基于多流形學習的氣體濃度反演方法
【專利摘要】本發明公開了一種基于多流形學習的氣體濃度反演方法，1)采集光源發出的光通過不同已知濃度氣體時的光譜數據；2)將采集的吸收光譜數據減去暗光譜并進行歸一化處理；3)利用NPE算法對不同濃度的預處理后的數據分別進行特征提取；4)將得到的特征數據作為訓練樣本，并送入SVR分類器進行訓練，構建反演模型；5)測試樣本光譜數據采集；6)將測試樣本光譜數據預處理后再進行特征提取，并將得到的特征數據送入構建好的反演模型中，反演得到待測氣體濃度。本發明可以提高氣體濃度反演精度，改善濃度反演算法的重復性和可移植性，尤其能夠提高短光程條件下低濃度氣體的反演精度，滿足在線檢測的精度要求。
【專利說明】基于多流形學習的氣體濃度反演方法
【技術領域】
[0001]本發明涉及氣體濃度檢測方法，具體指一種基于多流形學習的氣體濃度反演方法，屬于煙氣分析處理領域，適用于因濃度低、光程短，通氣時間不夠，光譜吸收不充分等導致的信噪比低，即傳統方法問題較大情況下的氣體濃度反演。
【背景技術】
[0002]傳統的差分光學吸收光譜(DifferentialOpticalAbsorptionSpectroscopy,D0AS)技術最早是由德國Heidelberg大學環境物理研究所的UlrichPlatt教授提出，主要是利用吸收分子在紫外到可見波段的特征吸收來研究大氣層(平流層，對流層)的痕量氣體成分(CH2O、O3、NO2、SO2、NH3等)，通過長光程吸收可以測量到濃度很低的氣體成分。污染源發出的不同污染氣體顯示了不同的吸收特征，從而可以在獲得的光譜中根據不同的吸收特征反演得到各種氣體的濃度。
[0003]典型的DOAS系統包含一個光源發射器(氘燈或氙燈)，發出經過準直的光束，一個接收系統，收集被衰減的光束，一個光譜儀，一個單通道掃描或多通道掃描光探測系統和一臺用于硬件控制、數據采集和處理的計算機(見圖1)。光源發出的光經發射器準直，通過被監測的煙氣，被光程另一端的接收器接收，接收器接收到的光通過光纖送入分析儀器，分析儀器包括高品質的光譜儀、計算機以及聯合控制系統。光譜儀利用光柵將接收到的光分成窄帶光譜，帶有狹縫 的掃描裝置對窄帶光譜進行快速掃描。掃描后的光譜進入探測器，被轉換為模擬信號，經A/ D轉換送入計算機進行處理。大量的掃描結果就形成了相應波段的光譜圖。DOAS就是根據光譜圖中包含的被監測光程中污染氣體的吸收特性求解它們各自的濃度。
[0004]實際應用中，當從光源發出的光經過煙氣時，存在使光發生衰減的幾種因素。通常，Rayleigh散射(主要由于O2和N2)和Mie散射(由于煙塵、氣溶膠粒子)對于總衰減的貢獻大于分子吸收。一個原始的、開放煙氣的吸收光譜不僅包含了分子吸收也包含了其它的消光過程，這些都阻礙了應用Lambert-Beer定律測量煙氣中污染物的濃度。圖2展示了這一過程。
[0005]然而，數學上的處理可以將包含在煙氣吸收光譜中由于分子吸收引起的光譜變化分離出來，基于光程上由Rayleigh散射和Mie散射等引起的光學密度的變化是隨著波長的變化緩慢變化，由分子吸收特性引起的光學厚度的變化是隨著波長的變化快速變化。為此將散射引起的光譜變化稱為“寬帶”光譜(低頻部分)，將分子吸收引起的光譜變化稱為“窄帶”光譜(高頻部分)。數學上使用一個高通濾波器將隨波長快速變化的“窄帶”光譜分離出來，被分離出來的分子吸收光譜(差分光學厚度)用實驗室測量的參考光譜進行擬合，能夠計算出存在于被測煙氣中的光吸收物質的濃度。這就是差分吸收光譜法的基本思想。
[0006]因此，DOAS系統中的光衰減過程可以由擴展的Lambert-Beer定律描述:
[0007]
【權利要求】
1.基于多流形學習的氣體濃度反演方法，其特征在于:步驟如下， 1)訓練樣本光譜數據采集:通過光譜儀分別采集光源發出的光通過不同已知濃度的氣體時的光譜數據，得到每種濃度氣體對應的吸收光譜數據；每種濃度氣體的吸收光譜數據進行同樣次數的多次采集，使每種濃度氣體對應著一組包含著其濃度特征信息的高維數據； 2)光譜數據預處理:將采集的吸收光譜數據減去其中包含的暗光譜，并對相減后所得數據進行歸一化處理； 3)特征提取:利用鄰域保持嵌入NPE算法對不同濃度的預處理后的數據分別進行特征提取，提取主成分； 4)模型構建:將第3)步得到的不同濃度氣體對應的特征數據作為訓練樣本，將訓練樣本數據送入支持向量回歸SVR分類器進行訓練，再基于對應的氣體濃度構建反演模型； 5)測試樣本光譜數據采集:通過光譜儀多次采集光源發出的光通過待測濃度氣體時的吸收光譜數據，得到待測濃度氣體對應著的一組包含著其濃度特征信息的高維數據； 6)將測試樣本光譜數據按步驟2)進行預處理后再按步驟3)進行特征提取，并將得到的特征數據作為測試樣本數據送入步驟4)構建好的反演模型中，反演得到待測氣體濃度。
2.根據權利要求1所述的基于多流形學習的氣體濃度反演方法，其特征在于: 第3)步特征提取的具體步驟為， .3.1)確定高維數據中任一數據點Xi的k個近鄰點； .3.2)計算局部重構權值W 在高維數據空間中，每個數據點Xi可由它的k個近鄰點近似的線性表示，使數據點Xi的重構誤差最小來求局部重構權值Wi ,其目標函數為:
3.根據權利要求2所述的基于多流形學習的氣體濃度反演方法，其特征在于:第3.1)步確定數據點Xi的k個近鄰點的方法為:計算Xi與其余數據點間的歐氏距離，把距離最小的k個數據點作為近 鄰點。
【文檔編號】G01N21/31GK103940767SQ201410190563
【公開日】2014年7月23日 申請日期:2014年5月7日 優先權日:2014年5月7日
【發明者】馮海亮, 王海玲, 黃鴻, 謝吉海, 王應健 申請人:重慶大學
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
