基于SVM的混合气体红外光谱分析关键技术研究

为了解决海量混合气体光谱数据样本无法获取、混合气体组分气体特征吸收谱线重叠、混合气体组分浓度分布的随意性等问题,将支持向量机用于混合气体红外光谱分析中.提出了光谱数据样本特征选择、数据预处理、SVM校正模型参量优化及层次式混合气体光谱分析结构等关键技术.实验分析了上述4项关键技术对分析结果的影响.实验结果显示,采用关键技术的混合气体组分浓度分析的最大绝对误差为2.93%,最大平均绝对误差为0.73%.     

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE(φ×10-6)较仅用SVR模型预测的RMSE(φ×10-6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。     

基于SVM回归模型的混合气体组分种类光谱识别方法

针对混合气体红外光谱分析中无法采用同一模型同时进行混合气体组分浓度的定量分析和组分种类的定性分析的问题,本文提出了基于SVM回归模型的混合气体组分种类光谱识别方法.通过详细推导,证明混合气体组分种类识别完全可以通过组分浓度分析的SVM回归模型来求解,混合气体组分种类识别是一种特殊的回归.实验结果显示,该方法的混合气体组分种类的正确识别率不小于92.5%.     

基于支持向量机测定水质中硝酸盐含量

针对水质中被测物硝酸盐与干扰物铁离子、铬离子紫外吸收谱线严重重叠的问题,将支持向量机应用于混合重叠光谱分析中,利用核函数将重叠的光谱数据进行高维空间变换后求得SVM回归模型,实现硝酸盐含量的光谱检测。实验结果表明:硝酸盐浓度在0.5—10mg/L范围内,所测得含量的最大相对误差为3.2%;平均回收率为100.9%,本法与传统的方法相比,要求条件较低,不需要物理或化学的分离,分析速度快,有望应用于在线监测污水中硝酸盐的含量。     

基于粗糙集核优化的支持向量机在多组分污染气体定量分析中的研究与应用

研究基于粗糙集核优化的支持向量机(RS-SVM)在红外光谱定量中的应用。通过粗糙集分类的方法对多组分污染气体红外光谱对应的特征波长段进行核函数初始数据的优化,再将优化后的核函数带入支持向量机,从而将二维混合光谱信息投影到高维空间,再进行单种气体浓度的反演运算。通过采用LS-SVM和PCA-SVM两种典型的光谱数据处理算法作对比,对五种混合气体各组分定量分析进行比较。当光谱可分度高时,三种方法的预测值都接近标准值,平均误差接近于0.13;而当光谱可分度低时,RS-SVM的预测值比前两种更精确,且当待测种类越多时,该方法精度和运算时间的优势越显著。     

基于SVM的混合气体分布模式红外光谱在线识别方法

针对混合气体组分浓度分析中海量训练样本的获取、分析精度及实时在线分析等问题,将支持向量机这一新的信息处理方法和红外光谱分析法结合,提出了混合气体分布模式的慨念.在此基础上,采用先进行混合气体分布模式识别,然后再进行混合气体分析的思路,在大量调查的基础上,研究探索了实际应用中可能出现的混合气体分布模式,确定60种混合气体分布模式,共计6 000个混合气体红外光谱数据样本用于模型的训练与检验.采用SMO算法实现了减量和增量的在线学习,最终建立了基于SVM的混合气体分布模式红外光谱在线识别模型.模型由模式识别和结果输出2层组成,模式识别层完成混合气体模式分布模式识别任务;结果输出层由60个SVM校正模型组成,完成具体的浓度分析任务.实验结果表明,该方法对混合气体分布模式的正确识别率不低于98.8%,可在小样本条件下对混合气体的分布模式进行在线识别,可在线实时加入新的混合气体分布模式,具有实际应用价值.     

基于粒子群优化的最小二乘支持向量机在混合气体定量分析中的应用

针对混合气体建模过程中最小二乘支持向量机参数难以确定及红外光谱数据计算量过大的问题,提出一种粒子群优化的最小二乘支持向量机方法,用于建立基于主成分分析特征提取的红外光谱多组分气体定量分析模型。首先对主吸收峰区域的550个红外光谱数据利用主成分分析技术进行了特征提取,将降维得到的7个特征值作为模型的输入变量从而有效地降低了计算量。混合气体主要由浓度范围分别是0.1%~1%的甲烷、乙烷及0.1%~1.5%的丙烷三种组分气体组成。采用最小二乘支持向量机技术分别建立了各组分气体的定量分析模型,利用粒子群优化算法对最小二乘支持向量机算法中的参数进行了优化选取,取代了传统的遍历优化方法,然后利用取得的最优参数重建定量分析模型。实验结果表明,采用此方法离线建模所用时间比采用遍历优化方法节省40倍以上,预测结果误差水平相当,满足实测要求。粒子群优化算法在全局优化及收敛速度方面具有较大优势。粒子群优化算法与最小二乘支持向量机技术相结合用于混合气体定量分析是切实可行的,具有一定的实际意义和应用价值。     

