海水硝酸盐传感器的紫外光谱信号智能化校正方法

1.海水硝酸盐传感器的紫外光谱信号智能化校正方法，其特征在于，包括以下步骤：步骤一、配制若干不同浓度的硝酸盐海水溶液样品，计算不同温度下每个样品的吸光度数据；步骤二、对步骤一中获得的吸光度数据采用自适应小波去噪算法进行预处理，处理后的数据记为 ；步骤三、对波长范围240-260nm内的数据 进行线性拟合，得到线性方程；经基线校正后得到的吸光度数据为 ，确定为溴离子的吸光度；步骤四、计算溴离子的摩尔消光系数 ，并求取溴离子的摩尔消光系数的自然对数 与温度 的线性关系式： ； ；式中， 是温度响应的斜率； 为光程长度， 为盐度； 为校准温度；步骤五，将 进行插值并分段拟合得到拟合斜率 ，进而对 进行温度校正： ；其中， 是经过基线校正的低硝酸盐海水的摩尔消光系数，也就是基线校正后溴离子的摩尔消光系数； 是温度校正后溴离子的摩尔消光系数；步骤六、利用盐度可信因子 ，对步骤五中经过温度校正的 进行盐度校正，最终得到温盐校正后的溴离子吸光度 ： 。 2.根据权利要求1所述的海水硝酸盐传感器的紫外光谱信号智能化校正方法，其特征在于，步骤五中，在210nm-240nm的波长范围内，以0.5nm为步长生成一系列均匀分布的波长点，并将 插值到这些波长点上；通过1D-CNN和小波变换提取 的局部相关性与噪声特征，计算一阶/二阶差分强化趋势，对 特征增强。 3.根据权利要求2所述的海水硝酸盐传感器的紫外光谱信号智能化校正方法，其特征在于，采用结合神经网络的混合模型将斜率 分段拟合为 ，具体包括：（1）210-230nm：深度神经网络动态生成多项式系数，拟合 ： ； ；其中，系数 由深度神经网络根据 动态生成；（2）230-240nm：根据 趋势自适应选择线性/非线性拟合模型，拟合 ：线性拟合模型： ；其中， ，系数 由 CNN 提取 局部趋势确定；非线性拟合模型： ；其中，系数 ， 由深度神经网络根据 动态生成。 4.根据权利要求3所述的海水硝酸盐传感器的紫外光谱信号智能化校正方法，其特征在于，当 波动幅度 >0.1 时，采用非线性拟合模型；当 波动幅度≤0.1 时，采用线性拟合模型。 5.根据权利要求1所述的海水硝酸盐传感器的紫外光谱信号智能化校正方法，其特征在于，步骤六中，盐度可信因子采用高斯衰减函数形式： ；其中， 为盐度基准值； 为盐度自然变异的尺度参数； 为最大衰减幅度。 6.根据权利要求5所述的海水硝酸盐传感器的紫外光谱信号智能化校正方法，其特征在于，基于实时测量数据更新盐度基准值 ： ；其中 为最近100次有效测量的盐度均值， 为学习率。 7.根据权利要求1-6任一项所述的海水硝酸盐传感器的紫外光谱信号智能化校正方法，其特征在于，步骤一中配置的硝酸盐海水溶液样品中，硝酸盐的浓度小于0.1 µmol/kg。