CN101271063A - 气体红外光谱分析支持向量机校正模型方法的流程 - Google Patents
气体红外光谱分析支持向量机校正模型方法的流程 Download PDFInfo
- Publication number
- CN101271063A CN101271063A CN 200810018146 CN200810018146A CN101271063A CN 101271063 A CN101271063 A CN 101271063A CN 200810018146 CN200810018146 CN 200810018146 CN 200810018146 A CN200810018146 A CN 200810018146A CN 101271063 A CN101271063 A CN 101271063A
- Authority
- CN
- China
- Prior art keywords
- gas
- supporting vector
- correct model
- vector quantities
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了气体红外光谱分析支持向量机校正模型方法的流程。包括气体红外光谱数据样本建立流程;数据预处理流程;支持向量机校正模型训练与检验流程。所述气体红外光谱数据样本建立流程包括:制备已知浓度标准样气,用光谱仪对已知浓度的标准样气进行扫描;所述红外光谱数据预处理流程,是对所建立的训练样本和检验样本进行数据预处理,消除噪声和漂移的影响;所述支持向量机校正模型的训练与检验流程包括:校正模型训练流程,校正模型检验流程。经过上述流程的支持向量机校正模型可用于实际未知气体组分浓度的分析。具有简单,节省时间,使用方便的特点。应用本发明所述流程分析5组分气体组分浓度的时间小于10秒,分析的精度小于1%。
Description
技术领域
本发明涉及一种对气体组分浓度进行红外光谱分析支持向量机校正模型方法的流程,具体的说是通过建立气体红外光谱数据样本;红外光谱数据预处理;支持向量机校正模型的训练与检验等过程,利用已经训练和检验过的支持向量机校正模型,对输入的气体红外光谱数据样本进行分析计算,得出气体组分浓度方法的流程。
背景技术
气体红外光谱分析的方法有多种,传统的气体红外光谱分析方法主要有曲线拟合法、K矩阵法、P矩阵法、多元线性回归法、最小二乘法、偏最小二乘回归等。
上述方法对于气体组分气体吸收谱线不重叠、组分少的气体分析效果较好;但在处理含烃类等气体组分气体特征吸收谱线重叠严重的气体时,上述方法不能有效的进行分析。
同时,由于实际标定时难以制作海量的标定数据样本。例如,某气体的组分为5种,每种组分气体的浓度为0%-100%,如果每种组分气体浓度按1%的间隔标定100个点,则5组分气体需1005个标定数据样本。实际工作中,存在构造数量多且分布合理的气体样本是不容易实现的缺陷。
发明内容
本发明的目的在于提供一种具有流程简单、节省时间、使用方便的气体红外光谱分析支持向量机校正模型方法的流程。
为了克服现有技术的不足,本发明的技术方案是这样解决的:本发明的特点和显著的进步在于包括以下步骤:
1)、建立气体红外光谱数据样本;包括:
①、制备已知浓度的标准样气;
②、用光谱仪对已知浓度的标准样气进行扫描,建立已知浓度的标准样气红外光谱数据样本,样本的一部分作为训练样本,另一部分作为检验样本;
2)、对光谱数据进行预处理;包括
①、对所建立的训练样本和检验样本进行数据预处理;
②、对预处理的数据进行噪声和漂移的消除;
3)、支持向量机校正模型的训练与检验流程;包括:
①使用训练样本对支持向量机校正模型进行训练,确定支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值;
②、用检验样本对支持向量机校正模型进行检验,检验满足偏差要求,支持向量机校正模型有关参数被最终确定,确定参数后的支持向量机校正模型可用于实际未知气体组分浓度的分析。
所述的支持向量机校正模型在使用前要进行训练,包括:
(1)首先,确定支持向量机校正模型参数,包括支持向量机类型、核函数、惩罚因子C及损失函数ε的数值;
(2)其次,用一部分已知浓度的标准样气红外光谱数据样本对支持向量机校正模型进行训练,确定支持向量机类型、核函数、惩罚因子C及损失函数ε的数值;
(3)训练时,已知浓度的气体红外光谱数据样本作为支持向量机校正模型的输入,输出为气体组分浓度;
(4)、当输出的气体组分浓度与已知的气体组分浓度的偏差满足要求时,训练结束;
(5)、当输出的气体组分浓度与已知的气体组分浓度的偏差不满足要求时,进行误差计算分析;
(6)、根据误差计算分析结果,调整支持向量机校正模型参数;
