CN104535528B - Bp神经网络实时提取tdlas气体吸收光谱吸光度的方法 - Google Patents
Bp神经网络实时提取tdlas气体吸收光谱吸光度的方法 Download PDFInfo
- Publication number
- CN104535528B CN104535528B CN201410699109.9A CN201410699109A CN104535528B CN 104535528 B CN104535528 B CN 104535528B CN 201410699109 A CN201410699109 A CN 201410699109A CN 104535528 B CN104535528 B CN 104535528B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- neural network
- signal
- matrix
- 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.)
- Active
Links
Abstract
本发明公开一种BP神经网络实时提取TDLAS气体吸收光谱吸光度的方法,其特征在于,包括以下步骤:1)所述TDLAS测量系统中激光器发出的激光经过信号源产生的电流控制信号调制后分束,其中一束激光穿过待测气体,照射至一个光电探测器得到透射信号Vabp;另一束激光直接照射至另一个光电探测器得到参考信号Vref;2)将所述透射信号Vabp和参考信号Vref归一化处理,Vabp_norm表示归一化后的透射信号,Vref_norm表示归一化后的参考信号,然后输入BP神经网络,经BP神经网络提取输出气体的吸收光谱吸光度。本发明的FPGA的BP神经网络实时提取TDLAS气体测量技术中气体吸收光谱吸光度的方法,该方法具有更好的稳健性和更宽的适用范围,并且具有实时计算的优点。
Description
技术领域
本发明涉及一种BP神经网络实时提取TDLAS气体吸收光谱吸光度的方法,更具体地说,涉及一种利用BP神经网络实时提取可调谐半导体激光气体吸收光谱吸光度的方法,属于分析仪器算法的技术领域。
背景技术
随着我国经济的迅速发展,工业化进程的不断增加,燃煤电厂生产、冶金以及城市垃圾焚烧过程中产生大量的有害气体排入大气,主要有CO,CO2,NOX,SO2气体以及粉尘等,造成能源消耗高、环境污染严重等众多问题,国家对环境保护的重视程度也越来越高,因此提高燃烧效率减少有害燃烧物的排放对大气环境有很大影响。气体物质的在线实时检测,不仅可以有效监测大气污染成分,而且其准确的测量结果可用于燃烧的诊断,优化燃烧系统,提高燃烧效率,以及对危险气体的监测预警。
可调谐半导体激光吸收光谱技术(Tunable Diode Laser AbsorptionSpectroscopy,TDLAS)是一种广泛应用的气体分析技术。当一束一定频率的激光照射到均匀气体介质时,气体介质与电磁波作用,气体介质内部吸收电磁辐射的能量而发生量子化的能级跃迁,从低能级跃迁到高能级。不同气体因为分子结构不同所决定的其能级差也不同,从而决定了可吸收的光的频率也不同,通过测量被吸收的光的波长和强度,即可得到被测介质的特征吸收光谱,通过对吸收光谱进行定性定量分析,可以得到被测介质的成分、结构和浓度等特征信息。比尔-朗伯定律(Beer-Lambert Law)是吸收光谱学的基本定律,它表征了一束频率为ν的单色激光穿越一段长为L、压力为P、温度为T和浓度为X的均匀被测气体介质时,其透射光强度It(ν)和入射光强度I0(ν)的关系:
τν=It(ν)/I0(ν)=exp[-PXS(T)Φ(ν)L]=exp[-α(ν)]
