的影响

图10 神经网络对不同来源水样的训练误差曲线

由图9可见，针对4种水体，PSO-BP的预测正确率均最高，对4种水体的P2.n及P4.n组份测试的平均分类精度分别为87.50%、86.28%，BP的效果最差，RBF效果介于两者之间。由图10可见，当目标精度设置为0.001，各神经网络在不同水体测试中的训练速度均不同。其中，对于里运河水，PSO-BP、RBF、BP的训练步数分别为21、25和31步，对于洪泽湖水，训练步数分别为17、20和44步，公园景观湖水的训练步数分别为9、11和18步，校园景观湖水的训练步数分别为26、31和34步。总体来看，PSO-BP算法的测试分类精度最高，其学习训练速度也可以得到保证。由此可见，PSO-BP在基于光纤SPR传感器的DOM组份测试中具有较强的可行性，能够挖掘更深层次的被测量的交叉敏感性信息，确保在DOM组份测试中具有良好的预测能力。

6 结 论

基于单传感器的低选择交叉敏感性，并结合DOM组份的特点，提出基于光纤SPR传感及多分类器的水质DOM检测方案，并得到如下结论：

1）完成对光纤SPR传感器交叉敏感性的研究，通过对金属薄膜种类及厚度的影响分析，最终确定利用多模光纤镀以不同厚度的金膜，构成具有不同最佳测量点的光纤SPR传感器，其交叉敏感性更强，从而为实测过程提供更坚实的基础；

2）利用多模光纤，镀以55～85 nm的7种不同厚度的金膜，构成由7个SPR传感器组成的传感阵列；

3）利用群智能算法（PSO）训练BP神经网络，构建3个分类器，PSO-BP（波长）、PSO-BP（谱宽）、PSO-BP（光强），并完成对里运河（A）、洪泽湖（B）、公园景观湖（C）、校园景观湖（D）4种水体的5种DOM组份及其浓度的有效预测，试验结果表明，传感器组合F3的预测效果最好，最高正确率为85.00%，出现在洪泽湖水体的P2.n组份测试中；

4）对多分类器的结构参数进行分析，试验结果表明：隐层节点数取15为最佳参数，且在3种不同的神经网络结构中，基于PSO-BP的多分类器的测试精度最高，从而为光纤SPR传感器及多分类器在DOM组份预测应用中提供有效依据。

[1] Chen Z Y, Li S Y. Seasonal variation of DOM spectral characteristics of rivers with different urbanization levels in the three gorges reservoir Area[J]. Environmental Science, 2021, 42(1): 195-203.

[2] 李刚浩，范先鹏，夏颖，等. 三峡库区典型流域水质时空特征及污染防控策略[J]. 农业工程学报，2022，38(17)：118-126.

Li Ganghao, Fan Xianpeng, Xia Ying, et al. Spatio-temporal characteristics of water quality and pollution prevention strategies in typical watersheds in the Three Gorges reservoir areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(17): 118-126. (in Chinese with English abstract)

[3] Zhu J J, Zou N, Zhong H, et al. Spatiotemporal characteristics and its environmental application of dissolved organic matter (DOM) in sediments from Chao hu Lake a eutrophic lake[J]. Acta Scientiae Circumstantiae, 2020, 7: 2528-2538.

[4] Bi R, Lu Q, Yuan T, et al. Electrochemical and spectroscopic characteristics of dissolved organic matter in a forest soil profile[J]. Journal of Environmental Sciences, 2013, 10: 2093-2101.

[5] Yu B X, Zhang G C, Sun Y X, et al. Applying tow-dimensional correlation synchronous fluorescence spectroscopy to study DOM fractions in municipal sewage[J]. Environmental Pollution & Control, 2021, 6: 704-707.

[6] Bai X M, Li Y Z, Yao Z P, et al. Application progress of three-dimensional excitation emission matrix fluorescence spectroscopy in source tracing of water pollution[J]. Environmental Science & Technology, 2020, 1: 172-180, 193.

[7] Fan J, Li H, Shuang C, et al. Dissolved organic matter removal using magnetic anion exchange resin treatment on biological effluent of textile dyeing wastewater[J]. Journal of Environmental Sciences, 2014, 26(8): 1567-1574.

[8] 孙清轩，张莉，杨嘉春. 北运河上覆水DOM分子组成和结构特征[J]. 中国环境科学，2022，42(11)：5299-5307.

Sun Qingxuan, Zhang Li, Yang Jiachun. Compositional and structural characteristics of DOM molecules in the overlying water of the Beiyun River[J]. China Environmental Science, 2022, 42(11): 5299-5307. (in Chinese with English abstract)

[9] Li Y N, Xu H C, Jiang H L. Molecular weight distribution fluorescence characteristics of dissolved organic matter and their effect on the distribution of heavy metals of lake Poyang[J]. Journal of Lake Sciences, 2020, 32(4): 1029-1040.

