CN101949832B - 傅里叶变换红外光谱畸变识别与处理方法 - Google Patents

Abstract

本发明公开了一种傅里叶变换红外光谱畸变识别与处理方法。针对气体的傅里叶变换红外光谱在线分析过程中存在的光谱基线畸变问题，本发明首先针对特定的应用场合，确定待分析气体中可能存在的组分，然后根据这些气体组分的样气光谱，在整个光谱波数范围内搜寻对所有组分几乎不敏感的谱线，并根据这些谱线的光谱值采用谱图分段旋转与平移的方法校正实际光谱中发生的规则基线畸变。再根据用校正后的光谱进行气体浓度定量分析得到的结果进行光谱重构。根据重构光谱与实际光谱的差异，判断光谱是否发生局部不规则畸变，若发生局部不规则畸变，则舍弃该次分析结果，若连续发生局部不规则畸变，则重新进行背景扫描，以消除光谱畸变带来的偏差。

Description

傅里叶变换红外光谱畸变识别与处理方法

技术领域

本发明涉及基于光谱分析的气体在线分析领域，包括石油、天然气勘探的油气组分在线分析，电力设备故障气体的在线分析，矿井安全气体在线分析，环境保护中的工厂烟气、石油化工伴生气、内燃机尾气的在线分析，工厂、舰艇空气质量的在线监测。

背景技术

光谱分析是气体组分及其浓度分析的重要方法之一。近年来，随着数据处理、数据传输、数据存储技术的提高，光谱分析开始应用于气体的现场在线分析。由于光谱仪中涉及的部件较多，而且许多部件受环境因素的影响，例如光谱仪中的TGS探测器受温度影响，以至于光谱仪在长时间连续工作以后，光谱易出现畸变，这导致分析结果可能出现较大的偏差，严重影响到光谱仪的推广应用。虽然定期进行背景扫描有助于减小出现光谱畸变的概率，以及畸变的程度，但由于进行背景扫描时需要对气室进行清洗，这需要花费数分钟的时间，导致在线分析的数据丢失。因此，需要对光谱进行实时的畸变识别，并对不同的畸变做出不同的处理，以在保证分析准确度的前提下，尽可能少地丢失数据。

发明内容

本发明的目的在于，针对光谱仪在长时间连续工作以后光谱易出现畸变的缺点，采用光谱畸变的识别与处理技术，对不同畸变类型做出相应的处理，以在保证光谱分析准确度的基础上，尽可能减少扫描背景的次数，减少气体在线分析过程中数据的丢失。

为了实现上述任务，本发明采用如下技术解决方案：

首先针对特定应用场合确定可能存在的气体组分，并在整个光谱范围内搜寻对多有气体组分不敏感，或灵敏度非常低的谱线段，然后采用谱图分段旋转与平移的方法校正光谱的规则畸变。在校正规则畸变的基础上进行常规的气体浓度光谱分析，并根据分析结果进行光谱重构。比较重构光谱图与实际光谱图，根据两者的差异判断光谱是否发生局部不规则畸变。如果发生不规则畸变，则重新进行背景扫描，以获得正确的光谱，获得正确的分析结果。主要包括如下步骤：

1)针对特定应用场合确定可能存在的气体组分，将浓度尽可能相同，且浓度较大的各组分气体光谱在同一张图中绘出，观察整个光谱范围内的各组分光谱，搜寻对所有气体组分不敏感，或灵敏度非常低的谱线段，称之为非灵敏区。对灵敏度度低的谱线段，在各气体的浓度范围内，按照线性化处理，估算各种气体的灵敏度。对于第i种气体在第j个非敏感区的灵敏度S_ij，可用式(1)确定：

s_ij＝(1-mean(v_ij))/c_i                                                                    (1)

式中v_ij表示第i种气体在第j个非敏感区的若干个连续光谱值。连续光谱值的数量在3～20之间选取；mean(·)表述求均值运算；c_i表示第i种气体单组份样本的浓度。

对于第i种气体在第j个非敏感区的灵敏度S_ij，还可用式(2)确定：

s_ij＝inv(Y_i*Y_i′)*Y_i*(1-V_ij)′                                                           (2)

