混合气体红外光谱支持向量机分析的新方法

介绍了一种基于支持向量机的混合气体红外光谱组分浓度和种类分析的新方法。利用核函数将组分气体特征吸收谱线重叠严重的混合气体光谱在高维空间变换后,建立SVM回归校正模型,进行混合气体浓度分析。在利用支持向量机回归校正模型进行混合气体组分浓度分析的同时,证明支持向量机回归校正模型也可用于混合气体组分种类分析。对不同组分和不同组分浓度的混合气体红外光谱数据进行了实验,研究了谱仪扫描间隔、分析特征波长范围、核函数和惩罚因子等因素对分析结果的影响。混合气体组分浓度实验结果的最大平均绝对误差Mean AE为0.132%;混合气体组分种类识别的准确率大于94%。解决了传统的光谱分析方法中光谱特征谱线重叠、光谱数据的维数大、定性和定量分析无法使用同一方法等问题,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概念。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%.     

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5 500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×10－60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。     

对称点模式-深度卷积神经网络的红外光谱识别方法

红外光谱分析在自然科学、工程技术等诸多领域发挥着重要作用。随着计算机和人工智能技术的不断发展,对红外/近红外光谱分析提出了更高的要求。深度学习以人工神经网络为架构,通过对数据进行分层特征提取完成特征/表征学习,在解析数据细节特征方面具有独特的优势,在计算机视觉、语音识别、疾病诊断等多领域得到成功应用。尽管深度学习在图像、音频、文字分析方面获得了较好的效果,但是在红外/近红外光谱数据分析中的应用还十分有限。针对深度学习的卷积运算,首先将一维傅里叶变换（Fourier transform infrared spectroscopy,FTIR）红外光谱数据通过对称点模式（symmetrized dot patterns,SDP）变换为二维RGB彩色图像,然后将SDP变换得到的彩色图像数据作为VGG（oxford visual geometry group）深度卷积神经网络的输入进行深度学习,建立基于红外光谱数据的分类识别模型。对不同浓度甲烷（CH₄）、乙烷（C₂H₆）、丙烷（C₃H₈）、正丁烷（C₄H₁₀）、异丁烷（iso-C₄H₁₀）、正戊烷（C₅H₁₂）、异戊烷（iso-C₅H₁₂）七种单组分烷烃及其混合气体SDP转化获得的224×224彩色（RGB）图像,呈现出显著差别,且更符合VGG卷积运算的数据格式。将SDP-VGG方法应用于气测录井中甲烷浓度范围的识别：气测录井气体为上述七组分烷烃气体的混合气体,其中主要成分甲烷的浓度范围按照<20%,20%～40%,40%～60%,60%～80%,80%～100%分为5类,不同七组分烷烃混合气体样本的红外光谱由红外光谱仪在波数范围为4 000～400 cm-1、间隔12 nm的条件下扫描获得。在未经过特殊预处理和特征提取的情况下,采用随机选择的4 500个样本,由SDP-VGG法建立的七组分混合气体甲烷浓度范围识别模型,对5种甲烷浓度范围的识别准确率达到91.2%,优于相同红外光谱数据所建立支持向量机（support vector machine,SVM）和随机森林（random forest,RF）模型的识别准确率88.7%和86.2%。研究表明,SDP结合深度学习可以准确提取红外光谱数据的关键特征,提高了红外光谱识别的准确率,是一种更为有效的红外光谱分析方法,具有广阔的应用前景。     

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.     