式中I0(ν)和It(ν)分别表示频率为ν的激光入射时的参考光强和经过待测气体吸收后的透射光强,S(T)表示气体吸收谱线的谱线强度,线型函数Φν表征该吸收谱线的形状,a(v)表示光谱吸光度(Spectral Absorbance)。由Beer-Lambert关系可知,光强度的衰减与被测气体浓度、温度、压力等相关,因此,通过测量光强度衰减信息就可以分析获得被测气体的相关参数。因此要获得被测气体的相关参数首先要获得待测气体的光谱吸光度。目前常用的方法是选取透射光信号上几段无气体吸收时的激光强度进行多项式拟合,拟合出基线,该基线可认为是无气体吸收时的参考激光强度,如图1所示,再利用上面的比尔-朗伯定律,求出吸收光谱,对吸收光谱信号除以拟合的基线,再取对数得到吸收光谱吸光度。这种方法在谱线吸收比较强以及各个谱线之间的干扰较小的情况下提取的吸收光谱吸光度较好,但在谱线密集的情况下,有可能整个透射光信号上吸收谱线重叠都较严重,很难找到无气体吸收的部分。
另一种提取吸收光谱吸光度的方法是硬件实现的平衡探测法,效果不错,但对参与平衡运算的有吸收透射光强和参考光强的关系有一定要求,大致为1:2左右。对工业应用环境,特别是不稳定的燃烧流场中,不易满足该条件。
发明内容
发明目的:本发明的目的在于提供一种基于FPGA的BP神经网络实时提取TDLAS气体测量技术中气体吸收光谱吸光度的方法,该方法具有更好的稳健性和更宽的适用范围,并且具有实时计算的优点。
技术方案:本发明所述的一种BP神经网络实时提取TDLAS气体吸收光谱吸光度的方法,包括以下步骤:
1)所述TDLAS测量系统中激光器发出的激光经过信号源产生的电流控制信号调制后分束,其中一束激光穿过待测气体,照射至一个光电探测器得到透射信号Vabp;另一束激光直接照射至另一个光电探测器得到参考信号Vref;
2)将所述透射信号Vabp和参考信号Vref归一化处理,Vabp_norm表示归一化后的透射信号,Vref_norm表示归一化后的参考信号,然后输入BP神经网络,经BP神经网络提取输出气体的吸收光谱吸光度。
进一步地,所述BP神经网络为FPGA实现BP神经网络,包括输入层线性化计算模块、Sigmoid传递函数实现模块和输出层线性化计算模块;输入层线性化计算模块计算A1=Xin*IW+IB,其中Xin为输入信号矩阵,输入信号矩阵即为所述步骤2)所述的经过归一化处理后的每个采样点的透射光信号和参考信号构成的矩阵,即:
IW为输入层权值矩阵,IB为输入层阀值矩阵,A1为输入层线性化计算模块的输出结果;Sigmoid传递函数模块完成A2=f(A1)计算,A2为Sigmoid传递函数模块的输出结果,其中f(A1)的表达式为:
所述输出层线性化计算模块完成A3=A2*LW+LB计算,其中LW为隐含层权值矩阵,LB为隐含层阀值矩阵,A3即为最终的BP神经网络模块的输出。
进一步地,所述的IW为输入层权值矩阵,IB为输入层阀值矩阵、LW为隐含层权值矩阵,LB为隐含层阀值矩阵由以下方式模拟得到:
1)使用MATLAB软件建立BP神经网络为一个隐含层的经典三层BP神经网络结构,所述隐含层的传递函数为单极性Sigmoid传递函数,所述隐含层节点数为10;
2)利用现有仿真计算的归一化处理后的透射光信号和参考光信号作为BP神经网络的输入,神经网络的输出目标值D为仿真计算的理论吸收光谱吸光度信号,BP神经网络的学习训练方法采用Levenberg-Marquardt训练算法;设定期望输出均方值误差E为2*10-13;设定最大训练步数为10000;
3)使用MATLAB软件,按照步骤2)的参数设定,进行神经网络的训练,训练完成后得到输入层权值矩阵IW,输入层阀值矩阵IB,隐含层权值矩阵LW,隐含层阀值矩阵LB,且满足如下关系:
其中MSE表示均方值误差。
进一步地,所述的归一化处理为:
其中Vabp_norm表示归一化后的透射信号,Vref_norm表示归一化后的参考信号,Vabp_min和Vabp_max分别表示透射信号的最小值和最大值,Vref_min和Vref_max分别表示参考信号的最小值和最大值。
本发明与现有技术相比,其有益效果是:本发明的FPGA的BP神经网络实时提取TDLAS气体测量技术中气体吸收光谱吸光度的方法,该方法具有更好的稳健性和更宽的适用范围,并且具有实时计算的优点。
附图说明
图1为本发明背景技术中选取透射光信号上几段无气体吸收时的激光强度进行多项式拟合图示;
