基于支持向量機(jī)回歸的3種常見有毒赤潮藻熒光識(shí)別技術(shù)?

齊曉麗， 吳珍珍， 張傳松， 蘇榮國(guó)， 石曉勇

(中國(guó)海洋大學(xué)海洋化學(xué)理論與工程技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，山東 青島 266100)

?

基于支持向量機(jī)回歸的3種常見有毒赤潮藻熒光識(shí)別技術(shù)?

齊曉麗， 吳珍珍， 張傳松， 蘇榮國(guó)??， 石曉勇

(中國(guó)海洋大學(xué)海洋化學(xué)理論與工程技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，山東 青島 266100)

本文基于色素萃取液三維熒光光譜(EEM)，利用支持向量機(jī)技術(shù)建立了3種常見有毒赤潮藻的熒光識(shí)別分析技術(shù)。選取3種有毒浮游藻在不同光照條件下進(jìn)行培養(yǎng)，獲得其色素萃取液的三維熒光光譜(EEM)；利用Daubechies7(db7)小波對(duì)浮游藻色素萃取液EEM進(jìn)行分解，并利用Bayesian判別分析選擇最佳識(shí)別特征光譜；利用支持向量機(jī)回歸建立有毒赤潮藻的熒光識(shí)別分析技術(shù)。該技術(shù)對(duì)單種藻的識(shí)別正確率為100%，對(duì)于88個(gè)測(cè)試集混合樣品，當(dāng)赤潮藻相對(duì)含量為10%、20%、30%、40%、60%、80%和90%時(shí)，海洋卡盾藻的識(shí)別正確率分別為66.7%、66.7%、100.0%、100.0%、100.0%、100.0%和100.0%，東海原甲藻的識(shí)別正確率分別為50%、100%、100%、100%、100%、100%和100%，球形棕囊藻的識(shí)別正確率分別為0.0%、50.0%、25.0%、60.0%、100.0%、100.0%和100.0%?？梢?，當(dāng)3種有毒赤潮藻相對(duì)含量處于較低水平，也即處于赤潮發(fā)展期時(shí)，該技術(shù)就可對(duì)其快速進(jìn)行準(zhǔn)確的識(shí)別測(cè)定。

三維熒光光譜；有毒赤潮藻；db7小波；支持向量機(jī)回歸

赤潮是指海洋生物特別是單細(xì)胞藻類在一定的環(huán)境條件下迅速增殖、積聚從而導(dǎo)致海水變色的一種自然現(xiàn)象[1]。赤潮生物對(duì)海洋生態(tài)環(huán)境、海洋生物資源以及近海養(yǎng)殖業(yè)等均產(chǎn)生了極大的負(fù)面影響，其中有毒赤潮藻的影響尤為嚴(yán)重。海洋中可引發(fā)赤潮的有毒赤潮藻為80種左右[2]。有毒赤潮藻的過度生長(zhǎng)危害海洋食品安全以及社會(huì)經(jīng)濟(jì)發(fā)展，已成為全球共同關(guān)注的重大海洋環(huán)境問題。近年來，中國(guó)近海海域有毒赤潮藻爆發(fā)頻率逐年上升[3]，對(duì)有毒赤潮藻進(jìn)行早期檢測(cè)對(duì)于維持海洋生態(tài)系統(tǒng)的穩(wěn)定性、保護(hù)人類的生命健康有重要的作用。目前，常用的浮游藻鑒別方法有顯微鏡計(jì)數(shù)法、圖象識(shí)別技術(shù)、色素分析法、熒光光譜技術(shù)等[4-8]。其中，熒光光譜技術(shù)易實(shí)現(xiàn)現(xiàn)場(chǎng)測(cè)定、對(duì)物質(zhì)具有良好的鑒別性，成為浮游藻群落組成分析方法的首選。1998年，Seppaelae等[9]基于主要輔助色素?zé)晒夥鍙?qiáng)度，將浮游藻分為4類進(jìn)行識(shí)別測(cè)定。張翠等[10-13]利用浮游藻三維熒光光譜(EEM)結(jié)合小波分析，實(shí)現(xiàn)了7個(gè)門類浮游藻的識(shí)別測(cè)定。P.A.staehr等[14]利用吸收光譜與偏最小二乘回歸建立了有毒赤潮藻米氏凱倫藻(Kareniamikimotoi)的識(shí)別分析技術(shù)。東海原甲藻(Prorocentrumdonghaiense)、海洋卡盾藻(Chattonellamarine)以及球形棕囊藻(Phaeocystisglobosa)是我國(guó)近海常見的有毒赤潮藻。然而，針對(duì)這3種有毒赤潮藻的識(shí)別分析技術(shù)鮮有報(bào)道。

