海上溢油事故引起的石油污染使海洋、大气自然环境、生态资源受到严重的损害,因此实时地、正确地鉴别溢油的种类对溢油的处理具有重大意义。神经网络在模式识别中发挥着重要作用,通过认真分析对比国内外已有的溢油识别方法,本文选用神经网络来鉴别激光诱导荧光光谱的种类,并建立相应的数学模型。 在神经网络众多的模型中,通过解析实验获取的不同种类油的荧光光谱的特征,本文选择了两种神经网络模型,分别为误差反传(BP)网络和学习矢量量化(LVQ)网络。选择这两种模型的原因在于,BP网络是至今为止应用最广泛的神经网络,它可以以任意精度逼近任何非线性函数,但BP网络也有自身的缺陷,如容易陷入局部极小点而得不到全局最优、训练次数多使得学习效率低,收敛速度慢等,所以本文又将LVQ网络应用到溢油识别中,并用实验获取的已知物质的64频道激光诱导荧光光谱样本作为网络的输入,将物质所属的类别作为输出,分别对这两种网络进行训练,训练结束后,在相同的条件下,利用待识别的荧光光谱数据对两种模型的识别结果进行比较,结果表明,当选用BP网络,拓扑结构为64-40-1时,收敛的次数为3259,识别正确率为81.65%;当选用LVQ网络,拓扑结构为64-70-8时,收敛的次数为373,识别正确率为90.53%;当LVQ网络结构变为64-150-8时,收敛的次数为455,识别正确率为92.3%,当再增加网络隐层节点数时,网络性能没有显著提高,但是计算量却大大增加,训练速度减慢,所以对LVQ网络而言,选择150个隐层节点是较为合适的。以上这些表明LVQ网络在溢油的识别正确率和识别速度方面均优于BP网络。因此,LVQ网络具有很好的模式分类识别特性,在溢油荧光光谱识别中成为一种理想的识别方法。