图2为本发明TDLAS测量系统结构框图;
图3为本发明MATLAB神经网络工具箱建立的BP神经网络;
图4为本发明FPGA实现BP神经网络的结构框图;
图5为本发明采样的激光入射时的参考光信号和经过吸收后的透射光信号;
图6为本发明BP神经网络提取出的TDLAS系统待测气体吸收光谱吸光度与基线拟合法得到的吸收光谱吸光度的对比。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
实施例1:
本实施例的BP神经网络实时提取TDLAS气体吸收光谱吸光度的方法具体由以下步骤实现:
步骤1)TDLAS测量系统中,信号源产生半导体激光器的电流控制信号调制激光,激光器发出经过调制后的光信号经分束成两路,一路穿过待测气体,经待测气体吸收后,再被一个光电探测器接收,产生透射信号Vabp,另一路不经过待测气体,直接由光电探测器接收,产生参考信号Vref。
步骤2)对步骤1)所述透射信号Vabp和参考信号Vref进行归一化处理,经过线性函数变换,将所述透射信号和参考信号的幅值变换到[0.1,0.95]之间,其归一化公式为:
其中Vabp_norm表示归一化后的透射信号,Vref_norm表示归一化后的参考信号,Vabp_min和Vabp_max分别表示透射信号的最小值和最大值,Vref_min和Vref_max分别表示参考信号的最小值和最大值。
步骤3)将步骤2)中归一化后的透射信号和参考信号输入BP神经网络模块处理,BP神经网络的输出即为待测气体的吸收光谱吸光度。
本发明中用于提取气体吸收光谱吸光度的BP神经网络模型可以直接实现由采样的参考光信号和透射光信号到吸收光谱吸光度的映射,不需要求取基线。
本发明中用于提取气体吸收光谱吸光度的BP神经网络模型可以直接实现由采样的参考光信号和透射光信号到吸收光谱吸光度的映射,不需要进行对数运算。
本发明中用于提取气体吸收光谱吸光度的BP神经网络模型的训练输入样本数据采用仿真计算的透射光信号和参考光信号;训练输出目标值是根据HITRAN或HITEMP数据库中的数据计算的理论光谱吸光度信号。
本发明中用于提取气体吸收光谱吸光度的BP神经网络模型的输入层节点数为2,隐含层节点数为10,输出层节点数为1。隐含层神经元的传递函数为单极性Sigmoid传递函数,输出层神经元的传递函数为线性传递函数。
本发明中用于提取气体吸收光谱吸光度的BP神经网络模型的训练算法为Levenberg-Marquardt训练算法。
本发明步骤3)中用于提取气体吸收光谱吸光度的BP神经网络模型在FPGA硬件上实现,可以对参考光信号和透射光信号的每个采样点进行计算,提取出吸收光谱吸光度;也可以对多个采样周期的参考光信号和透射光信号进行平均,由平均值提取出吸收光谱吸光度。其具体结构为:
3.1)FPGA实现的用于提取气体吸收光谱吸光度的BP神经网络模型具有可重配置能力,其权值和阀值参数可以由上位机输入。
3.2)FPGA实现的用于提取气体吸收光谱吸光度的BP神经网络模型包括输入层线性化计算模块、Sigmoid传递函数实现模块和输出层线性化计算模块。
3.3)FPGA实现的用于提取气体吸收光谱吸光度的BP神经网络模型的输入层线性化计算模块完成A1=Xin*IW+IB计算,其中Xin为输入信号矩阵,IW为输入层权值矩阵,IB为输入层阀值矩阵。
3.4)FPGA实现的用于提取气体吸收光谱吸光度的BP神经网络模型的Sigmoid传递函数模块完成A2=f(A1)计算,其中f(A1)的表达式为:
本发明中Sigmoid传递函数的实现采用分段非线性法,对Sigmoid传递函数分区间通过多项式函数进行逼近,进而实现Sigmoid传递函数。
3.5)FPGA实现的用于提取气体吸收光谱吸光度的BP神经网络模型的输出层线性化计算模块完成A3=A2*LW+LB计算,其中LW为隐含层权值矩阵,LB为隐含层阀值矩阵。A3即为最终的BP神经网络模块的输出,即BP神经网络提取的待测气体的吸收光谱吸光度。