支持向量機(jī)(SVM)以結(jié)構(gòu)風(fēng)險(xiǎn)化最小原則為基礎(chǔ)，用來解決分類和回歸問題的新的數(shù)據(jù)挖掘技術(shù)，在數(shù)據(jù)挖掘、預(yù)測(cè)、人臉及語音識(shí)別等方面均得到了廣泛應(yīng)用[15-16]。支持向量機(jī)回歸是把線性的回歸轉(zhuǎn)為非線性，計(jì)算的復(fù)雜性取決于支持向量機(jī)的數(shù)目，不是樣本空間的維數(shù)，從一定層面上避免了維數(shù)災(zāi)難的問題，且算法能夠?qū)崿F(xiàn)全局最優(yōu)。張成成等[17]針對(duì)太湖梅梁灣建立的葉綠素a的支持向量機(jī)回歸模型，實(shí)測(cè)值和預(yù)測(cè)值的相關(guān)性系數(shù)達(dá)到了0.941。魏國(guó)等[18]利用支持向量回歸方法實(shí)現(xiàn)多功能傳感器信號(hào)重構(gòu)，同時(shí)獲得三元溶液中各成分的濃度估計(jì)值，得到測(cè)試數(shù)據(jù)集氯化鈉濃度和蔗糖濃度的平均絕對(duì)誤差分別為0.100615和0.100369mol/kg。表明了支持向量機(jī)回歸在復(fù)雜樣品分析中的應(yīng)用潛力。

本文基于浮游藻色素萃取液三維熒光光譜，利用小波分析及支持向量機(jī)回歸建立了3種有毒赤潮藻的熒光識(shí)別分析技術(shù)，以實(shí)現(xiàn)有毒赤潮藻的快速、低成本測(cè)定。

1 材料與方法

1.1 藻種的選擇與培養(yǎng)

選擇3種近海常見有毒赤潮藻(見表1)進(jìn)行實(shí)驗(yàn)室培養(yǎng)。設(shè)置培養(yǎng)溫度為20℃；光照強(qiáng)度為6000lux和12000lux；光暗比為12h∶12h，培養(yǎng)周期為12d，每4d取一次樣進(jìn)行熒光測(cè)定，每個(gè)藻種需要平行培養(yǎng)2份，共獲得36個(gè)單種藻樣品。所有藻種均由中國(guó)海洋大學(xué)海洋污染生態(tài)化學(xué)實(shí)驗(yàn)室提供。

表1 實(shí)驗(yàn)所選用的3種有毒赤潮藻

藻種培養(yǎng)過程中，收集進(jìn)入生長(zhǎng)平穩(wěn)期的藻種，獲得色素萃取液，使用Shimadzu UV-2550紫外-可見分光光度計(jì)(日本島津公司)，測(cè)定色素萃取液的吸收光譜，將3種有毒赤潮藻分別與6種浮游藻，威氏海鏈藻(Thalassiosiraweissflogii)、旋轉(zhuǎn)海鏈藻(Thalassiosiracurviseriata)、圓海鏈藻(Thalassiosirarotula)、簡(jiǎn)裸甲藻(Gymnodiniumsimplex)、隱藻(Rhodomonassp.CCMP1533)和洛氏角毛藻(Chaetoceroslorenzianus)按照葉綠素濃度比1∶9、1∶4、3∶7、2∶3、3∶2、7∶3、4∶1、9∶1進(jìn)行兩兩混合，得到浮游藻色素萃取液混合樣品193個(gè)。這6種浮游藻均為中國(guó)近海常見優(yōu)勢(shì)藻。