式中Y_i表示第i种气体单组份样本的浓度值向量；Y_i′表示向量Y_i的转置；V_ij＝[mean(v_ij1)，mean(v_ij2)，…，mean(v_ijN)]表示第i种气体单组份样本光谱中第j个非敏感区的谱线均值向量，mean(v_ijk)(k＝1，2，…，N)表示第i种气体第k个单组份样本光谱的第j个非敏感区的若干谱线的均值；inv(·)表示矩阵求逆运算。

2)在所有相邻两个非敏感区之间，对光谱段进行平移与旋转，进行基线校正。对于相邻的两个非敏感区之间的光谱，可采用式(3)来实现：

Baseline_j＝1-mean(v_j)-S_jC′                                                              (3a)

Baseline_j+1＝1-mean(v_j+1)-S_j+1C′                                                        (3b)

Baserate_j＝(Baseline_j+1-Baseline_j)/(num_j+1-num_j)                                         (3c)

v_j，j+1(num_j:num_j+1)＝v_j，j+1(num_j:num_j+1)+Baseline_j+([(num_j:num_j+1)]′-num_j)×Baserate_j (3d)

式中v_j表示第j非敏感区的连续若干谱线值；S_j＝[s_1j，s_2j，…，s_Mj]表示M组分气体在第j非敏感区的灵敏度向量；C′＝[c₁，c₂，…，c_M]表示M组分气体浓度向量；num_j表述第j非敏感区中的中心谱线序号；v_j，j+1(num_j:num_j+1)表示第j非敏感区中的中心谱线序号到第j+1非敏感区中的中心谱线序号之间的光谱值。

3)用标定的分析模型对校正后的光谱进行分析，获取气体组分及其浓度。如果部分气体浓度较大，而部分非灵敏区对这些气体有较小的灵敏度，则重新修正该非灵敏区的光谱数据，并重复步骤2)与3)，直到本步骤的两次相邻修正值之差趋于0；

4)由分析得到的气体组分及其浓度重构光谱。

对于光谱的重构，首先要估计每种气体的吸光率。对于给定的光谱仪，由于光程是恒定不变的，因此折算吸光率等价于吸光率。折算吸光率为实际吸光率与光程的乘积。对于每种气体，如果有不同浓度的单组份样本，每条谱线的折算吸光率根据步骤3)计算的气体浓度，以及单组份样本来估计。估计的方法包括分段线性化估计、多项式估计、样条插值法估计。

对于分段线性化估计，如果第i种气体的浓度计算值为c_i，x，且c_i，j＜c_i，x≤c_i，j+1，j＝1，2，…，N-1其中c_i，j、c_i，j+1分别表示第i种气体的第j个和第j+1个单组份样本浓度，N表示i种气体单组份样本数量。则第k条谱线处，该种气体的折算吸光度为：

rate＝(c_i，x-c_i，j)/(c_i，j+1-c_i，j)                                   (4a)

δ_ikx＝(1-rate)×δ_ik，j+rate×δ_ik，j+1                              (4b)

式中δ_ik，j和δ_ik，j+1分别表示第i种气体的第j个和第j+1个单组份样本在第k条谱线的折算吸光率。折算吸光率可以采用式(5)来计算：

δ_ik，j＝-log(v_ikj)/c_i，j                                             (5)

式中v_ikj表示第i种气体的第j个单组份样本在第k条谱线的光谱值，log(·)表示自然对数运算。

对于多项式估计，如果第i种气体的单组份样本浓度向量为C_i＝[c_i，1，c_i，2，…，c_i，N]，对应的第k条谱线的谱线值向量为V_ik＝[v_ik1，v_ik2，…，v_ikN]，可首先用式(5)计算样本的折算吸光率，获得向量Δ＝[δ_ik，1，δ_ik，2，…，δ_ik，N]^T，然后采用式(6)进行折算吸光率的多项式估计：

δ_ikx＝P×B                                                           (6)

式中P＝[log^M(c_i，x)，log^M-1(c_i，x)，…，1]，B＝[b_M，b_M-1，…，b₀]^T，M＜N-1，且M≥1。B由式(7)确定：

B＝inv(Q^TQ)×Q^T×Δ                                                   (7)

