CN100351623C - 基于支持向量机的多组分气体浓度定量分析仪 - Google Patents

Abstract

本发明公开了一种基于支持向量机的多组分气体浓度定量分析仪，硬件部分由气体采样探头、连接管路、光谱仪、数据传输线及计算机组成。软件部分由数据预处理模块和支持向量机并行算法模块组成。被测的N个多组分气体经气体采样探头与连接管路导入光谱仪，由光谱仪获得扫描波数或波长范围内各波数或波长对应的透射率关系给出光谱数据经数据传输线进入计算机。进入计算机内的光谱数据由软件的数据预处理模块提取有效的特征量，作为支持向量机并行算法模块的输入，支持向量机并行算法模块的输出为N个多组分气体浓度。利用该分析仪可对吸收谱线相互重叠交叉的多组分混合气体进行浓度的定量测量分析。

Description

基于支持向量机的多组分气体浓度定量分析仪

技术领域

本发明涉及一种应用于天然气、石油、化工、烟气、汽车尾气、垃圾燃烧场废气及其他需要多组分气体浓度定量分析的仪器--基于支持向量机的多组分气体浓度定量分析仪，该仪器可以对多组分气体包括甲烷、乙烷、丙烷、正丁烷、异丁烷等气体的浓度定量分析，也可以用于其他类似的吸收谱线相互重叠交叉的多组分混合气体的浓度定量分析。

背景技术

多组分气体浓度定量分析仪是在光谱定量分析的基础上发展起来的。

Norris(1968)首先将多元线性回归技术(Multivariate LinearRegression，简称MLR)用于光谱定量分析，并成功地检验了谷物的多种成份。

主成分回归(Principal Component Regression，简称PCR)技术被引入到光谱定量分析中，成为最常用的定量分析技术之一。

由于甲烷、乙烷、丙烷、正丁烷、异丁烷等气体的吸收谱线相互重叠交叉，浓度与光谱数据之间的线性相关度比较差，上述的MLR技术、PCR技术不能建立准确的回归算法，也就不能取得很好的检验效果，实现多组分气体浓度定量分析困难较大。

人工神经网络(Artificial Neural Network，简称ANN)技术作为一种非线性处理技术被引入到多组分气体浓度光谱定量分析中，由于ANN具有很强的非线性逼近能力，因此被广泛研究。但是ANN训练速度慢、容易陷入局部最小点、存在过拟合现象以及泛化能力较差等局限性使其未能被推广。另外，ANN要求训练样本数目越多越好，而实际制作的样本数目是有限的。同时，ANN的输入数据的维数如果取的太大，会造成训练和检验计算量几何倍数增加，因此必须对原始光谱数据采用特征量提取等降维技术来降低维数，进而减小计算量。上述的缺点限制了ANN在多组分气体浓度光谱定量分析中应用。

支持向量机(Support Vector Machine，简称SVM)，是一种基于统计学习理论的新型学习机器(Vapnik，1998)方法，已在模式识别、时序分析以及函数逼近等领域有了初步应用，并取得了较好的效果。由于SVM方法采用结构风险最小化准则(Structural Risk Minimization，简称SRM准则)，在最小化样本点误差的同时，最小化模型的结构风险，提高了模型的泛化能力。

发明内容

根据上述背景技术中多组分气体浓度定量分析算法存在的缺陷和不足，本发明的目的在于，提供一种基于支持向量机的多组分气体浓度定量分析仪，利用该分析仪可对吸收谱线相互重叠交叉的多组分混合气体进行浓度的定量测量分析。

为了实现上述目的，本发明采取的技术方案是，将支持向量机技术应用于多组分气体浓度定量分析仪中。

基于支持向量机的多组分气体浓度定量分析仪的特征在于，该仪器的硬件部分由气体采样探头、连接管路、光谱仪、数据传输线及计算机组成；

气体采样探头通过连接管路连接在光谱仪上，对进入光谱仪的被测气体进行过滤除尘及加热去湿后，进入光谱仪，由光谱仪获得扫描波数或波长范围内的光谱数据，光谱仪通过数据传输线与计算机连接；

基于支持向量机的多组分气体浓度定量分析仪的特征在于，多组分气体浓度定量分析仪软件运行于计算机中，该软件由数据预处理模块和支持向量机并行算法模块组成；数据预处理模块提取有效的特征量Xi，i＝1，2，3……L，L个有效特征量作为支持向量机并行算法模块的输入，支持向量机并行算法模块的输出为N个多组分气体浓度Yj，j＝1，2，3……N。