1.2 三維熒光光譜數(shù)據(jù)的獲得

設(shè)置激發(fā)波長(zhǎng)和發(fā)射波長(zhǎng)范圍分別為：350～700nm和600～750nm，設(shè)置步長(zhǎng)和狹縫寬度均為5nm，設(shè)置掃描速度為80nm/s，信號(hào)積分時(shí)間為0.05s。使用1cm石英比色皿取樣，使用Fluorolog3-11熒光分光光度計(jì)(JobinYvon，F(xiàn)rance)測(cè)量，得到浮游藻色素萃取液的三維熒光光譜。

1.3 色素萃取液三維熒光光譜的預(yù)處理

在分解之前首先使用三角形內(nèi)插值法[19]去除三維熒光光譜中的Rayleigh散射，從而提高熒光光譜解析效率。并將去除散射后的EEM數(shù)據(jù)降維、歸一化處理。

1.4 db7小波分解

db7小波是具有正交性以及支集長(zhǎng)度和濾波器長(zhǎng)度為2N-1的小波函數(shù)，用于浮游藻色素萃取液熒光光譜的分解，得到尺度分量和小波分量。

1.5 支持向量機(jī)回歸

支持向量機(jī)是在統(tǒng)計(jì)學(xué)理論基礎(chǔ)上發(fā)展出的一種新的機(jī)器學(xué)習(xí)方法,對(duì)于小樣本、非線性和高維空間的模式識(shí)別準(zhǔn)確程度較高。將支持向量機(jī)推廣到非線性系統(tǒng)的回歸估計(jì),成為一種新的定量預(yù)測(cè)方法，稱為支持向量機(jī)回歸。該方法的基本思想是：將數(shù)據(jù)通過一個(gè)非線性映射,映射到高維特征空間,并在這個(gè)空間進(jìn)行線性回歸。SVR的回歸模型為：

2 結(jié)果與討論

2.1 db7小波對(duì)赤潮藻色素萃取液熒光光譜的分解

小波分析是一個(gè)通過提取和凸顯光譜或圖像信號(hào)特征對(duì)目標(biāo)進(jìn)行自動(dòng)識(shí)別的具有較強(qiáng)抗干擾能力的非常有效的工具。小波特征譜定義為原始熒光光譜在小波空間的投影，每個(gè)小波空間上的投影為小波特征譜的特征段。本文選擇具有緊支撐、正交性的db7小波函數(shù)，將歸一化后的浮游藻色素萃取液熒光光譜進(jìn)行小波分解，得到不相關(guān)的系列尺度分量Ca(n)和小波分量Cd(n)。以東海原甲藻(Pr)為例，熒光光譜被逐層分解為尺度分量和小波分量(見圖1)，可以看出，第一層和第二層的尺度分量均受到較強(qiáng)的高頻噪聲干擾，光譜特異性較差；第三層之后的分量噪聲干擾小，光譜特征明顯。因此，選擇第3～6層尺度分量和小波分量作為備選特征譜。

(Cd1～Cd6代表第一層到第六層小波分量；Ca1～Ca6代表第一層到第六層尺度分量。Cd1～Cd6 stands for the first to sixth wavelet vectors； Ca1～Ca6 stands for the first to sixth scale vectors.)

圖1 db7小波函數(shù)對(duì)東海原甲藻色素萃取液熒光光譜分解示意圖

Fig.1 The fluorescence spectrum ofPrdecomposed by db7 wavelet

2.2 浮游藻色素萃取液熒光特征譜的選擇

Bayesian判別分析的基本思想是[21]：假設(shè)在抽樣前對(duì)研究的對(duì)象已經(jīng)有一定的認(rèn)識(shí)，首先用先驗(yàn)分布來描述這種認(rèn)識(shí)，然后根據(jù)抽取的樣本對(duì)先驗(yàn)認(rèn)識(shí)進(jìn)行修正，從而得到后驗(yàn)分布，最后根據(jù)后驗(yàn)分布進(jìn)行各種統(tǒng)計(jì)推斷。本文采用Bayesian判別分析法選擇最佳特征譜，將備選特征譜(3～6層尺度分量和小波分量)進(jìn)行Bayesian判別分析，根據(jù)平均錯(cuò)誤判別率選擇最佳特征譜。結(jié)果如圖2所示，圖中橫坐標(biāo)表示熒光特征譜的數(shù)目，縱坐標(biāo)表示浮游藻的分類，散點(diǎn)表示識(shí)別錯(cuò)誤的光譜。

(Cd3～Cd6代表第三層到第六層小波分量；Ca3～Ca6代表第三層到第六層尺度分量。Cd3～Cd6 stands for the third to sixth wavelet vectors；Ca3～Ca6 stands for the third to sixth scale vectors.)