式中

对于样条插值估计，直接在Matlab环境下调用spline()函数进行估计：

δ_ikx＝spline(C_i，Δ，c_i，x)                                          (8)

或者首先采用式(9a)获得结构体xp，并保存下来

xp＝spline(C_i，Δ)                                                    (9a)

然后由该结构体和第i种气体浓度值用Matlab环境下的ppval()函数计算折算吸光率：

δ_ikx＝ppval(xp，c_i，x)                                               (9b)

考虑到在气体浓度在一定范围内，其吸光率是理想的，也就是几乎恒定不变，为了减小噪声对折算吸光率的估计值的影响，在各组分气体的折算吸光率的估计过程中为每种气体的每条谱线设定一个阈值T_ik，当气体浓度大于该值时，以浓度T_ik时的折算吸光率作为该种气体的折算吸光率，而不用采用本步骤所述的方法进行计算。T_ik的设置主要考虑的是第i中气体在第k条谱线的吸光率，以及该处光谱的平滑度。如果吸光率大，且存在吸收尖峰，则T_ik对应的值小一些，否则，设定大一些的T_ik值。

在估计好了各组分的折算吸光率以后，则根据Lamber-Beer定理，第k条谱线的光谱重构值按式(10)来计算：

${v^{\′}}_k=\exp (-\underset{i}{\overset{11}{\mathrm{\Σ}}}{\mathrm{\δ}}_{\mathrm{ikx}}{c}_{i,x})---\left(10\right)$

式中exp(·)表示自然指数运算。

在光谱重构的过程中，为节省时间，只考虑目标气体和干扰气体有吸收的光谱段，其它波数段可以不予考虑。

5)比较重构光谱与实际光谱，如果某波数段的实际光谱值小于重构光谱值，且差距较大，或者实际光谱中某波数段的光谱值大于1，且与1的差距明显，超出了一股的光谱噪声幅度，或者不同波数段的两者的差别符号相反，且差别较大，则说明光谱可能存在局部畸变，该次光谱分析结果偏差较大，必须舍弃，可能需要重新扫描背景。

附图说明

图1(a)浓度为均为1％的甲烷、乙烷、丙烷、异丁烷、正丁烷的傅里叶变换中红外光谱；

图1(b)浓度为均为1％的异戊烷、正戊烷、环戊烷、异己烷和正己烷的傅里叶变换中红外光谱；

图2(a)发生基线漂移的光谱；

图2(b)基线校正后的光谱；

图3(a)和图3(b)发生局部畸变的光谱及其重构光谱；

图3(c)只发生基线漂移的正常光谱及其重构光谱。

具体实施方式

不失一股性，本发明以石油、天然气勘探气测录井过程中所需要分析的气体的光谱分析为例，来说明本发明的具体实施方式。其中所采用的光谱仪为Bruker公司的T27系列傅里叶变换中红外吸收光谱仪，光谱波数分辨率为4波数，谱线值为透射率，每个谱图有1866个数据。具体包括下列步骤：

1)气体成分与非敏感区搜寻

石油、天然气勘探气测录井应用中，气体的主要成分是甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷、正戊烷、二氧化碳。既然主要分析的成分是轻烷烃，而石油的成分主要成分是重烷烃，如辛烷等，那么气测录井过程中就可能存在环戊烷、异己烷和正己烷，因为更高阶的烷烃在常温下主要是液态，气态浓度较小。因此，气测录井过程中的混合气体中，主要包括甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷、正戊烷、二氧化碳、环戊烷、异己烷和正己烷。浓度均为1％的这10种烷烃气体的傅里叶变换中红外吸收光谱如附图1所示。由附图1可以看出，在波数600、1100、2000、2500、3400等处的附近，上述11种气体的灵敏度非常小，因此可以用作非敏感区。

对于每种单组份样本，由于是在较短时间内制作完成的，一股情况下光谱不会发生畸变，最多也只是基线的微弱平移，因此不需要做任何处理，直接对每种单组份气体光谱的上述五个波数段附近求均值，并采用式(2)的最小二乘法估计其灵敏度。例如，对于正戊烷，一共有13个单组份样本。在波数1100附近，对每个样本连续取5个光谱值，并求其均值，得到：