基于多任务卷积神经网络的浮游藻类群落识别方法

针对混合浮游藻类群落离散三维荧光光谱特征识别,对比分析了简单卷积神经网络(PlainCNN)和文本卷积神经网络(TextCNN)模型对5种常见门类藻(铜绿微囊藻、斜生栅藻、菱形藻、楯形多甲藻和隐藻)混合数据的种类识别准确率及浓度测量精度。结果表明,在藻类独立识别及浓度回归分析中,PlainCNN模型对测试集的平均识别准确率和浓度输出结果的平均均方误差分别为90%和0.052,均优于TextCNN模型。为了同时实现混合藻类种类识别和浓度分析,基于PlainCNN模型提出了多任务卷积神经网络PlainCNN-MT模型。该模型对混合藻类种类识别的平均准确率提高至95%,浓度输出结果的平均均方误差降低至0.039,表明多任务卷积神经网络在浮游藻类群落识别与定量分析中更具优势。     

AOTF-NIR光谱仪用于混合气体定量分析的探索

探索了以声光可调滤波器(acousto-optic tunable filter,AOTF)为分光器件的新一代近红外(NIR)光谱仪用于气体检测的可行性,并提出一种多组分混合气体近红外光谱分析的新方法。将一个自制的气室与AOTF-NIR光谱仪配接,从而实现了当前仅限于固体和液体检测的AOTF-NIR光谱仪对气体的检测。实验首先获取并比较了甲烷在不同浓度下的近红外光谱。结果显示,当浓度大于0.1%时,甲烷的吸光度明显地随其浓度的增加而增加。随后参照仪器对甲烷的检测低限设计了甲烷、乙烷和丙烷三组分混合气体样本,并采集了它们的近红外光谱。三种组分气体的定量分析模型由核偏最小二乘(kernel partial least squares,KPLS)回归法建立,模型的预测能力采用检验集的预测均方根误差(root mean square error of prediction,RMSEP)评定。与偏最小二乘(PLS)回归分析效果的对比研究表明,KPLS回归较PLS回归在NIR光谱数据的分析上更具优越性。     

支持向量机(SVM)在傅里叶变换近红外光谱分析中的应用研究

支持向量机(SVM)用于两类问题的识别研究,它是统计学习理论中最年轻的分支,所建分析模型有严格的数学基础。同时介绍了SVM学习的基本原理和方法,并将该方法引入化学计量学,以103个中药大黄样品为实验材料,通过SVM近红外光谱法建立了大黄样品真伪识别模型。对学习集中33个样品模型识别准确率为100％;对70个预测样品的识别准确率为96.77％, 为中药大黄的快速识别提供了参考。研究结果表明了SVM近红外光谱法建立生物样品识别模型的可行性。通过旨在介绍SVM学习方法的基本思想,以引起化学计量学工作者的进一步关注。     

改进型 PSO‐SVM算法对井下多组分气体定量分析的研究

对于多组分混合气体定量分析而言,基于特征光谱的定量分析技术具有不可比拟的优势,而定量检测效率与精度取决于其采用的光谱数据处理算法的优劣。优化光谱分析算法参数与改进光谱数据处理方式是提高定量分析速度与精度的重要手段。针对井下多组分气体定量分析建模过程中支持向量机(SVM)参数难以确定,并且随组分数增多而呈指数增长的光谱数据运算量的问题,提出了一种改进型粒子群优化-支持向量机(PSO-SVM)算法。该算法主要针对多组分气体混合光谱数据量大,光谱特征信息存在交叠的问题进行研究。通过粒子变异约束PSO算法的收敛路径,再通过粒子信息共享提高模型优化效率,最后利用设置动态不敏感区提高模型精度。设计了一种井下多组分气体快速定量检测系统。该系统由CPU控制信号调制模块驱动红外光源,信号光经过滤尘除湿后的气室照射在探测器上。在压力与温度传感器补偿的基础上,由信号处理模块将探测得到的光信号量化传入CPU,最终,结合改进型PSO-SVM算法实现各组分气体浓度的定量分析。在完成井下实际样气采集、预处理的基础上,对浓度范围0～10.0%的CH₄和浓度范围0～1.0%的C₂H₆,C₃H₈,SO₂和CO₂共5种组分的混合气体进行了测试,获得了800组红外光谱数据,其中训练集400组,验证集400组。采用SVM建立了多组分气体的定量分析模型,利用改进型PSO对SVM中的参数进行了优化,并将获得的最优参数重建了定量分析模型。对采集的红外光谱数据分别由本算法与传统BP网络算法进行各组分气体浓度反演,实验结果显示,由于变异粒子对其产生的约束,使最优值收敛范围变小,从而提高了收敛速度,该算法建模时间仅为传统方法的1/10;由于通过气体光谱特性给出不敏感区,使特征光谱计算时交叉敏感效率降低,从而提高了模型预测的准确度,平均误差约为传统方法的1/5。由此可见,该算法在全局优化及快速收敛方面得到了显著提升,改进型PSO结合SVM用于井下多组分气体定量分析是可行的。改进型PSO-SVM算法对于多组分气体混合红外光谱数据的分离具有很好的适用性,其有一定的实际应用价值。     