圖2 Bayesian判別分析單種藻特征分量結(jié)果

Fig.2 The Bayesian discriminant analysis of single-algae species

對(duì)單種藻的判別效果，Ca3的平均錯(cuò)誤判別率為0.0%，Ca4的平均錯(cuò)誤判別率為8.3%，Ca5的平均錯(cuò)誤判別率為8.3%，Ca6的平均錯(cuò)誤判別率為25.0%，Cd3的平均錯(cuò)誤判別率為0.2%，Cd4的平均錯(cuò)誤判別率為8.3%，Cd5的平均錯(cuò)誤判別率為8.3%，Cd6的平均錯(cuò)誤判別率為33.0%。因此，選擇第三層尺度分量(Ca3)的特征譜來構(gòu)建浮游藻色素萃取液的熒光識(shí)別特征譜庫(kù)。

2.3 建立小波分解-支持向量機(jī)回歸識(shí)別分析模型

選擇第一培養(yǎng)平行樣的18個(gè)單種藻樣品及不同濃度梯度的105個(gè)混合樣品作為訓(xùn)練集，第二培養(yǎng)平行樣的18個(gè)單種藻樣品及不同濃度梯度的88個(gè)混合樣品作為測(cè)試集。用支持向量機(jī)回歸建立3種有毒浮游藻的識(shí)別測(cè)定模型，利用網(wǎng)格尋優(yōu)法優(yōu)化參數(shù)，得到懲罰系數(shù)C=8192;核函數(shù)系數(shù)g=0.0313。最后，根據(jù)優(yōu)化參數(shù)建立支持向量機(jī)回歸模型，對(duì)測(cè)試集樣品進(jìn)行預(yù)測(cè)分析，計(jì)算得到測(cè)試集的最大均方根誤差為2.7%。

利用所建立的技術(shù)對(duì)3種有毒赤潮藻樣品進(jìn)行識(shí)別分析，將預(yù)測(cè)含量與實(shí)際含量進(jìn)行比對(duì)，如果有毒藻種實(shí)際含量高于另一藻種，而預(yù)測(cè)含量也相應(yīng)較高，即為識(shí)別正確。結(jié)果如下：?jiǎn)畏N藻樣品的平均識(shí)別正確率為100%，海洋卡盾藻(Chattonellamarine)識(shí)別的含量范圍為94.0%～100.0%；東海原甲藻(Prorocentrumdonghaiense)識(shí)別的含量范圍為99.0%～101.0%；球形棕囊藻(Phaeocystisglobosa)識(shí)別的含量范圍為89.0%～100.0%。對(duì)88個(gè)測(cè)試集混合樣品，如表2所示：海洋卡盾藻(Chattonellamarine)含量在10%、20%、30%、40%、60%、80%、90%時(shí)的平均識(shí)別正確率為66.7%、66.7%、100.0%、100.0%、100.0%、100.0%、100.0%，其含量高于40%時(shí)即可被正確識(shí)別。東海原甲藻(Prorocentrumdonghaiense)在相同含量水平上的識(shí)別正確率為50%、100%、100%、100%、100%、100%、100%，其含量高于20%時(shí)全部識(shí)別正確。球形棕囊藻(Phaeocystisglobosa)在相同含量水平上的識(shí)別正確率為0.0%、50.0%、25.0%、60.0%、100.0%、100.0%、100.0%，其含量高于60%時(shí)全部識(shí)別正確?；旌蠘悠穼?shí)際含量與預(yù)測(cè)含量之間的關(guān)系如圖3，球形棕囊藻(Phaeocystisglobosa)實(shí)際含量與預(yù)測(cè)含量線性相關(guān)性系數(shù)R2=0.9104，海洋卡盾藻(Chattonellamarine)實(shí)際含量與預(yù)測(cè)含量線性相關(guān)性系數(shù)R2=0.8099；東海原甲藻(Prorocentrumdonghaiense)實(shí)際含量與預(yù)測(cè)含量線性相關(guān)性系數(shù)R2=0.6016，當(dāng)其含量超過60%時(shí)，實(shí)際含量與預(yù)測(cè)含量之間具有較好的線性相關(guān)性。