本发明将SYM技术应用于多组分气体浓度定量分析中，较好的解决了上述的多组分气体浓度定量分析方法中要求数据样本点多、过学习或过拟合现象的缺陷，具有能控制过拟合、无局部最小点、泛化能力强、提高检验准确性和分辨力等优点。

附图说明

图1是本发明--基于支持向量机(SVM)的多组分气体浓度定量分析仪硬件组成图；

图2是数据预处理模块处理示意图；

图3是支持向量机(SVM)并行算法结构图；

图4是发明人给出的5组分混合气体某种浓度样本的光谱数据图。

以下结合附图和发明人给出的实施例对本发明作进一步的详细说明，但本发明不限于这个实例。

具体实施方式

基于支持向量机(SVM)的多组分气体浓度定量分析仪由硬件和软件两部分组成。

1硬件组成

基于支持向量机(SVM)的多组分气体浓度定量分析仪的硬件包括气体采样探头、连接管路、光谱仪、数据传输线及计算机组成，如图1所示。

气体采样探头，适用于在高粉尘污染，高温度，高湿度等环境中进行气体连续采样，其基本功能是对进入分析仪的被测气体进行过滤除尘及加热去湿。采样探头实现其功能的方式、结构、材质、长度可根据不同的实际情况确定，不作限制。

连接管路，可以是玻璃管、橡胶管及其他不被多组分被测气体腐蚀的密闭连接管。

光谱仪，给出波长/波数对应的透射率关系即透射光谱数据，既可是红外光谱仪，也可是紫外光谱仪，也可是其他波段的光谱仪。其基本参数包括波长间隔或波数间隔、扫描波长或波数上、下限范围、扫描速度等参数，可根据实际情况进行选用，不做限制。

数据传输线，为光谱仪与计算机的连接线，连接线传输的信号形式可以是RS-232串口形式、485总线形式、USB形式或其他能与计算机进行数据传输的信号形式。

计算机可以是个人计算机、笔记本计算机、工控计算机、嵌入式计算机等计算机。

2软件组成

软件运行于计算机中，包括数据预处理模块和支持向量机(SVM)的并行算法模块。算法输出的结果不是一个而是多个，提高了训练与检验效率。

1)数据预处理模块

数据预处理模块将由光谱仪输出的初始光谱数据----波长或波数Ni相对应的透射率ηi(i＝1，2，3……L)关系转换为更能反映多组分气体浓度量值的特征量Xi与波长或波数的关系，以便消除噪声和漂移的影响，提高气体定量分析准确性和分辨力。特征量提取方法可以是如下子模块给出的算法，也可是其他有效算法，如图2所示。

(1)小波变换重构法子模块，其输入为初始光谱数据ηi(i＝1，2，3……L)，输出为特征量T_ij＝X_ij。小波变换重构法主要用于消除初始光谱数据中的低频漂移或其他高频干扰。小波变换重构法由小波分解、阈值处理及小波重构3部分组成。

●小波分解

小波分解，输入为初始光谱数据，输出为小波分解系数。

●阈值处理

阈值处理，输入为小波分解系数，输出为经过处理后的小波分解系数。对各个层的小波系数进行处理，寻找一个合适的数值λ作为门限。例如要消除低频漂移干扰时，把小于λ_l的小波系数设为零，对高于λ_l的小波系数予以保留；如果要消除高频噪声干扰，则把大于λ_h的小波系数设为零，对小于λ_h的小波系数予以保留。阈值λ_l和λ_h可以是固定的数值，也可是可变的数值，可根据实际情况选定，不做限定。

●小波重构

小波重构输入为经过阈值处理后的小波系数，输出为新的光谱数据。小波重构的方法可以是经典的小波重构方法，也可是其他的方法，不作限制。

(2)数据归一扩展法子模块，其输入为初始光谱数据ηi(i＝1，2，3……L)，输出为特征量T_ij＝X_ij，可用如下的公式描述：

$T_{\mathrm{ij}}=\frac{{T0}_{\mathrm{ij}}}{{\mathrm{Av}}_i}\×A$

${\mathrm{Av}}_i=\frac{1}{H}\mathrm{\Σ\ηi}$

其中Av_i是第k种组合多组分混合气体初始光谱数据的平均值，i＝m，m+1，m+2……m+H。可以是全部波数平均值，m＝1，m+H＝L；也可选择不同的范围平均值，m＞1，m+H＜L；TO_ij为初始光谱数据，表示混合气体第k种组合在波数Nj处的透射率η_kj，也可是初始光谱数据与初始光谱数据平均值之差；A为扩展倍数；T_kj为归一扩展子模块输出的特征量，即T_kj＝X_kj。