X＝[0.9998 0.9982 0.9981 1.0008 0.9999 0.9993 0.9967 0.9981 0.9973 0.9965 0.9960 0.99300.9903]                                                                                (11)

对应的浓度为：

Y＝[0.01 0.02 0.05 0.1 0.2 0.5 1.0 2.0 3.0 4.0 5.0 7.0 10.0]                       (12)

由式(11)可以看出，波数1100附近的谱线对正戊烷的灵敏度很小，因此对其作线性化处理，而不会给光谱带来明显的变化。于是可以求得

S＝inv(Y*Y’)*Y*(1-X)′＝0.00096                                                   (13)

式中inv(·)表示矩阵求逆，(1-X)′表示矩阵(1-X)的转置。用同样的方法还可以求得10种气体在此波数段的灵敏度，最后得到11种气体在此波数段的灵敏度系数为：

S₁₁₀₀＝[0.00003 0.000096 0.00055 0.00044 0.00072 0.00061 0.00096 0.00042 0.000530.000850]                                                                              (14)

还可以计算上述11种气体在波数600附近的灵敏度为：

S₆₀₀＝[0    0.000042    0.000076    0    0    0    0    0    0    0  0.00112]      (15)

在波数2000附近的灵敏度为：

S₂₀₀₀＝[0.000022 0.00015 0.00033 0.00051 0.00075 0.00112 0.00071 0.00032 0.000920.00072 0.00002]                                                                       (16)

在2500波数附近的灵敏度为：

S₂₅₀₀＝[0.000024 0.00017 0.00035 0.00061 0.00077 0.00132 0.00072 0.00033 0.000940.00075 0.00003]                                                               (17)

在3400波数附近的灵敏度为：

S₃₄₀₀＝[0.000006 0.00013 0.00028 0.0003 0.00042 0.00049 0.00053 0.00052 0.00051 0.00054 0.00011]                                                         (18)

2)在所有相邻两个非敏感区之间，对光谱段进行平移与旋转，进行基线校正；

对于步骤1)中的5个非敏感区，可将整个谱图分为4个区间，对每个区间进行平移与旋转，即可矫正光谱的规则畸变。由于每个谱图由两列构成，第一列是波数值，第二列是与第一列相对应的谱线值，3400、2500、2000、1100和600波数附近所对应的谱线序号依次为273、753、1023、1503、1758。于是，每段非敏感区取5个谱线值求平均偏差，假定待分析的11种气体的浓度向量为C，于是，按照式(3)，可采用如下源代码来实现初次光谱平移与旋转：

Baseline3400＝1-mean(data(271:275，2))-S₃₄₀₀C′；％求波数3400处的偏差

Baseline2500＝1-mean(data(751:755，2))-S₂₅₀₀C′；％求波数2500处的偏差

Baserate2500＝(Baseline2500-Baseline3400)/(753-273)；％求波数2500至3400之间的斜率

data(1:753，2)＝data(1:753，2)+Baseline3400+([1:753]′-271)*Baserate2500；％矫正波数2500至3400之间的光谱

Baseline2000＝1-mean(data(1021:1025，2))-S₂₀₀₀C′；％求波数2000处的偏差

Baserate2000＝(Baserate2000-Baserate2500)/(1023-753)；％求波数2000至2500之间的斜率

data(754:1023，2)＝data(754:1023，2)+Baseline2500+([754:1023]′-753)*Baserate2000；％矫正波数2500至3400之间的光谱

Baseline1100＝1-mean(data(1501:1505，2))-S₁₁₀₀C′；％求波数1100处的偏差

Baserate1100＝(Baseline1100-Baseline2000)/(1503-1023)；％求波数1100至2000之间的斜率

data(1024:1503，2)＝data(1024:1503，2)+Baseline2000+([1024:1503]′-1023)*Baserate1100；％矫正波数1100至2000之间的光谱

Baseline600＝1-mean(data(1756:1760，2))-S₆₀₀C′；％求波数1100处的偏差

Baserate600＝(Baseline600-Baseline1100)/(1758-1503)；％求波数600至1100之间的斜率

data(1504:1866，2)＝data(1504:1866，2)+Baseline1100+([1504:1866]′-1503)*Baserate600；％矫正波数600至1100之间的光谱