由實(shí)驗(yàn)結(jié)果可知，該技術(shù)對(duì)海洋卡盾藻(Chattonellamarine)、東海原甲藻(Prorocentrumdonghaiense)的實(shí)驗(yàn)室混合樣品識(shí)別結(jié)果較好，在這2種有毒赤潮藻含量達(dá)到30%時(shí)即可完全被正確識(shí)別；對(duì)球形棕囊藻(Phaeocystisglobosa)的混合樣品，在60%含量時(shí)才能被完全正確識(shí)別。實(shí)驗(yàn)所用藻種在不同光照條件下培養(yǎng)，且3種有毒赤潮藻分別與6種其他常見優(yōu)勢(shì)藻進(jìn)行了混合，分析表明，所用光照強(qiáng)度、共存藻的類別及赤潮藻生長(zhǎng)期對(duì)赤潮藻的識(shí)別沒有明顯影響。

表2 88個(gè)實(shí)驗(yàn)室混合樣品的識(shí)別分析結(jié)果

(a.球形棕囊藻(Cg)實(shí)際含量與預(yù)測(cè)含量相關(guān)性分析；b.海洋卡盾藻(Cm)實(shí)際含量與預(yù)測(cè)含量相關(guān)性分析；c.東海原甲藻(Pr)實(shí)際含量與預(yù)測(cè)含量相關(guān)性分析。a.Relationships between the predicted and measured content of Cg； b.Relationships between the predicted and measured content of Cm； c.Relationships between the predicted and measured content of Pr.)

圖3 混合藻種樣品實(shí)際含量與預(yù)測(cè)含量的相關(guān)性

Fig.3 Relationships between the predicted and measured results of mixtures

3 結(jié)語

本文針對(duì)我國(guó)近海常見3種有毒赤潮浮游藻，基于浮游藻色素萃取液三維熒光光譜，利用Db7小波和支持向量機(jī)回歸建立了熒光識(shí)別技術(shù)。該技術(shù)對(duì)單種藻的平均識(shí)別正確率達(dá)到100.0%，對(duì)于3種有毒浮游藻的混合樣品，在其相對(duì)含量高于60%時(shí)，識(shí)別正確率也達(dá)到100%。球形棕囊藻(Phaeocystisglobosa)、海洋卡盾藻(Chattonellamarine)、東海原甲藻(Prorocentrumdonghaiense)預(yù)測(cè)含量與實(shí)際含量的線性相關(guān)性系數(shù)分別為0.9104、0.8099、0.6016。特別是當(dāng)3種有毒赤潮藻的相對(duì)含量超過60%時(shí)，預(yù)測(cè)含量與實(shí)際含量之間具有更好的線性相關(guān)性。此技術(shù)可為3種有毒浮游藻的現(xiàn)場(chǎng)快速監(jiān)測(cè)提供技術(shù)支持。

[1] 陸斗定. 全球赤潮生態(tài)學(xué)與海洋學(xué)(GEOHAB)國(guó)際合作計(jì)劃[J]. 東海海洋, 2002, 20(10): 60-64. Lu D D. Global Ecology and Oceanography of Harmful AlgalBlooms(GEOHAB)international partnership[J]. Donghai Marine Science， 2002, 20(10): 60-64.

[2] 杜偉, 陸斗定. 有毒赤潮藻及其毒素的危害與檢測(cè)[J]. 海洋學(xué)研究, 2008, 26(2): 89-97. Du W, Lu D D. Harmful effects and detection of toxic algae and their algal toxins [J]. Journal of Marine Sciences, 2008, 26(2): 89-97.

[3] 林鳳翱, 關(guān)春江, 盧興旺. 近年來全國(guó)赤潮監(jiān)控工作的成效以及存在問題與建議[J]. 海洋環(huán)境科學(xué), 2010, 29(1): 148-151. Lin F A, Guan C J, Lu X W. Effects of red tide events monitoring, existence questions and suggestions in coastal areas in recent years in China [J]. Marine Environmental Science, 2010, 29(1): 148-151.