[10] Zhang L K, Liu P Y, Qin X Q, et al. Migration and transformation of dissolved organic matter in karst water systems and an analysis of their influencing factors[J]. Environmental Science, 2018, 39(5): 2104-2116.

[11] Chepyzhenko A I, Chepyzhenko A A. Refractometric parametrization of weighted and dissolved components' qualitative composition in aqueous media: Methods and device for in situ monitoring[C]//26th International Symposium on Atmospheric and Ocean Optics, Atmospheric Physics, Moscow, Russian Federation: SPIE, 2020: 734-738.

[12] Kendir E, Yaltkaya Ş. Effect of temperature and wavelength on the refractive index of water: A fiber-optic sensor application[J]. Indian Journal of Physics, 2022, 96(4): 1247-1252.

[13] 郁城，张小军，梅光明，等. 基于多频大幅脉冲电子舌测定对虾中的焦亚硫酸钠含量[J]. 中国食品学报，2022，22(2)：328-336.

Yu Cheng, Zhang Xiaojun, Mei Guangming, et al. Determination of sodium metabisulfite content in shrimp by multi-frequency large amplitude pulse voltammetry electronic tongue[J]. Journal of Chinese Institute of Food Science and Technology, 2022, 22(2): 328-336. (in Chinese with English abstract)

[14] Wasilewski T, Migoń D, Gębicki J, et al. Critical review of electronic nose and tongue instruments prospects in pharmaceutical analysis[J]. Analytica Chimica Acta, 2019, 1077: 14-29.

[15] Guedes M D V, Marques M S, Guedes P C, et al. The use of electronic tongue and sensory panel on taste evaluation of pediatric medicines: A systematic review[J]. Pharmaceutical Development and Technology, 2021, 26(2): 119-137.

[16] 林华，张娴，朱晓松，等. 基于金属-介质-金属多层膜结构的空芯光纤折射率传感器[J].光学学报，2018，38(6)：77-85.

Lin Hua, Zhang Xian, Zhu Xiaosong, et al. Hollow fiber refractive index sensor based on metal dielectric metal multilayer structure[J]. Acta Optica Sinica, 2018, 38(6): 77-85. (in Chinese with English abstract)

[17] Mishra S K, Tripathi D C, Mishra A K. Metallic grating-assisted fiber optic SPR sensor with extreme sensitivity in IR region[J]. Plasmonics, 2022, 17(2): 575-579.

[18] Xiong M, Teng C, Chen M, et al. Simulation study of high sensitivity fiber SPR temperature sensor with liquid filling[J]. Sensors, 2022, 22(15): 5713.

[19] 马金英，刘铁根，江俊峰，等. 光纤表面等离子体共振传感灵敏度提高研究进展[J].中国激光，2021，48(19)：1906002.

Ma Jinying, Liu Tiegen, Jiang Junfeng, et al. Research progress in improving sensing sensitivity of optical fiber surface plasmon resonance[J]. Chinese Journal of Lasers, 2021, 48(19): 1906002. (in Chinese with English abstract)

[20] Jing J Y, Liu K, Jiang J F, et al. Performance improvement approaches for optical fiber SPR sensors and their sensing applications[J]. Photonics Research, 2022, 10(1): 126-147.

[21] Mumtaz F, Roman M, Zhang B, et al. A simple optical fiber SPR sensor with ultra-high sensitivity for dual-parameter measurement[J]. IEEE Photonics Journal, 2022, 14(5): 1-7.

[22] Jing J, Liu K, Jiang J, et al. Performance improvement approaches for optical fiber SPR sensors and their sensing applications[J]. Photonics Research, 2022, 10(1): 126-147.

[23] Liu W, Liu Z, Zhang Y, et al. Specialty optical fibers and 2D materials for sensitivity enhancement of fiber optic SPR sensors: A review[J]. Optics & Laser Technology, 2022, 152: 108167.

[24] Kendir E, Yaltkaya Ş. Effect of temperature and wavelength on the refractive index of water: A fiber-optic sensor application[J]. Indian Journal of Physics, 2022, 96(4): 1247-1252.

[25] Notton G, Voyant C, Fouilloy A, et al. Some applications of ANN to solar radiation estimation and forecasting for energy applications[J]. Applied Sciences, 2019, 9(1): 209.

[26] Zhang D, Lou S. The application research of neural network and BP algorithm in stock price pattern classification and prediction[J]. Future Generation Computer Systems, 2021, 115: 872-879.

[27] Shi Y, Eberhart R. A modified particle swarm optimizer[C]//1998 IEEE International Conference on Evolutionary Computation Proceedings, Anchorage, AK. USA: IEEE, 1998: 69-73.

