一种多层深度学习模型驱动的水质参数测量方法

本发明公开了一种多层深度学习模型驱动的水质参数测量方法，通过融合CNN(卷积核3×1，核数32/64)、BiLSTM(隐藏节点30～60)和Attention机制，结合WOA超参数优化(学习率0.001～0.01)，实现COD、总氮(TN)、总磷(TP)、硝态氮(NO<Sub>3</Sub><Sup>‑</Sup>‑N)、亚硝态氮(NO<Sub>3</Sub><Sup>‑</Sup>‑N)、氨氮(NH<Sub>3</Sub>‑N)、浊度(Turbidity)及色度(Colority)等关键水质参数的高精度测量。该方法采用Savitzky‑Golay滤波(窗口11，阶3)去噪，归一化预处理增强数据质量，10折交叉验证与Adam优化器提升模型鲁棒性，解决了传统模型对复杂光谱时序数据适应性差的问题，适用于水质快速在线监测。