在连续的在线光谱分析过程中，上述源代码中的气体浓度向量C设定为上一次的分析结果。如果是第一次分析，则将其设置为0。对于本实施实例中的附图2(a)，有三个光谱图：data1、data2和data3。比较附图2(a)和附图1可知，既然波数2900处附近没有强的吸收峰，说明这三个谱图所表征的气体中，各种烷烃的浓度很小，因此，在波数800到波数1100，以及在2500波数到3400波数范围内，几乎是一条幅值为1的直线。但附图2(a)中，波数800到波数1100的光谱段的光谱值明显大于1，而且稍有倾斜，在2500波数到3400波数范围内的光谱段明显小于1，其倾斜程度比波数800到波数1100的光谱段稍大，因此存在基线规则畸变，需要进行校正。设置气体浓度向量C为0，采用本步骤的源代码进行校正后得到的光谱图如附图2(b)所示；

3)用标定的分析模型对校正后的光谱进行分析，获取气体组分及其浓度。标定的分析模型包括是多项式、神经网络、支持向量机。例如，对于本实施实例中的甲烷，假定它存在某个多项式分析模型为：

conmet＝(log(data(1410，2))-log(data(1397，2)))*2.22-(log(data(1540，2))-log(data(1570，2)))*0.31-(log(data(1499，2))-log(data(1462，2)))*0.08                                                    (19a)

C_methane＝0.26*conmet^2+conmet*0.9                                                           (19b)

则设定步骤2)中C为0向量，并对附图2(a)光谱进行校正后，计算式(19)可求得该光谱图data1、data2和data3中的甲烷浓度分别分别为：0.0196、0.0071和0.0473，即0.0196％、0.0071％和0.0473％，或者说196ppm、71ppm和473ppm。经分析，data1、data2和data3三个光谱图对应的气体浓度向量为：

C₁＝[0.0196 0.0032 0.0017  0  0  0  0  0  0  0  0.3572]                                      (20a)

C₂＝[0.0071 0.0012 0.0003  0  0  0  0  0  0  0  0.2956]                                      (20b)

C₃＝[0.0473 0.0021 0.0023  0  0  0  0  0  0  0  0.4763]                                      (20c)

如果部分气体浓度较大，则用最新计算的气体浓度值取代步骤2)中的气体浓度向量C，并重复步骤2)与3)，直到步骤2)中任何一个非敏感区的相邻两次偏差值之差小于某个阈值。各非敏感区的阈值可设定为该波数段光谱的噪声幅度。由于各组分气体浓度很小，因此由步骤2)校正一次即可。

4)由分析得到的气体组分及其浓度重构光谱

为了简单起见，本实例中，波数段2800～3200，各组分烷烃气体的阈值均设置为0.1；而在波数段700～1300，各组分烷烃气体的阈值均设置为1。由于各组分气体浓度都小于0.1，所以直接采用阈值对应的折算吸光率即可。也就是说，在波数段700～1300，各组分的折算吸光率直接取浓度为0.1％时的折算吸光率，而在波数段2800～3200，各组分的折算吸光率直接取浓度为1％时的折算吸光率。例如，正戊烷在气体组分中是第7号组分，由式(12)可知，0.1％浓度在正戊烷的单组份样本中排第4位，正戊烷在第579条谱线(对应于波数2881.5)处的谱线值为0.9462，故其折算吸光率由式(5)计算得到：

δ_7，579，4＝-log(0.9462)/0.1＝0.5530

以此类推，可求得11组分气体在579条谱线的折算吸光率并构成向量Δ得到：

Δ＝[0.0200 0.1410 0.5393 0.5402 0.5221 0.7526 0.5530 0.5493 0.7439 0.5526 0.0002] (21)

把式(20)和(21)代入式(10)可分别求得data1、data2和data3三个谱图在第579条谱线出的重构光谱值：

v_1，579＝exp(-C₁Δ′)＝0.9982

v_2，579＝exp(-C₂Δ′)＝0.9995

v_3，579＝exp(-C₃Δ′)＝0.9974

同样地，把步骤3)中求得的气体浓度向量C₁、C₂和C₃，以及每条谱线折算吸光率δ_ikx的代入式(10)，则可求得每条谱线的重构谱线值。于是，对于附图2中的data1、data2和data3，校正前、后，以及重构的光谱分别如附图3(a)、3(b)和3(c)所示。

