基于多流形学习的气体浓度反演方法
【专利摘要】本发明公开了一种基于多流形学习的气体浓度反演方法，1)采集光源发出的光通过不同已知浓度气体时的光谱数据；2)将采集的吸收光谱数据减去暗光谱并进行归一化处理；3)利用NPE算法对不同浓度的预处理后的数据分别进行特征提�。�4)将得到的特征数据作为训练样本，并送入SVR分类器进行训练，构建反演模型；5)测试样本光谱数据采集；6)将测试样本光谱数据预处理后再进行特征提�。⒔玫降奶卣魇菟腿牍菇ê玫姆囱菽Ｐ椭校囱莸玫酱馄迮ǘ�。本发明可以提高气体浓度反演精度，改善浓度反演算法的重复性和可移植性，尤其能够提高短光程条件下低浓度气体的反演精度，满足在线检测的精度要求。
【专利说明】基于多流形学习的气体浓度反演方法
【技术领域】
[0001]本发明涉及气体浓度检测方法，具体指一种基于多流形学习的气体浓度反演方法，属于烟气分析处理领域，适用于因浓度低、光程短，通气时间不够，光谱吸收不充分等导致的信噪比低，即传统方法问题较大情况下的气体浓度反演。
【背景技术】
[0002]传统的差分光学吸收光谱(DifferentialOpticalAbsorptionSpectroscopy,D0AS)技术最早是由德国Heidelberg大学环境物理研究所的UlrichPlatt教授提出，主要是利用吸收分子在紫外到可见波段的特征吸收来研究大气层(平流层，对流层)的痕量气体成分(CH2O、O3、NO2、SO2、NH3等)，通过长光程吸收可以测量到浓度很低的气体成分。污染源发出的不同污染气体显示了不同的吸收特征，从而可以在获得的光谱中根据不同的吸收特征反演得到各种气体的浓度。
[0003]典型的DOAS系统包含一个光源发射器(氘灯或氙灯)，发出经过准直的光束，一个接收系统，收集被衰减的光束，一个光谱仪，一个单通道扫描或多通道扫描光探测系统和一台用于硬件控制、数据采集和处理的计算机(见图1)。光源发出的光经发射器准直，通过被监测的烟气，被光程另一端的接收器接收，接收器接收到的光通过光纤送入分析仪器，分析仪器包括高品质的光谱仪、计算机以及联合控制系统。光谱仪利用光栅将接收到的光分成窄带光谱，带有狭缝 的扫描装置对窄带光谱进行快速扫描。扫描后的光谱进入探测器，被转换为模拟信号，经A/ D转换送入计算机进行处理。大量的扫描结果就形成了相应波段的光谱图。DOAS就是根据光谱图中包含的被监测光程中污染气体的吸收特性求解它们各自的浓度。
[0004]实际应用中，当从光源发出的光经过烟气时，存在使光发生衰减的几种因素。通常，Rayleigh散射(主要由于O2和N2)和Mie散射(由于烟尘、气溶胶粒子)对于总衰减的贡献大于分子吸收。一个原始的、开放烟气的吸收光谱不仅包含了分子吸收也包含了其它的消光过程，这些都阻碍了应用Lambert-Beer定律测量烟气中污染物的浓度。图2展示了这一过程。
[0005]然而，数学上的处理可以将包含在烟气吸收光谱中由于分子吸收引起的光谱变化分离出来，基于光程上由Rayleigh散射和Mie散射等引起的光学密度的变化是随着波长的变化缓慢变化，由分子吸收特性引起的光学厚度的变化是随着波长的变化快速变化。为此将散射引起的光谱变化称为“宽带”光谱(低频部分)，将分子吸收引起的光谱变化称为“窄带”光谱(高频部分)。数学上使用一个高通滤波器将随波长快速变化的“窄带”光谱分离出来，被分离出来的分子吸收光谱(差分光学厚度)用实验室测量的参考光谱进行拟合，能够计算出存在于被测烟气中的光吸收物质的浓度。这就是差分吸收光谱法的基本思想。
[0006]因此，DOAS系统中的光衰减过程可以由扩展的Lambert-Beer定律描述:
[0007]
【权利要求】
1.基于多流形学习的气体浓度反演方法，其特征在于:步骤如下， 1)训练样本光谱数据采集:通过光谱仪分别采集光源发出的光通过不同已知浓度的气体时的光谱数据，得到每种浓度气体对应的吸收光谱数据；每种浓度气体的吸收光谱数据进行同样次数的多次采集，使每种浓度气体对应着一组包含着其浓度特征信息的高维数据； 2)光谱数据预处理:将采集的吸收光谱数据减去其中包含的暗光谱，并对相减后所得数据进行归一化处理； 3)特征提取:利用邻域保持嵌入NPE算法对不同浓度的预处理后的数据分别进行特征提�。崛≈鞒煞郑� 4)模型构建:将第3)步得到的不同浓度气体对应的特征数据作为训练样本，将训练样本数据送入支持向量回归SVR分类器进行训练，再基于对应的气体浓度构建反演模型； 5)测试样本光谱数据采集:通过光谱仪多次采集光源发出的光通过待测浓度气体时的吸收光谱数据，得到待测浓度气体对应着的一组包含着其浓度特征信息的高维数据； 6)将测试样本光谱数据按步骤2)进行预处理后再按步骤3)进行特征提�。⒔玫降奶卣魇葑魑馐匝臼菟腿氩街�4)构建好的反演模型中，反演得到待测气体浓度。
2.根据权利要求1所述的基于多流形学习的气体浓度反演方法，其特征在于: 第3)步特征提取的具体步骤为， .3.1)确定高维数据中任一数据点Xi的k个近邻点； .3.2)计算局部重构权值W 在高维数据空间中，每个数据点Xi可由它的k个近邻点近似的线性表示，使数据点Xi的重构误差最小来求局部重构权值Wi ,其目标函数为:
3.根据权利要求2所述的基于多流形学习的气体浓度反演方法，其特征在于:第3.1)步确定数据点Xi的k个近邻点的方法为:计算Xi与其余数据点间的欧氏距离，把距离最小的k个数据点作为近 邻点。
【文档编号】G01N21/31GK103940767SQ201410190563
【公开日】2014年7月23日 申请日期:2014年5月7日 优先权日:2014年5月7日
【发明者】冯海亮, 王海玲, 黄鸿, 谢吉海, 王应健 申请人:重庆大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