混合气体测量中重叠吸收谱线交叉干扰的分离解析方法

在基于可调谐二极管激光吸收光谱技术(tunable diode laser absorption spectroscopy,TDLAS)进行多种组分混合气体测量时,经常会遇到吸收谱线之间存在相互干扰的现象,这也是使用该技术测量过程中的主要"瓶颈".比如在前期的应用中:微量一氧化碳(CO)和甲烷气体(CH_4)在同时检测时两者的吸收谱线存在严重的重叠干扰现象,特别是在高浓度CH_4存在的环境下,微量CO气体吸收信号会被干扰甚至湮没,无法实现有效解调,这是通过谱线选取所不能解决的问题.因此,针对此问题本文提出了基于支持向量回归模型,以CO和CH_4吸收谱线的严重重叠干扰问题为例,通过选择线性核函数建立CO支持向量回归模型和CH_4支持向量回归模型,可对CO和CH_4的混合气体吸收谱线进行解调,最终获得两种气体浓度的准确测量结果.通过实验分别实现了四种不同浓度CH_4环境下微量CO气体的检测,得到的CO和CH_4浓度(气体的体积分数)测量的绝对误差分别小于2 × 10~(-6)和0.2 × 10~(-2);通过不同浓度的固定配比实验分析,CO和CH_4气体的测量值与实际值之间的相关系数分别达到了 0.998和0.9995,且CO和CH_4气体测量结果的绝对误差分别不超过2 × 10~(-6)和0.1 × 10~(-2),完全满足了混合气体的精确测量,为实现多场合混合气体目标的实时监测提出了解决方案.     

直接正交信号校正算法在烷烃类多组分气体定量分析中的应用

针对烷烃类多组分混合气体中红外光谱存在的基线漂移问题,提出一种直接正交信号校正算法用于光谱数据预处理。实验中采用傅里叶变换红外光谱仪采集了936组混合气体样本的光谱数据,混合气体主要由不同浓度范围的七种组分气体组成。将直接正交信号校正算法与导数算法进行了对比分析,采用偏最小二乘回归方法建立了各组分气体定量分析模型,并对模型参数(主元个数、导数步长及正交分量的个数)进行了遍历优化选取最优分析模型。结果表明直接正交信号校正算法对于中红外光谱基线校正效果最好,直接正交信号校正算法用于烷烃类混合气体中红外光谱基线校正可行,效果良好,具有一定的实用和研究价值。     

近红外光谱谱线特性对物质浓度分析误差影响的研究

为解决近红外光谱法分析物质浓度过程中缺乏可测度分析而导致测量过程存在一定盲目性问题，研究在已知测量条件、样品种类、被测组分以及建模分析方法的条件下，利用近红外光谱谱线特性作为参数，在大量样品近红外光谱采集和标准法测得浓度数据等工作前，对被测物质浓度的分析误差做大致估算。经过大量尝试和试验提出等效信噪比（ESNR）和谱线重叠系数（OC）两个重要参数，其中ESNR反映待测组分吸光度占总吸光度的比重，而OC则反映待测组分近红外光谱曲线间的重叠程度。通过理论仿真得到光谱分析中用经典的偏最小二乘回归建立定量分析模型时谱线特性与物质浓度分析误差的关系，分别计算ESNR和OC与被测组分浓度分析误差（RMSE）的关系，并且研究两个谱线参数的独立性。利用理论分析得到结果对浓度为8%~12%乙醇水溶液进行可测度分析，并与近红外光谱法分析的实际结果进行比较。研究通过理论仿真得到使用光谱分析中经典的偏最小二乘回归建立定量分析模型时谱线特性与物质浓度分析误差的关系，其中ESNR与RMSE成反比关系，而OC与被测组分分析误差成非线性的单调关系，并且验证了ESNR和OC两个参数的独立性。通过理论计算和乙醇水溶液近红外光谱检测实验对等效信噪比和谱线重叠系数与光谱分析浓度误差的定量关系进行讨论，通过理论分析得到的乙醇浓度RMSE预估值为0.30%，近红外光谱分析实际RMSE为0.32%，相对误差6.67%，二者结果相符。实现了在测量条件、样品种类、被测组分以及建模分析方法已知的条件下基于近红外光谱分析的待测组分含量理论误差的定量计算和实验验证。该研究明确了对近红外光谱法分析物质浓度有明确定量关系的两个谱线参数，给出了使用光谱分析中经典的偏最小二乘回归建立定量分析模型时的分析误差经验曲线，以及利用曲线进行近红外光谱法待测组分浓度可测度分析方法。结果表明所提出的ESNR和OC两个谱线特性参数的有效性，以及分析误差预估方法的有效性。为近红外光谱法待测组分浓度定量分析提供了有效、快捷的预估方法，完善了近红外光谱法成分含量可测度分析理论，对近红外光谱法物质浓度定量分析研究具有一定指导意义。     