其中,图2为TDLAS测量系统结构框图,其中信号源产生半导体激光器的电流控制信号调制激光,激光器发出经过调制后的光信号经分束成两路,一路穿过待测气体,经待测气体吸收后,再被一个光电探测器接收,产生透射信号Vabp,另一路不经过待测气体,直接由光电探测器接收,产生参考信号Vref。
本实施例在MATLAB软件上建立BP神经网络模型以提取待测气体的吸收光谱吸光度并完成BP神经网络模型的训练。BP神经网络模型的设计包括①输入、输出数据选择及输入层、输出层的节点数;②隐含层层数及隐含层神经元的传递函数;③隐含层节点数;④学习训练方法。
①BP神经网络输入、输出数据选择及输入层、输出层的节点数
神经网络建模时,训练样本数据的准备是网络设计和训练的基础,训练样本数据选择的科学性和合理性对网络设计有很大影响。因此本设计训练输入样本数据采用仿真计算的透射光信号和参考光信号。训练输出目标值是根据光谱数据库中的数据计算的理论吸收光谱吸光度信号。
由于神经网络的输入数据常常具有不同的量纲或者具有不同的物理意义,为了使神经网络训练一开始就给各输入分量以同等重要的地位,首先对神经网络的输入数据进行尺度变换(也称归一化)。本文对神经网络的输入数据归一化到区间[0.1,0.95]范围内,其归一化公式为:
(1.1)
其中Vabp_norm表示归一化后的透射信号,Vref_norm表示归一化后的参考信号,Vabp_min和Vabp_max分别表示透射信号的最小值和最大值,Vref_min和Vref_max分别表示参考信号的最小值和最大值。
②隐含层的层数及隐含层神经元传递函数
一般来说,研究的问题越复杂,BP神经网络隐含层的层数和各层的神经元数就可能需要的越多,但是前苏联数学家Andrey Nikolaevich Kolmogorov已经从理论上证实,含一个隐含层的BP神经网络就可以解决任意的非线性映射关系。因此,本发明采用只有一个隐含层的经典三层BP神经网络结构。隐含层传递函数采用单极性Sigmoid传递函数,其表达式为:
③隐含层节点数
隐含层的节点数是BP神经网络一个非常重要的参数,它的个数直接影响BP神经网络模型的计算能力和对目标函数的逼近能力。但是对于BP神经网络隐含层节点数的确定目前还没有明确的数学方法来推导,一般通过经验公式确定范围后再用实验对比的方法来确定。本发明中通过实验对比最终设定隐含层的节点数为10。
④训练算法
本发明通过对BP神经网络的梯度下降训练算法、带动量项自适应训练算法、弹性训练算法、Levenberg-Marquardt训练算法等进行仿真实验对比,最终选择性能最优的Levenberg-Marquardt训练算法。图3为最终在MATLAB软件上利用神经网络工具箱建立的BP神经网络的结构图。
如图4总体设计流程图所示,上述MATLAB中建立的用于提取待测气体吸收光谱吸光度的BP神经网络在FPGA硬件上实现。FPGA实现BP神经网络模型的参数可以由上位机输入。FPGA实现BP神经网络包括输入层线性化计算模块、Sigmoid传递函数实现模块和输出层线性化计算模块。输入层线性化计算模块完成A1=Xin*IW+IB计算,其中Xin为输入信号矩阵,IW为输入层权值矩阵,IB为输入层阀值矩阵。Sigmoid传递函数模块完成A2=f(A1)计算,其中f(A1)的表达式为:
本发明中Sigmoid传递函数的实现采用分段非线性法,对Sigmoid传递函数分区间通过多项式函数进行逼近,进而实现Sigmoid传递函数。输出层线性化计算模块完成A3=A2*LW+LB计算,其中LW为隐含层权值矩阵,LB为隐含层阀值矩阵。A3即为最终的BP神经网络模块的输出。
本实施例中采集的透射光信号Vabp和参考光信号Vref如图5所示,经过归一化后输入步骤三中FPGA实现的BP神经网络模块,经BP神经网络处理后,BP神经网络的输出即为待测气体的吸收光谱吸光度。BP神经网络提取的气体吸收光谱吸光度与基线拟合法提取的气体吸收光谱吸光度的对比如图6所示,BP神经网络提取的气体吸收光谱吸光度与基线拟合法提取的气体吸收光谱吸光度的误差很小。将BP神经网络提取的气体吸收光谱吸光度与基线拟合法提取的气体吸收光谱吸光度在OriginPro软件上进行Voigt线型函数和Lorentz线型函数拟合,分别计算两种线型函数拟合的线型参数并对比如下表所示。由表可看出两种方法得到的气体吸收光谱吸光度的光谱宽度(FWHM)、吸收峰面积(A)以及吸收峰峰值的相对误差都不超过1%。
