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%.     

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。     

SVM回归法在近红外光谱定量分析中的应用研究

研究了基于统计学习理论的支持向量机（SVM）回归法在近红外光谱定量分析中的应用。以66个小麦样品为实验材料,由33个小麦样品作为校正样品,采用4种不同核函数方法对小麦样品蛋白质含量与小麦样品近红外光谱进行SVM回归建模。以所建4种不同SVM回归模型对33个小麦预测样品的蛋白质含量进行了预测;不同回归模型的预测结果与凯氏定氮法确定的蛋白质含量的标准化学值间的相关系数均在0．97以上,平均绝对误差小于0．32。为了考察SVM回归校正模型的预测效果,同所建PLS回归模型的预测结果进行了比较,表明所建预测小麦样品蛋白质含量的SVM回归模型亦可通过近红外光谱进行实际样品的定量分析,且有较好的分析效果。     

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。     

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。     

复合支持向量机方法及其在光谱分析中的应用

SVC和SVR是支持向量机研究的两个主要问题。文章把两种建模方法相结合,先由SVC模型判别分类,后由各类的局部SVR模型进行定量分析,提出了复合支持向量机(CSVM)方法。根据71个试验小区的水稻冠层高光谱与叶片含氮量建立定量分析模型,考证了CSVM算法。基于模拟研究的思想,随机划分建模集和预测集,比例为55∶16。经过5次划分试验,复合支持向量机方法建模对叶片含氮量的预测值与凯氏定氮实际值之间的平均相关系数为0.89,平均绝对误差为0.088;而传统的支持向量机方法得到的平均相关系数为0.87,平均绝对误差为0.091。由此可见,复合支持向量机方法相对于传统的支持向量机方法预测精度有所提高。文章研究方法的提出为化学计量学定量分析研究给出了新的思路。     

建立支持向量机SVM识别模型对翡翠产地进行识别

为了实现翡翠产地的快速无损鉴别,丰富宝玉石产地鉴别方法的多样性,基于红外光谱分析得到的数据,建立支持向量机(SVM)识别模型对三个产地的翡翠进行分析。实验收集了缅甸、俄罗斯和危地马拉3种翡翠的红外光谱数据共106条,为了达到更好的模型识别效果,建模前将原始的红外光谱数据进行反射率到吸光度的转化,再对光谱进行不同的预处理。预处理的目的是降低噪声、基线漂移和散射现象等对模型识别效果的影响。本次实验预处理使用的方法有SG平滑、均值中心化、标准化、趋势校正、多元散射校正、最大最小归一化、标准正态变换以及标准正态变换后再进行趋势校正。实验结果表明,对红外光谱进行预处理后模型得到的识别准确率均高于原始光谱的73%;三个产地翡翠的红外光谱分开进行多元散射校正和最大最小归一化得到的模型识别准确率高于混合进行预处理得到的结果;一些预处理方法结合使用也会提高模型的识别准确率,如标准正态变换和趋势校正。对三个产地翡翠的红外光谱分开进行最大最小归一化处理后得到的识别准确率达到了最高的95%,说明这种采用红外光谱技术建立的支持向量机(SVM)识别模型可以实现对翡翠产地的快速识别。     

基于支持向量机及小波变换的人参红外光谱分析

以吉林名贵中药材人参作为研究的主要对象,详细研究了利用小波变换技术对红外光谱变量的压缩方法和实现过程,以及如何利用人工神经网络(ANN)和支持向量机(SVM)技术建立人参的红外光谱的产地鉴别模型,并详细讨论了ANN模型中相关参数的优化方法以及SVM模型中的核函数及σ值的优化选择。仿真实验表明,建立的ANN模型对40个吉林人参样品产地识别率达到92.5%,而采用径向基核函数的SVM模型的识别率为97.5%,其分类效果明显优于ANN模型。从而表明小样本的情况下,利用SVM结合小波变换技术可以对吉林人参的红外光谱的产地特征进行正确区分,同时为中草药的红外光谱的进一步的分析和研究提供了一定理论依据和技术支持。     

基于红外技术的气体浓度检测方法研究

依据Lambert-Beer定律,推导出检测气体浓度的数学模型,得出了测量和参考探测器输出电压与气体浓度的函数表达式,表达式中的二个常数的数值取决于气室长度、气体吸收系数、探测器的电压探测率,经零点和满量程标准气样的标定,可确定这二个常数的数值,实现对仪器的标定.根据仪器零点随温度变化的关系,得到零点与温度函数表达式,用于零点温度补偿以及对零点温度补偿系数的计算;量程温度补偿方法是通过引入量程温度补偿因子,对测量和参考探测器输出电压与气体浓度的函数表达式进行修正,修正后的函数表达式用于量程温度补偿,也能对量程温度补偿因子中的补偿系数进行计算.矿用红外甲烷传感器采用本文的标定方法和温度补偿方法,在不同的环境温度下,对标准气样进行检测,其检测结果符合红外甲烷传感器标准所规定的基本误差.     

基于数据挖掘技术的瓦斯气体红外光谱定量分析方法的研究

瓦斯气体的监测是影响煤矿安全的重要因素之一,对其的在线实时监测成为煤矿安全的重要保障。本文采用红外光谱分析技术,对瓦斯气体的红外定量分析算法进行了研究。为提高模型分析精度,将数据挖掘技术应用在分析算法中。通过增加基于K平均非分层聚类分析对数据进行处理发现,带聚类分析的偏最小二乘算法比单纯采用偏最小二乘算法在精度上明显占优。另外,为减少模型中个别定标样本误差对精度的影响,采用聚类分析的方式进行了数据预处理,发现这种去噪方法在分析精度上又有所提高。     

人体胆结石红外光谱的比较分析

用红外光谱法测量了系列胆结石成分的红外光谱。比较标准化合物的红外光谱,分析人体胆结石的成分。按胆结石的红外光谱特征进行分类,获得胆固醇、胆红素钙、硬酯酸钙、碳酸钙、羟基碳酸磷灰石和混合物等六种类型的光谱图。提出相应地将胆结石分为六种类型：如果根据是否含钙,则分为胆固醇和钙盐型两种类型。     

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。     

基于红外吸收光谱的瓦斯气体浓度检测技术

针对现有矿井瓦斯传感器的缺点,基于红外光谱吸收原理,采用差分吸收技术设计了红外瓦斯气体浓度探测系统。该系统采用单光路吸收气室和单光路双波长探测技术,利用差动放大电路为核心的微弱信号处理电路实现瓦斯浓度输出信号的检测,并采用线性关系式拟合瓦斯浓度和输出电压的关系曲线,实现了对瓦斯浓度的全量程精确探测。实验表明,该系统的测量误差小于2%,具有很高的测量精度,具备了煤矿应用的基础。