层次式SVM子集含烃类混合气体光谱分析方法

含烃类混合气体具有组分多、组分浓度范围大的特点。为了解决海量混合气体光谱数据样本实际上是无法实现的难题,在大量调查的基础上,研究探索了实际工程中可能出现的混合气体分布模式,最后确定为15种混合气体分布子模式,共计5500个光谱数据样本用于训练与检验。在此基础上,按照混合气体分布子模式识别→混合气体分析→结果输出的思路,提出了2层15子集的含烃类混合气体分析方法。多层次多子集软件集成框架以15种混合气体分布子模式为基本框架,由于应用了基于样本关联规则及混合气体分布模式中心集的SVM快速在线分类方法,可向原基本框架在线实时的加入新的混合气体分布子模式。实验结果显示,混合气体组分浓度分析的最大绝对误差为0.41%,最大平均绝对误差为0.04%。可用于其他混合气体的红外光谱分析,具有实际应用价值。     

基于可见光光谱分析的黄瓜白粉病识别研究

白粉病是黄瓜常见病害之一，传播速度极快，严重时可造成黄瓜大量减产，对其进行快速准确识别，对黄瓜白粉病诊断和防治具有重要意义，应用可见光谱技术，结合主成分分析和支持向量机算法，实现对黄瓜白粉病的快速识别。配制白粉病菌孢子悬浮液，并人工接种于科研温室内的黄瓜叶片上，以诱发黄瓜白粉病，待白粉病有一定面积暴发后，利用海洋光学USB2000+型便携式光谱仪对黄瓜叶片光谱信息进行采集，利用五点取样法采集样本，在5个检查点，每点选取2株黄瓜进行调查，每株选取4枚感病叶片，每枚叶片随机选取5个感病区域进行光谱采集，共计采集200个感病叶片光谱样本，同样采集200个健康叶片样本作为对照。通过Ocean Optics Spectra-Suite软件采集漫反射标准白板信息和光谱仪暗电流实现光谱仪校正，调节积分时间、扫描次数以及平滑度等参数来实现光谱曲线平滑处理，以有效抑制光谱噪声，对光谱特征进行分类识别，去掉首尾噪声较大的波段，保留光谱的可见光波段进行研究，最终选取450~780 nm波段范围作为研究对象。利用主成分分析对所研究波段范围内的高维光谱数据（947维）进行降维处理，根据主成分的累计贡献率，选取前5个主成分作为分类模型的输入，以白粉病和健康叶片的判别结果作为输出，利用支持向量机算法，通过对样本的分类学习训练构建黄瓜白粉病和健康叶片的分类识别模型，随机选取120个样本作为训练集用于分类模型构建，其余80个样本作为测试集用于模型检验，并通过选取不同的核函数来获得最优模型。利用混淆矩阵对分类识别模型的准确率进行评价，当选取径向基核函数时，分类识别模型对黄瓜健康叶片和白粉病叶片的识别准确率最高，分别为100%和96.25%，总准确率为98.125%，具有较高的准确率。结果表明，利用可见光光谱信息并结合主成分分析和支持向量机算法，可以实现对黄瓜白粉病的快速准确识别，为黄瓜病害诊断提供了方法和参考依据。     

基于近红外光谱与支持向量机的纸浆卡伯值在线测量

提出了用近红外光谱漫反射技术和支持向量机建模方法实现纸浆卡伯值在线测量的新方法.采集45份松木浆样品的近红外漫反射光谱,选择各样品15个振动吸收峰对应的吸收率,采用动态独立分量分析(DICA)对输入样本数据进行特征提取,建立基于支持向量机(SVM)的纸浆卡伯值预测模型.45份样品中选择35份组成校正集,另10份作为预测集对模型进行验证.基于支持向量机的纸浆卡伯值预测模型外部验证均方差和确定系数分别为0.26和0.93;基于线性回归的纸浆卡伯值预测模型外部验证均方差和确定系数分别为0.45和0.81.研究结果不仅表明纸浆卡伯值近红外测量方法的可行性和有效性,而且验证了基于支持向量机的纸浆卡伯值预测模型比线性回归模型具有更高的准确性和鲁棒性.     

粒子群优化算法在混合气体红外光谱定量分析中的应用

通过将粒子群优化技术及BP神经网络技术相结合,建立了三种烃烷混合气体的红外光谱定量分析模型.混合气体主要由甲烷、乙烷、丙烷三种组分气体组成,三种组分气体浓度范围分别为0.01%～0.1%.文章首先采用主成分分析技术从红外光谱1 866个数据中提取了5个特征变量作为神经网络的输入,将气体浓度作为网络输出.然后将粒子群优化算法与BP神经网络技术相结合,对网络的隐含层节点数进行了优化选择.再对结构优化后的网络进行训练,建立气体分析模型.分析模型的标准气体验证实验结果表明,采用此方法建立混合气体红外光谱定量分析模型所用时间(大约4 600 s)比单纯采用BP神经网络进行遍历优化建模所用时间(大约24 500 s)降低5倍以上,模型预测精度水平相当,网络结构大致相同,具有一定的实践意义和应用潜力.