5)比较附图3(a)中的重构光谱与实际光谱可以发现，在波数1060附近，修正后的光谱值明显超出1.0020，实质上，该处的噪声幅度只有0.0015左右，因此data1光谱可能存在局部畸变，该次分析结果偏差可能比较大，如有可能，需要重新扫描背景，以获得较好的分析结果；再比较附图3(b)中的重构光谱与实际光谱同样可以发现，在波数1045附近，修正后的光谱值已经达到1.0020，因此data2光谱可能也存在局部畸变。而由附图3(c)可以发现，修正后的光谱值最大也不过1.0010左右，因此data3是没有发生局部畸变的良好光谱，用标定模型对该光谱进行分析，其可信度是很高的。实质上，由附图2(b)可以看出，在波数1000到1200范围内，data1和data2的光谱呈频率不等的纹波状，这本身就是光谱局部畸变的一种表现。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。

Claims (5)

1.一种傅里叶变换红外光谱畸变识别与处理方法，其特征在于：首先针对应用场合确定可能存在的M组气体组分，在整个光谱范围内搜寻对所有气体组分不敏感的谱线，并将连续不敏感的谱线划分为一个非敏感区，共划分出T个非敏感区；在确定了T个非敏感区后，计算出各组分气体在各非敏感区的灵敏度，采用谱图分段旋转与平移的方法校正光谱的规则畸变；在校正规则畸变的基础上进行常规的气体浓度光谱分析，并根据分析结果进行光谱重构；比较重构光谱图与实际光谱图，根据两者的差异判断光谱是否发生局部不规则畸变；如果发生不规则畸变，则放弃该次分析结果，提示错误，或重新进行背景扫描，以获得正确的光谱，获得正确的分析结果。

2.如权利要求1所述的方法，其特征在于，所述将连续不敏感的谱线划分为一个非敏感区采用如下方式：

将浓度尽可能相同，且浓度较大的各组分气体光谱在同一张图中绘出，观察整个光谱范围内的各组分光谱，搜寻对所有气体组分不敏感、或灵敏度非常低的谱线段，称之为非灵敏区；对于灵敏度低的谱线段，在各气体的浓度范围内，按照线性化处理，估算各种气体的灵敏度；对于第i种气体在第j个非敏感区的灵敏度S_ij，用高浓度值样本在该区的灵敏度代替，或者用最小二乘法法估计；对于前者，用式(1)确定：

s_ij＝(1-mean(v_ij))/c_i             (1)

式中v_ij表示第i种气体在第j个非敏感区的若干个连续光谱值；连续光谱值的数量在3～20之间选取；mean(·)表述求均值运算；c_i表示第i种气体单组份样本中的最高的一个浓度；

最小二乘法法估计可用式(2)确定：

s_ij＝inv(Y_i*Y_i’)*Y_i*(1-V_ij)′    (2)

式中Y_i表示第i种气体单组份样本的浓度值向量；V_ij＝[mean(v_ij1)，mean(v_ij2)，…，mean(v_ijN)]表示第i种气体单组份样本光谱中第j个非敏感区的谱线均值向量，mean(v_ijk)(k＝1，2，…，N)表示第i种气体第k个单组份样本光谱的第j个非敏感区的若干谱线的均值。

3.如权利要求1所述的方法，其特征在于，所述实际光谱图中的规则畸变的校正采用如下方法：

Baseline_j＝1-mean(v_j)-S_jC′       (3a) 

Baseline_j+1＝1-mean(v_j+1)-S_j+1C′                    (3b)

Baserate_j＝(Baseline_j+1-Baseline_j)/(num_j+1-num_j)     (3c)

v_j，j+1(num_j:num_j+1)＝v_j，j+1(num_j:num_j+1)+Baseline_j+([(num_j:num_j+1)]′-num_j)×Baserate_j

                                                     (3d)