(7)、将调整后的参数应用于支持向量机校正模型中,再次重复上述(3)、(4)的训练。
所述的支持向量机校正模型在使用前要进行检验,包括:
(1)、用另一部分已知浓度的标准样气红外光谱数据样本对支持向量机校正模型的参数进行检验,首先,检验是否满足偏差要求,若满足偏差要求,支持向量机校正模型有关参数被最终确定,确定参数后的支持向量机校正模型可用于实际未知气体组分浓度的分析;
(2)、若不满足偏差要求,需要重新调整支持向量机校正模型有关参数,重新对支持向量机校正模型进行检验,如果满足偏差要求,可用于实际未知气体组分浓度的分析。
本发明与现有的分析方法的流程相比,由于采用了支持向量机校正模型,流程具有简单,节省时间,使用方便的特点。
应用本发明所述流程分析5组分气体组分浓度的时间小于10秒,分析的精度小于1%。
附图说明
图1为本发明所述流程原理示意图。
图2为本发明所述支持向量机校正模型训练流程图。
图3为本发明所述支持向量机校正模型检验流程图。
具体实施方式
附图为本发明的一个实施例。
下面结合附图和实施例,对本发明内容作进一步的详细说明,但本发明不限于这个实例。
如附图1所示,本发明的特点和显著的进步在于所述的流程包括气体红外光谱数据样本建立流程;红外光谱数据预处理流程;支持向量机校正模型的训练与检验流程。
所述气体红外光谱数据样本建立流程,包括
1)制备已知浓度的标准样气;
2)用光谱仪对已知浓度的标准样气进行扫描,建立已知浓度的标准样气红外光谱数据样本,样本的一部分作为训练样本,另一部分作为检验样本;
所述红外光谱数据预处理流程,是对所建立的训练样本和检验样本进行数据预处理;对预处理的数据进行噪声和漂移的消除;
支持向量机校正模型的训练与检验流程,包括使用训练样本对支持向量机校正模型进行训练,确定支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值;用检验样本对支持向量机校正模型进行检验,检验满足偏差要求,支持向量机校正模型有关参数被最终确定,确定参数后的支持向量机校正模型可用于实际未知气体组分浓度的分析。
下面针对具体的内容分步进行描述:
1、气体样本组分浓度情况的确定
气体样本组分浓度的确定是流程建立的基础工作。气体样本组分浓度的确定,通过如下的技术手段进行:
1)调查与查阅有关气体情况的文献资料;
2)进行统计分析加工;
3)考虑实际应用的需要。
2、红外光谱数据样本的建立
1)制备已知浓度的气体样本;
2)用光谱仪对已知浓度的气体样本进行扫描,光谱仪的输出为与已知浓度对应的红外光谱数据样本。样本的一部分作为训练样本,另一部分作为检验样本。
3、红外光谱数据样本数据预处理
用数据预处理方法对红外光谱数据进行预处理;对预处理的数据进行噪声和漂移的消除,提高气体分析精度。
数据预处理方法可以是目前能对红外光谱数据样本进行预处理的任何方法,本发明不做限定。
4、支持向量机校正模型的训练与检验
用红外光谱数据样本对支持向量机校正模型进行训练和检验。
1)支持向量机校正模型训练流程
用红外光谱数据样本对支持向量机校正模型进行训练,如附图2所示。
(1)首先,确定支持向量机校正模型参数,包括支持向量机类型、核函数、惩罚因子C及损失函数ε的数值等。
(2)然后用一部分样本对支持向量机校正模型进行训练,确定支持向量机类型、核函数、惩罚因子C及损失函数ε的数值。
2)支持向量机校正模型检验流程
如附图3所示。检验时,用另一部分样本对支持向量机校正模型进行检验,检验满足偏差要求,支持向量机校正模型有关参数被最终确定,确定参数后的支持向量机校正模型可用于实际未知气体组分浓度的分析。
实施例
下面是发明人给出的一个实例,但本发明不限于这个实例。
在本实例中,待测的气体由乙烷、丙烷2种气体组成。使用的光谱仪为红外傅立叶光谱仪,在4000cm-1-400cm-1波数范围进行扫描,可获得1860个红外透过率光谱数据,覆盖被测气体组分气体的主、次特征吸收谱线。
在本实例中,气体组分气体的特征吸收谱线如表1所示。
表1气体组分气体特征吸收谱线
从表1中可以看出,气体组分气体乙烷、丙烷的主特征吸收谱线和次特征吸收谱线的间隔很小,重叠严重。
本发明气体红外光谱分析支持向量机校正模型方法的流程如下:
1)红外光谱数据样本的建立
(1)制备已知浓度的标准样气
用标准纯乙烷、丙烷气体按照表2的浓度进行配制,配制14个标准样气样本。
表2标准样气组分浓度表
(2)用红外光谱仪对已知浓度的14个标准样气样本进行扫描,建立已知浓度的标准样气红外光谱数据样本
将配制好的14个标准样气样本,逐一导入红外光谱仪进行扫描,红外光谱仪扫描范围为400cm-1-4000cm-1,获得14个红外光谱数据样本,每一个红外光谱数据样本由1860个红外透过率光谱数据组成。红外光谱数据样本的结构为:其中,xi×Rd为在d维实域空间R上的第n个气体样本,为在扫描波长范围内L个光谱数据。