特征量提取方法可以是如上子模块给出的算法，也可是其他能消除噪声和漂移的影响，提高气体定量分析准确性和分辨力的任何算法。

2)支持向量机(SVM)并行算法模块

支持向量机(SVM)并行算法模块，将数据预处理模块输出的特征量Xi，i＝1，2，3……L作为支持向量机(SVM)并行算法模块的输入，输出为多组分气体浓度Yj，j＝1，2，3……N，支持向量机(SVM)并行算法模块结构如图3所示。

支持向量机(SVM)并行算法模块由输入、核函数内积及输出函数3部分组成。

图3中输入Xi，i＝1，2，3……L是数据预处理模块输出的特征量。

函数内积，即图3中的K，为核函数内积，核函数可选择线性核函数或RBF函数或多项式核函数或常用的核函数。

输出函数，输出函数 $y_j=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x_i,x)+b)$ 是将函数内积运算的结果运算后进行输出。

图3中，支持向量机的类型不限，K为核函数内积，可以是线性核函数、RBF函数、多项式核函数、Sigmoid、改进RBF函数等常用的核函数，也可以是满足Mercer条件的其他函数形式，输出函数 $y_j=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x_i,x)+b)$ 中的α_i和b由训练样本和检验样本对支持向量机(SVM)并行算法模块进行训练、检验后确定。

3处理流程

基于支持向量机(SVM)的多组分气体浓度定量分析仪按以下流程实现：

1)初始样本库的建立

(1)制备已知浓度的标准样气；

(2)光谱仪扫描，用光谱仪在上限波数N₁与下限波数N₂范围内对已知浓度的标准样气进行扫描，建立具已知浓度的标准样气初始样本库。其中一部分作为训练样本，另一部分作为检验样本。

数据样本结构为：{(x_ij，y_jk)，i＝1，2，…，N；j＝1，2，…，L；k＝1，2，…，M}，其中x_ij∈R为第j个组分在波数i处的透射率，y_jk∈R为第k个混合气体样本中第j个组分气体浓度值，i为在上限波数N₁与下限波数N₂范围内的波数。

2)最终样本库的建立

对初始样本的光谱数据进行预处理，消除噪声和漂移的影响，改善气体定量分析准确性，提高分辨力。初始样本的光谱数据的预处理方法有：小波变换重构法、数据归一扩展法等，也可是其他的以消除噪声和漂移的影响为主的数据预处理方法。

3)支持向量机(SVM)并行算法模块的训练与检验过程

首先，确定支持向量机(SVM)并行算法模块参数，包括支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值。用最终样本库的样本数据中的一部分样本对对支持向量机(SVM)并行算法模块进行训练，确定α_i和b。训练时，特征量Xi，i＝1，2，3……N作为支持向量机(SVM)并行算法模块的输入，输出为多组分气体浓度Yj，j＝1，2，3……L。当Yj的数值与期望值---标准样气各组分浓度值偏差满足要求时，训练结束。然后用最终样本库的样本数据中的另一部分样本对支持向量机(SVM)并行算法模块进行检验，检验满足偏差要求，支持向量机(SVM)并行算法模块结构、参数等被最终确定，确定后可用于实际未知多组分气体浓度定量测量分析。

下面是发明人给出的一个实例，但本发明不限于这个实例。

仪器硬件由气体采样探头、连接管路、光谱仪、数据传输线及计算机组成，如图1所示。

在本实例中待测的多组分气体为甲烷、乙烷、丙烷、正丁烷、异丁烷5种气体的混合气体。使用的光谱仪为红外傅立叶光谱仪，在4400cm^-1-400cm¹波数范围进行扫描，可获得2075个红外透过率光谱数据，覆盖被测气体的主、次吸收谱线。

在本实例中，多组分气体各组分的特征吸收谱波数如表1所示。

表1混合气体各组分的特征吸收波数

气体名称	主吸收谱线波数	次吸收谱线波数
			甲烷	3017	1305
乙烷	2965	1470
			丙烷	2968	1472
异丁烷	2967	1477
			正戊烷	2965	1464