60种植物类中药提取物的红外光谱分析及其与寒热药性相关性的模式识别评价研究

对60种植物类中药提取物的红外光谱药性特征标记及其模式识别模型进行评价筛选。利用傅里叶变换红外光谱结合(linear discriminant analysis, LDA), (logistic discriminant analysis, Logistic-DA), (principal component analysis-linear discriminant analysis, PCA-LDA), (partial least-squares discriminant analysis, PLS-DA), (random forest, RF), (support vector machine, SVM)六种模式识别技术进行研究。水提取组采用加热回流提取1.5 h,无水乙醇、氯仿、石油醚提取组采用室温超声提取45 min。首先分别建立六种模式识别模型,然后采用四种统计方法综合识别,包括60味中药组内回代、60味中药10次迭代5折交叉验证、48味中药训练集、12味中药测试集。选取组内回代识别正确率、交叉验证识别正确率、组外预测正确率同时很高,且理论图谱反映寒热中药原始图谱分布特征者为适宜模型。LDA和SVM是水提取物红外光谱的适宜模式识别模型,LDA是无水乙醇提取物红外光谱的适宜模式识别模型,SVM是氯仿提取物红外光谱的适宜模式识别模型,石油醚提取识别效果不佳。结论：根据适宜识别模型,通过红外光谱数据可识别表征中药寒热成分和寒热程度的特征参数,寒热成分特征参数为与红外光谱吸收位置波谱相对应的识别模型的识别系数,识别系数大于零为寒性标记,识别系数小于零为热性标记;寒热程度特征参数为识别模型的识别得分,得分越大(正值)则寒性越强,得分越小(负值)则热性越强。     

利用2DCOS进行多组分混合气体傅里叶变换红外光谱分析中同分异构体谱峰的辨别

在利用傅里叶变换红外光谱进行混合气体定量分析中,针对烃类尤其是同分异构体等构成的混合气体其谱图特征相似、吸收峰严重交叠,不易进行特征吸收成分的判别和特征变量选择的问题,为增强谱峰分辨力,采用广义二维相关光谱和傅里叶变化红外光谱对烃类混合气体分析中同分异构体进行辨别,以异丁烷和正丁烷的红外光谱及受浓度扰动组成的光谱组为例进行二维相关红外光谱分析。通过观察全波段和主吸收峰波段单组分气体的傅里叶变换红外光谱,可知其谱图相似,吸收峰严重交叠,如果混合在一起,将基本无法辨别何种分子结构及成分。通过广义二维相关光谱的变换,其二维相关光谱的同步谱和异步谱可以清晰地辨别出异丁烷和正丁烷的特征吸收峰及其各自强度,实验结果可知,异丁烷在2 893,2 954和2 977 cm-1,正丁烷在2 895和2 965 cm-1具有强的吸收特征谱线。分析结果初步验证了二维红外相关光谱在多组分混合气体傅里叶变换红外光谱定量分析中谱分辨率增强方面的应用。     

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。     

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。