其中,序号为奇数的部分作为训练样本,序号为偶数的部分作为检验样本。
2)红外光谱数据样本数据预处理
本发明采用数据归一扩展法对红外光谱仪输出的透射光谱数据进行预处理。
归一是把红外光谱数据样本归为统一的模式下,避免光谱数据大小不一,归一后值常为0到1,简单说就是统一标准,消除噪声和漂移的影响;扩展是将归一的光谱数据进行放大,便于支持向量机校正模型对红外光谱数据微小变化细节的处理,提高分析准确性和分辨率。
数据归一扩展,可用如下的公式来描述。
式中,xav是气体红外光谱数据样本的平均值,l为光谱数据点的个数,A为放大倍数。
3)、训练与检验过程
1)校正模型训练流程
使用表2中序号为奇数的样本对支持向量机校正模型进行训练,确定支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值。
训练时,用表2中序号为奇数的已知浓度的红外光谱数据样本作为支持向量机校正模型的输入,输出为表2中气体的组分浓度。调整支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值等参数,当输出的气体组分浓度与已知的气体组分浓度一致时,训练结束。
本实施例的支持向量机的类型为ε-SVM;核函数为线性核函数;惩罚因子C的数值取C=16;损失函数ε的数值取0.02。
2)校正模型训练流程
检验时,用表2中序号为偶数的已知浓度的红外光谱数据样本作为支持向量机校正模型的输入,对支持向量机校正模型进行检验,输出为表2中序号为偶数的气体组分浓度。如果检验满足偏差要求,支持向量机校正模型有关参数被最终确定,确定参数后的支持向量机校正模型可用于实际未知气体组分浓度的分析。
根据上述过程,乙烷、丙烷气体的检验计算结果如表3所示。
表3气体组分浓度检验计算结果表
Claims (3)
1、一种气体红外光谱分析支持向量机校正模型方法的流程,其特征在于包括以下步骤:
1)、建立气体红外光谱数据样本;包括:
①、制备已知浓度的标准样气;
②、用光谱仪对已知浓度的标准样气进行扫描,建立已知浓度的标准样气红外光谱数据样本,样本的一部分作为训练样本,另一部分作为检验样本;
2)、对光谱数据进行预处理;包括:
①、对所建立的训练样本和检验样本进行数据预处理;
②、对预处理的数据进行噪声和漂移的消除;
3)、支持向量机校正模型的训练与检验流程;包括:
①使用训练样本对支持向量机校正模型进行训练,确定支持向量机的类型、核函数、惩罚因子C及损失函数ε的数值;
②、用检验样本对支持向量机校正模型进行检验,检验满足偏差要求,支持向量机校正模型有关参数被最终确定,确定参数后的支持向量机校正模型可用于实际未知气体组分浓度的分析。
2、根据权利要求1所述的气体红外光谱分析支持向量机校正模型方法的流程,其特征在于所述的支持向量机校正模型在使用前要进行训练,包括:
(1)首先,确定支持向量机校正模型参数,包括支持向量机类型、核函数、惩罚因子C及损失函数ε的数值;
(2)其次,用一部分已知浓度的标准样气红外光谱数据样本对支持向量机校正模型进行训练,确定支持向量机类型、核函数、惩罚因子C及损失函数ε的数值;
(3)训练时,已知浓度的气体红外光谱数据样本作为支持向量机校正模型的输入,输出为气体组分浓度;
(4)、当输出的气体组分浓度与已知的气体组分浓度的偏差满足要求时,训练结束;
(5)、当输出的气体组分浓度与已知的气体组分浓度的偏差不满足要求时,进行误差计算分析;
(6)、根据误差计算分析结果,调整支持向量机校正模型参数;
(7)、将调整后的参数应用于支持向量机校正模型中,再次重复上述(3)、(4)的训练。
3、根据权利要求1所述的气体红外光谱分析支持向量机校正模型方法的流程,其特征在于所述的支持向量机校正模型在使用前需要进行检验,包括:
(1)、用另一部分已知浓度的标准样气红外光谱数据样本对支持向量机校正模型的参数进行检验,首先,检验是否满足偏差要求,若满足偏差要求,支持向量机校正模型有关参数被最终确定,确定参数后的支持向量机校正模型可用于实际未知气体组分浓度的分析;
(2)、若不满足偏差要求,需要重新调整支持向量机校正模型有关参数,重新对支持向量机校正模型进行检验,如果满足偏差要求,可用于实际未知气体组分浓度的分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200810018146 CN101271063A (zh) | 2008-05-07 | 2008-05-07 | 气体红外光谱分析支持向量机校正模型方法的流程 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200810018146 CN101271063A (zh) | 2008-05-07 | 2008-05-07 | 气体红外光谱分析支持向量机校正模型方法的流程 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101271063A true CN101271063A (zh) | 2008-09-24 |