从表1中可以看出，多组分气体的各个组分的主吸收光谱波数和次吸收光谱波数的间隔小，重叠严重。

图4所示为甲烷、乙烷、丙烷、正丁烷、异丁烷5组分混合气体某种浓度样本的光谱数据图。

基于支持向量机(SVM)的多组分气体浓度定量分析仪按以下流程实现定量浓度分析：

1初始样本库的建立

初始样本库建立混合气体各组分浓度与其光谱数据的关系。

(1)制备已知浓度的标准样气，标准样气的浓度数值如下表2所示。

序号	甲烷(95-70％)	乙烷(1-20％)	丙烷(1-5％)	正丁烷(1-5％)	异丁烷(1-5％)
						1	*95.00	1.00	1.00	2.00	1.00
2	95.00	2.00	2.00	0.50	0.50
						3	95.00	3.00	1.00	0.50	0.50
4	95.00	3.90	0.50	0.50	0.10
						5	95.00	4.60	0.20	0.10	0.10
6	90.00	7.80	1.00	1.00	0.20
						7	*90.00	6.90	2.00	0.10	1.00
8	90.00	6.00	3.00	0.50	0.50
						9	90.00	4.70	4.00	1.00	0.30
10	90.00	4.00	5.00	0.50	0.50
						11	85.00	8.00	4.00	2.50	0.50
12	85.00	9.00	3.00	2.00	1.00
						13	*85.00	10.00	2.00	1.50	1.50
14	85.00	11.00	1.00	1.00	2.00
						15	85.00	11.80	0.20	0.50	2.50
16	80.00	13.00	4.00	0.50	2.50
						17	80.00	14.00	3.00	1.00	2.00
18	80.00	15.00	2.00	1.50	1.50
						19	*80.00	16.00	1.00	2.00	1.00
20	80.00	16.70	0.30	2.50	0.50
						21	75.00	19.00	1.00	1.00	4.00
22	75.00	20.00	2.00	2.00	1.00
						23	75.00	14.00	3.00	3.00	5.00
24	75.00	15.00	4.00	4.00	2.00
						25	*75.00	15.60	5.00	0.40	4.00
26	70.00	16.00	5.00	5.00	4.00
						27	*70.00	17.00	4.00	4.00	5.00
28	70.00	18.00	3.00	5.00	4.00
						29	70.00	19.00	2.00	4.00	5.00
30	70.00	20.00	1.00	5.00	4.00
						注：表2中，*的为检验样本，其余为训练样本。

(2)对上述M＝30种标准样气，逐一导入光谱仪进行扫描，经光谱仪在上限波数N₁＝400cm^-1与下限波数N₂＝4400cm^-1范围内对已知浓度的标准样气进行扫描，获得相应的光谱数据，M种标准样气和其对应的光谱数据组成初始样本库。其中一部分作为训练样本，另一部分作为检验样本。

2最终样本库的建立

对初始样本库的光谱数据进行数据预处理，消除噪声和漂移的影响，改善气体定量分析准确性，提高分辨力。初始样本的光谱数据的预处理方法为数据归一扩展法。

3支持向量机(SVM)并行算法模块的训练与检验过程

首先，确定支持向量机(SVM)并行算法模块参数，支持向量机的类型为v-SVR和ε-SVR，核函数采用线性核函数，参数惩罚因子C的值为10.0-1000，损失函数ε的值取0.1。用最终样本库的样本数据中的一部分样本对对SVM并行算法进行训练，确定α_i和b。训练时，特征量Xi，i＝1，2，3……2070作为支持向量机(SVM)并行算法模块的输入，输出为多组分气体浓度Yj，j＝1，2，3，4，5。当Yj的数值与期望值---标准样气各组分浓度值偏差满足要求时，训练结束。然后用最终样本库的样本数据中的另一部分样本对对SVM并行算法进行检验，检验满足偏差要求，支持向量机(SVM)并行算法模块结构、参数等被最终确定，可用于实际未知多组分气体浓度进行定量测量分析。

甲烷检验计算结果如表3所示。

      表3甲烷检验计算结果表

实际浓度％	检验浓度％	偏差％
			95.00	94.4937	0.51
90.00	90.4203	-0.42
			85.00	85.5839	-0.58
80.00	80.4992	-0.50
			75.00	75.4817	-0.48
70.00	69.2708	0.73