[28] Zhang H, Zhang F, Li Z, et al. Characteristics of three dimensional fluorescence spectra and its correlation with water quality in Jinghe and Bortala River from Lake Ebinur's major inflow tributaries[J]. Journal of Lake Sciences, 2017, 29(5): 1112-1120.

[29] Deng Y, Zhou X, Shen J, et al. New methods based on back propagation (BP) and radial basis function (RBF) artificial neural networks (ANNs) for predicting the occurrence of haloketones in tap water[J]. Science of The Total Environment, 2021, 772: 145534.

[30] Jiang Q, Huang R, Huang Y, et al. Application of BP neural network based on genetic algorithm optimization in evaluation of power grid investment risk[J]. IEEE Access, 2019, 7: 154827-154835.

DOM detection of water based on fiber SPR sensors and multi-classifiers

Fu Lihui1, Dai Junfeng2※

(1.,,223003,; 2.,,223003,)

Dissolved organic material (DOM) has posed adverse impacts on the detection of water quality between different water pollutants. Once the total amount of DOM reaches a critical level, the explosive growth of algae can be induced by eutrophication in the water, leading to a more complicated composition. There is a more serious interference in the detection, as the DOM aggravated during this time. The previous research also shows that the effect of DOM is closely related to the total amount, and the components. It is a high demand to accurately measure the DOM components for effective water quality monitoring. Particularly, the DOM component measurement is highly required to effectively implement, due to the complex organic structure. For this reason, it is difficult for a single sensor to complete the complicated test of the total amount and components of DOM in water. In this study, the fiber sensing array was proposed to detect the DOM components using the non-specific selectivity of the fiber SPR sensor. The cross-sensitivity analysis was carried out to obtain the different SPR sensing arrays using the fiber SPR sensor. A field test was been realized by the SPR sensing array in large-scale water bodies. Particle Swarm Optimization (PSO) was selected to optimize the artificial neural network (ANN). As such, effective predictions were obtained for the five DOM components and their concentrations in four kinds of measured water. The SPR sensors were then prepared with different optimal refractive indices using multimode fiber and gold film with seven thicknesses of 55-85 nm. The optimal refractive index of each sensor was effectively distributed in the range of 1.33 to 1.43, according to the design requirements. Correspondingly, each sensor presented excellent sensitivity and linearity in the best measurement interval. The sensitive crossing-response was achieved in the measurement interval corresponding to other sensors through the wavelength, spectrum width, and light intensity. In terms of the classifier and intelligent algorithm, the global search PSO was used to train the BP-ANN, in order to avoid the local search easy to fall into the local extremum. After that, the DOM water sample was prepared to determine the DOM components in the water body. The SPR effect was realized to measure the refractive index using a sensing array. The artificial intelligence network BP-ANN was trained by the PSO. Three classifiers were then constructed, including the PSO-BP (wavelength), PSO-BP (spectral width), and PSO-BP (light intensity). The comprehensive training was verified by the resonance wavelength, spectral width and light intensity of the SPR effect in the tested water. Therefore, five DOM components were tested, including the tyrosine proteins, tryptophan proteins, fulvic acid, soluble microbial metabolites, and humic acids of Outer Canal (A), Hongze Lake (B), Park Landscape Lake (C) and Campus Landscape Lake (D). The highest recognition rate was up to 85% from the samples of P2.n in Hongze Lake (B), indicating the excellent prediction of DOM components. Anyway, the PSO-BP multi-classifiers can be expected to mine the cross-sensitivity information by the SPR sensor. The finding can provide a new idea for the application of fiber SPR sensors and multi-classifiers using cross-sensitivity analysis.

sensor; water quality; multi-classifiers; cross sensitivity; fiber SPR sensor; DOM component detection; PSO-BP network

10.11975/j.issn.1002-6819.2022.22.014

TP212

A

1002-6819(2022)-22-0133-08

付丽辉，戴峻峰. 光纤SPR传感器结合多分类器的水体DOM检测[J]. 农业工程学报，2022，38(22)：133-140.doi：10.11975/j.issn.1002-6819.2022.22.014 http://www.tcsae.org

Fu Lihui, Dai Junfeng. DOM detection of water based on fiber SPR sensors and multi-classifiers[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(22): 133-140. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.22.014 http://www.tcsae.org

2022-08-08

2022-11-12

国家自然科学基金项目（62141502）；江苏省建设系统科技项目（2019ZD0064）；淮安市“1111”工程合作项目（Z413H22507）

付丽辉，博士，副教授，研究方向为光学传感器技术、模式识别及智能控制。Email：flh3650326@163.com

戴峻峰，副教授，研究方向为检测传感技术、模式识别及智能控制。Email：djf0495_cn@163.com