Family
ID=40005163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200810018146 Pending CN101271063A (zh) | 2008-05-07 | 2008-05-07 | 气体红外光谱分析支持向量机校正模型方法的流程 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101271063A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776577A (zh) * | 2010-02-26 | 2010-07-14 | 浙江大学 | 一种植物营养含量检测光谱仪的校正方法 |
CN101866428A (zh) * | 2010-07-13 | 2010-10-20 | 中国人民解放军总后勤部油料研究所 | 一种发动机燃料种类和牌号的快速识别方法 |
CN101949832A (zh) * | 2010-09-02 | 2011-01-19 | 西安交通大学 | 傅里叶变换红外光谱畸变识别与处理方法 |
CN101713731B (zh) * | 2009-11-09 | 2012-02-29 | 北京中医药大学 | 一种药物制剂包衣质量的鉴别方法 |
CN103018383A (zh) * | 2012-12-07 | 2013-04-03 | 四川电力科学研究院 | 一种油色谱在线监测噪声数据校正方法 |
CN103163102A (zh) * | 2011-12-09 | 2013-06-19 | 深圳迈瑞生物医疗电子股份有限公司 | 一种气体测量方法、设备及干扰气体补偿装置 |
CN108732141A (zh) * | 2018-06-29 | 2018-11-02 | 深圳大学 | 一种医用呼吸二氧化碳浓度测量方法及装置 |
CN111177894A (zh) * | 2019-12-12 | 2020-05-19 | 上海卫星工程研究所 | 基于支持向量机模型的红外笼加热功率修正方法 |
CN111289455A (zh) * | 2020-03-25 | 2020-06-16 | 欧梯恩智能科技(苏州)有限公司 | 分布式异味评价方法、装置、终端及可读存储介质 |
CN114636688A (zh) * | 2022-05-18 | 2022-06-17 | 合肥金星智控科技股份有限公司 | 模型校正方法、光谱设备、计算机设备和存储介质 |
-
2008
- 2008-05-07 CN CN 200810018146 patent/CN101271063A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101713731B (zh) * | 2009-11-09 | 2012-02-29 | 北京中医药大学 | 一种药物制剂包衣质量的鉴别方法 |
CN101776577A (zh) * | 2010-02-26 | 2010-07-14 | 浙江大学 | 一种植物营养含量检测光谱仪的校正方法 |
CN101866428A (zh) * | 2010-07-13 | 2010-10-20 | 中国人民解放军总后勤部油料研究所 | 一种发动机燃料种类和牌号的快速识别方法 |
CN101949832A (zh) * | 2010-09-02 | 2011-01-19 | 西安交通大学 | 傅里叶变换红外光谱畸变识别与处理方法 |
CN101949832B (zh) * | 2010-09-02 | 2012-07-25 | 西安交通大学 | 傅里叶变换红外光谱畸变识别与处理方法 |
CN103163102A (zh) * | 2011-12-09 | 2013-06-19 | 深圳迈瑞生物医疗电子股份有限公司 | 一种气体测量方法、设备及干扰气体补偿装置 |
CN103018383A (zh) * | 2012-12-07 | 2013-04-03 | 四川电力科学研究院 | 一种油色谱在线监测噪声数据校正方法 |
CN103018383B (zh) * | 2012-12-07 | 2015-07-15 | 四川电力科学研究院 | 一种油色谱在线监测噪声数据校正方法 |