乙烷检验计算结果如表4所示。

      表4乙烷检验计算结果表

实际浓度％	检验浓度％	偏差％
			2.00	1.72	0.28
4.60	5.35	-0.75
			6.90	7.21	-0.31
4.00	3.55	0.45
			9.00	8.96	0.04
11.00	11.21	-0.21
			13.00	13.46	-0.46
15.00	15.48	-0.48
			16.70	16.88	-0.18
20.00	20.06	-0.06
			15.00	15.69	-0.69
16.00	15.98	0.02
			18.00	17.60	0.40
20.00	19.72	0.28

丙烷检验计算结果如表5所示。

      表5丙烷检验计算结果表

实际浓度％	检验浓度％	偏差％
			2.00	3.06	-1.06
0.20	-1.00	1.20
			2.00	1.68	0.32
5.00	5.33	-0.33
			3.00	3.04	-0.04
1.00	1.01	-0.01
			4.00	3.76	0.24
2.00	2.14	-0.14
			0.30	-0.20	0.50
2.00	1.83	0.17
			4.00	3.99	0.02
5.00	3.97	1.03
			3.00	2.79	0.21
1.00	0.71	0.29

正丁烷检验计算结果如表6所示。

      表6正丁烷检验计算结果表

实际浓度％	检验浓度％	偏差％
			0.50	0.96035	-0.46
0.10	0.394832	-0.29
			0.10	-0.30519	0.41

0.50	0.683204	-0.18
			2.00	1.9978	0.00
1.00	0.920969	0.08
			0.50	0.738086	-0.24
1.50	1.66092	-0.16
			2.50	2.24518	0.25
2.00	2.16355	-0.16
			4.00	3.90744	0.09
5.00	4.24399	0.76
			5.00	4.42227	0.58
5.00	4.27751	0.72

异丁烷检验计算结果如表7所示。

     表7异丁烷检验计算结果表

实际浓度％	检验浓度％	偏差％
			1.00	-0.20735	1.21
0.10	0.575667	-0.48
			0.20	0.28173	-0.08
0.50	0.288089	0.21
			0.50	0.859688	-0.36
1.50	1.57122	-0.07
			2.50	2.19663	0.30
2.00	2.13214	-0.13
			1.00	1.21159	-0.21
4.00	3.21929	0.78
			5.00	3.93144	1.07
4.00	3.31955	0.68
			5.00	4.73349	0.27
5.00	4.4886	0.51

Claims (5)

1.基于支持向量机的多组分气体浓度定量分析仪，其特征在于，该仪器的硬件部分由气体采样探头、连接管路、光谱仪、数据传输线及计算机组成；

气体采样探头通过连接管路连接在光谱仪上，进入气体采样探头的被测气体经过过滤除尘及加热去湿处理后进入光谱仪，由光谱仪获得波数或波长范围内的透射率与对应波长或波数相互关系，给出光谱数据，光谱仪通过数据传输线与计算机连接，光谱数据经数据传输线进入计算机；

计算机中有多组分气体浓度定量分析仪软件，该软件主要包含有数据预处理模块和支持向量机并行算法模块；软件的数据预处理模块提取有效的特征量Xi，i＝1，2，3……L，作为支持向量机并行算法模块的输入，支持向量机并行算法模块的输出为N个组分气体浓度Yj，j＝1，2，3……N。

2.如权利要求1所述的基于支持向量机的多组分气体浓度定量分析仪，其特征在于，所述的光谱仪为红外光谱仪或紫外光谱仪或其他波段的光谱仪。

3.如权利要求1所述的基于支持向量机的多组分气体浓度定量分析仪，其特征在于，所述的连接管路是玻璃管或橡胶管或其他不被多组分被测气体腐蚀的密闭连接管。

4.如权利要求1所述的基于支持向量机的多组分气体浓度定量分析仪，其特征在于，所述的数据传输线是光谱仪与计算机进行数据传输的连接线，连接线传输信号的形式为RS-232串口形式或485总线形式或USB形式或其他能与计算机进行数据传输的形式。

5.如权利要求1所述的基于支持向量机的多组分气体浓度定量分析仪，其特征在于，所述的计算机是个人计算机或笔记本计算机或工控计算机或嵌入式计算机。

Images