[4] Pech-Pacheco J L, Alvarez-Borrego. Optical-digital system applied to the identification of five phytoplankton species [J]．Marine Biology, 1998, 132(3): 357-365.

[5] Lynne Boddy, Morris C W, Wilkins M F, et al. Identification of 72 phytoplankton species by radial basis function neural network analysis of flow cytometric data [J]. Marine Ecology Progress Series, 2000, 195: 47-59.

[6] Mackey M D, Mackey D J, Higgins H W, et al. CHEMTAX-aprogram for estimating class abundances from chemcal markers：Application to HPLC measurements of phytoplankton [J]. Marine Ecology Progress Series, 1996, 144(195): 265-283.

[7] Galluzzi L, Penna A, Bertozzini E, et al. Development of a real-time PCR assay for rapid detection and quantification of Alexandriumminutum (a dinoflagellate)[J]. Applied and Environmental Microbiology, 2004, 70(2): 1199-1206.

[8] Yentsch C S, Phinney D A. Spectral fluorescence: An taxonomic tool for studying the structure of phytoplankton populations [J]. Journal of Plankton Research, 1985, 7(5): 617-632.

[9] Sepp01l01 J, Balode M. The use of spectral fluorescence methods to detect changes in the phytoplankton community[J]. Hydrobiologia, 1997, 363(1-3): 207-217(11).

[10] 張芳. 基于小波分析的東海浮游藻種類的熒光光譜識(shí)別技術(shù)研究[D]. 青島: 中國(guó)海洋大學(xué), 2008. Zhang F. Studies on the Identification of the Excitation-Emission Matrices of Phytoplankton in the East China Sea Based on Wavelet Analysis[D]. Qingdao: Ocean University of China, 2008.

[11] Zhang F, Su R G, Wang X L, et al. A fluorometric method for the discrimination of harmful algal bloom species developed by wavelet analysis[J]. Journal of Experimental Marine Biology and Ecology, 2009, 368: 37-43.

[12] Zhang F, SuR G, He J, et al. Identifying phytoplankton in seawater based on discrete excitation-emission fluorescence spectra 69[J]. Journal of Phycology, 2010, 46(2): 403-411.

[13] 張芳, 蘇榮國(guó), 王修林, 等. 浮游藻熒光特征提取及識(shí)別測(cè)定技術(shù)[J]. 中國(guó)激光, 2008, 35(12): 2052-2059. Zhang F, Su R G, Wang X L, et al. Fluorescence characteristics extraction and differentiation of phytoplankton[J]. Chinese J Lasers, 2008, 35(12): 2052-2059.

[14] Staehr P A, Cullen J J. Detection of Kareniamikimotoi by spectral absorption signatures[J]. Journal of Plankton Research, 2003, 25(10): 1237-1249.

[15] 張學(xué)工. 關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論和支持向量機(jī)[J]. 自動(dòng)化學(xué)報(bào), 2000, 26(1): 32-42. Zhang X G. Introduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica, 2000, 26(1): 32-42.

[16] 方輝, 艾青. 支持向量機(jī)訓(xùn)練及分類算法研究[J]. 大慶師范學(xué)院學(xué)報(bào), 2009, 29(3): 85-88. Fang H, Ai Q. Research on classification algorithm of support vector machine and it′s training[J]. Journal of Daqimg Normal University, 2009, 29(3): 85-88.

[17] 張成成, 陳求穩(wěn), 徐強(qiáng), 等. 基于支持向量機(jī)的太湖梅梁灣葉綠素a濃度預(yù)測(cè)模型[J]. 環(huán)境科學(xué)學(xué)報(bào), 2013, 33(10): 2856-2861. Zhang C C, Chen Q W, Xu Q, et al． 2013． A chlorophyll-a prediction model for Meiliang bay of Taihu based on support vector machine[J]. Act Scientiae Circumstantiae, 2013, 33(10): 2856-2861.