CN108732141A (zh) * | 2018-06-29 | 2018-11-02 | 深圳大学 | 一种医用呼吸二氧化碳浓度测量方法及装置 |
CN108732141B (zh) * | 2018-06-29 | 2021-01-05 | 深圳大学 | 一种医用呼吸二氧化碳浓度测量方法及装置 |
CN111177894A (zh) * | 2019-12-12 | 2020-05-19 | 上海卫星工程研究所 | 基于支持向量机模型的红外笼加热功率修正方法 |
CN111177894B (zh) * | 2019-12-12 | 2023-06-13 | 上海卫星工程研究所 | 基于支持向量机模型的红外笼加热功率修正方法 |
CN111289455A (zh) * | 2020-03-25 | 2020-06-16 | 欧梯恩智能科技(苏州)有限公司 | 分布式异味评价方法、装置、终端及可读存储介质 |
CN114636688A (zh) * | 2022-05-18 | 2022-06-17 | 合肥金星智控科技股份有限公司 | 模型校正方法、光谱设备、计算机设备和存储介质 |
CN114636688B (zh) * | 2022-05-18 | 2022-08-12 | 合肥金星智控科技股份有限公司 | 模型校正方法、光谱设备、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101271063A (zh) | 气体红外光谱分析支持向量机校正模型方法的流程 | |
Mauri et al. | Qualification of HSQC methods for quantitative composition of heparin and low molecular weight heparins | |
CN101210875A (zh) | 基于近红外光谱技术的无损测量土壤养分含量的方法 | |
CN104390927B (zh) | 煤炭样品中灰分的快速检测方法 | |
CN109142263B (zh) | 一种固体推进剂制备过程的组分分散均匀性在线测试方法 | |
CN101216419A (zh) | 一种快速检测黄酒品质指标的方法 | |
CN107561033A (zh) | 基于太赫兹光谱的混合物中关键物质定性和定量测定方法 | |
CN104931454A (zh) | 一种利用近红外光谱分析技术快速测定纺织品中莱卡纤维含量的方法 | |
US20200217790A1 (en) | Method for qualitative and quantitative determination of key substances in mixture based on terahertz spectrum | |
CN102636450A (zh) | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 | |
CN101413884B (zh) | 近红外光谱分析仪及其分辨率的校正方法 | |
CN104614393A (zh) | 一种烟草纤维素含量的测定方法 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
Fan et al. | Direct calibration transfer to principal components via canonical correlation analysis | |
CN106126879B (zh) | 一种基于稀疏表示技术的土壤近红外光谱分析预测方法 | |
CN103760130B (zh) | 近红外光谱测定复方麝香注射液中吐温-80含量的方法 | |
CN102928356A (zh) | 一种快速测定香精溶剂含量的方法 | |
CN107727602B (zh) | 中红外光谱结合向量夹角定量分析三氯蔗糖含量的方法 | |
CN104198430A (zh) | 醋酸丁酸纤维素取代基含量的检测方法 | |
CN102103079B (zh) | 一种光谱分析方法 | |
CN109709060B (zh) | 一种沥青软化点、针入度和质量损失的测定方法 | |
CN104568811B (zh) | 煤炭样品中发热量的新型快速检测方法 | |
CN115436315A (zh) | 一种基于近红外光谱的水泥外加剂检测方法 | |
CN104181125A (zh) | 快速测定啤酒麦芽中库尔巴哈值的方法 | |
CN104535525B (zh) | 煤炭样品中的固定碳的快速检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080924 |