式中v_j表示第j非敏感区的连续若干谱线值；S_j＝[s_1j，s_2j，…，s_Mj]表示M组分气体在第j非敏感区的灵敏度向量；C′＝[c₁，c₂，…，c_M]表示M组分气体浓度向量；num_j表述第j非敏感区中的中心谱线序号；v_j，j+1(num_j:num_j+1)表示第j非敏感区中的中心谱线序号到第j+1非敏感区中的中心谱线序号之间的光谱值。

4.如权利要求1所述的方法，其特征在于，所述光谱的重构采用如下步骤实现：

首先估计每种气体的折算吸光率；折算吸光率为实际吸光率与光程的乘积，对于每种气体，如果有不同浓度的单组份样本，每条谱线的折算吸光率根据气体浓度，以及单组份样本来估计；估计的方法是分段线性化估计法、多项式估计法或者样条插值法估计法；

对于分段线性化估计，如果第i种气体的浓度计算值为c_i，x，且c_i，j＜c_i，x≤c_i，j+1，j＝1，2，…，N-1其中c_i，j、c_i，j+1分别表示第i种气体的第j个和第j+1个单组份样本浓度，N表示i种气体单组份样本数量；则第k条谱线处，该种气体的折算吸光度为：

rate＝(c_i，x-c_i，j)/(c_i，j+1-c_i，j)         (4a)

δ_ikx＝(1-rate)×δ_ik，j+rate×δ_ik，j+1    (4b)

式中δ_ik，j和δ_ik，j+1分别表示第i种气体的第j个和第j+1个单组份样本在第k条谱线的折算吸光率；折算吸光率采用式(9)来计算：

δ_ik，j＝-log(v_ikj)/c_i，j                   (5)

式中v_ikj表示第i种气体的第j个单组份样本在第k条谱线的光谱值，log(·)表示自然对数运算；

对于多项式估计，如果第i种气体的单组份样本浓度向量为C_i＝[c_i，1，c_i，2，…，c_i，N]，对应的第k条谱线的谱线值向量为V_ik＝[v_ik1，v_ik2，…，v_ikN]，可首先用式(5)计算样本的折算吸光率，获得向量Δ＝[δ_ik，1，δ_ik，2，…，δ_ik，N]^T，然后采用式(6)进行折算吸光率的多项式估计：

δ_ikx＝P×B                                 (6) 

式中P＝[log^M(c_i，x)，log^M-1(c_i，x)，…，1]，B＝[b_M，b_M-1，…，b₀]^T，M＜N-1，且M≥1；B由式(7)确定：

B＝inv(Q^TQ)×Q^T×Δ                    (7)

式中 

对于样条插值估计，直接在Matlab环境下调用spline()函数进行估计：

δ_ikx＝spline(C_i，Δ，c_i，x)           (8)

或者首先采用式(9a)获得结构体xp，并保存下来

xp＝spline(C_i，Δ)                     (9a)

然后由该结构体和第i种气体浓度值用ppval()函数计算折算吸光率：

δ_ikx＝ppval(xp，c_i，x)                (9b)

在气体浓度在一定范围内，其吸光率是理想的，也就是几乎恒定不变，为了减小噪声对折算吸光率的估计值的影响，在各组分气体的折算吸光率的估计过程中为每种气体的每条谱线设定一个阈值T_ik，当气体浓度大于该值时，以浓度T_ik时的折算吸光率作为该种气体的折算吸光率，而不必采用本步骤所述的方法进行计算；T_ik的设置主要考虑的是第i中气体在第k条谱线的吸光率，以及该处光谱的平滑度；如果吸光率大，且存在吸收尖峰，T_ik对应的值小一些，否则，设定大一些；

在估计好了各组分的折算吸光率以后，则根据Lamber-Beer定理，第k条谱线的光谱重构值按式(10)来计算：

式中exp(·)表示自然指数运算。

5.如权利要求1所述的方法，其特征在于，所述局部不规则畸变的识别与处理采用如下方法进行：

比较重构光谱与实际光谱，如果某波数段的实际光谱值大于重构光谱值，且差距较大，或者实际光谱中某波数段的光谱值大于1、且与1的差距明显，超出了一般的光谱噪声幅度，则说明光谱可能存在局部不规则畸变，该次光谱分析结 果偏差较大，必须舍弃；如果连续出现局部不规则畸变，则需要重新扫描背景。 

Images