[18] 魏國(guó), 劉昕, 孫金瑋, 等. 基于支持向量回歸的三元溶液濃度重構(gòu)算法研究[J]. 電子學(xué)報(bào), 2008, 36(4): 695-700. Wei G, Liu X, Sun J W, et al. Support vector regression based reconstruction algorithm for concentrations of ternary solution[J]. Acta Electronica Sinica, 2008, 36(4): 695-700.

[19] Zepp R G, Sheldon W M, Moran M A. Dissolved organic fluorophores in southeeastern US coastal waters: Correction method for eliminating Rayleigh and Raman scattering peaks in excition-emission matrices[J]. Marine Chemistry, 2004, 89: 15-36.

[20] 許建華, 張學(xué)工. VAPNIK V N. 統(tǒng)計(jì)學(xué)習(xí)理論[M]. 北京: 電子工業(yè)出版社, 2004 : 61. Xu J H, Zhang X G. VAPNIK V N. Statistical Learning Theory[M]. Beijing: Publishing House of Electronics Industry, 2004 : 61.

[21] 范金城, 梅長(zhǎng)林. 數(shù)據(jù)分析[M]. 北京: 科學(xué)出版社, 2002. Fan J C, Mei C L. Data Analysis[M]. Beijing: Science Press, 2002.

責(zé)任編輯 徐 環(huán)

A Fluorescence Technology for Discriminating Toxic Algae by Support Sector Machine Regression

QI Xiao-Li, WU Zhen-Zhen, ZHANG Chuan-Song, SU Rong-Guo, SHI Xiao-Yong

(The Key Laboratory of Marine Chemistry Theory and Technology, Ministry of Education, College of Chemistry and Chemical Engineering, Ocean University of China, Qingdao 266100, China)

In recent years, toxic algae blooms had occurred frequently and the corresponding detecting technique for toxic algae was in urgent need. In this study, the discrimination technique for 3 toxic algae was developed by fluorescence excitation-emission matrixes(EEMs) and support vector regression (SVR). Firstly, the algae were cultured and EEMs of the algae pigment extracts were measured. Secondly, the EEMs were decomposed by db7 wavelet analysis and Bayesian discriminant analysis (BDA) was used to select the discriminating characteristic spectra from the scale vectors. Finally, the fluorescence discrimination method for 3 toxic algae were developed by SVR. When the developed method was used for single-algae samples, the average correctly discriminated ratio(CDR) was 100%. For 88 mixtures, when their relative percentage contents were 10%、20%、30%、40%、60%、70%、80% and 90%, CDRs forChattonellamarinewere 66.7%、66.7%、100.0%、100.0%、100.0%、100.0%、100.0% and 100.0%, that forProrocentrumdonghaiensewere 50.0%、100.0%、100.0%、100.0%、100.0%、100.0%、100.0% and 100.0% and that forPhaeocystisglobosawere 0.0%、50.0%、25.0%、60.0%、100.0%、100.0%、100.0% and 100.0%, respectively. The technique would be useful when low-cost and rapid method was needed for monitoring toxic algae blooms in the developing period.

fluorescence excitation-emission matrix; toxic algae; Daubechies7; support vector regression

國(guó)家自然科學(xué)基金項(xiàng)目(41376106)；國(guó)家科技重大專項(xiàng)項(xiàng)目(2012ZX07501)；山東省自然科學(xué)基金項(xiàng)目(ZR2013DM017)資助 Supported by Natural Science Foundation of China(41376106); National Science and Technology Major Project(2012ZX07501); Natural Science Foundation of Shandong Province(ZR2013DM017)

2015-07-02；

2015-08-27

齊曉麗(1989-)，女，碩士生。E-mail:15192538791@163.com

?? 通訊作者：E-mail： surongguo@ouc.edu.cn

N34

A

1672-5174(2016)12-073-08

10.16441/j.cnki.hdxb.20150242

齊曉麗， 吳珍珍， 張傳松， 等. 基于支持向量機(jī)回歸的3種常見有毒赤潮藻熒光識(shí)別技術(shù)[J]. 中國(guó)海洋大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 46(12): 73-80.

QI Xiao-Li, WU Zhen-Zhen, ZHANG Chuan-Song， et al. A fluorescence technology for discriminating toxic algae by support sector machine regression[J]. Periodical of Ocean University of China, 2016, 46(12): 73-80.