本发明已在实际应用中得到验证。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上作出各种变化。
Claims (4)
1.一种BP神经网络实时提取TDLAS气体吸收光谱吸光度的方法,其特征在于,包括以下步骤:
1)所述TDLAS测量系统中激光器发出的激光经过信号源产生的电流控制信号调制后分束,其中一束激光穿过待测气体,照射至一个光电探测器得到透射信号Vabp;另一束激光直接照射至另一个光电探测器得到参考信号Vref;
2)将所述透射信号Vabp和参考信号Vref归一化处理,Vabp_norm表示归一化后的透射信号,Vref_norm表示归一化后的参考信号,然后输入BP神经网络,经BP神经网络提取输出气体的吸收光谱吸光度。
2.根据权利要求1所述的BP神经网络实时提取TDLAS气体吸收光谱吸光度的方法,其特征在于,所述BP神经网络为FPGA实现BP神经网络,包括输入层线性化计算模块、Sigmoid传递函数实现模块和输出层线性化计算模块;输入层线性化计算模块计算A1=Xin*IW+IB,其中Xin为输入信号矩阵,输入信号矩阵即为所述步骤2)所述的经过归一化处理后的每个采样点的透射光信号和参考信号构成的矩阵,即:
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
<mi>p</mi>
<mo>_</mo>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>V</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
<mo>_</mo>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
IW为输入层权值矩阵,IB为输入层阀值矩阵,A1为输入层线性化计算模块的输出结果;Sigmoid传递函数模块完成A2=f(A1)计算,A2为Sigmoid传递函数模块的输出结果,其中f(A1)的表达式为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
所述输出层线性化计算模块完成A3=A2*LW+LB计算,其中LW为隐含层权值矩阵,LB为隐含层阀值矩阵,A3即为最终的BP神经网络模块的输出。
3.根据权利要求2所述的BP神经网络实时提取TDLAS气体吸收光谱吸光度的方法,其特征在于,所述的IW为输入层权值矩阵,IB为输入层阀值矩阵、LW为隐含层权值矩阵,LB为隐含层阀值矩阵由以下方式模拟得到:
1)使用MATLAB软件建立BP神经网络为一个隐含层的经典三层BP神经网络结构,所述隐含层的传递函数为单极性Sigmoid传递函数,所述隐含层节点数为10;
2)利用现有仿真计算的归一化处理后的透射光信号和参考光信号作为BP神经网络的输入,神经网络的输出目标值D为仿真计算的理论吸收光谱吸光度信号,BP神经网络的学习训练方法采用Levenberg-Marquardt训练算法;设定期望输出均方值误差E为2*10-13;设定最大训练步数为10000;
3)使用MATLAB软件,按照步骤2)的参数设定,进行神经网络的训练,训练完成后得到输入层权值矩阵IW,输入层阀值矩阵IB,隐含层权值矩阵LW,隐含层阀值矩阵LB,且满足如下关系:
<mrow>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>*</mo>
<mi>I</mi>
<mi>W</mi>
<mo>+</mo>
<mi>I</mi>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>*</mo>
<mi>L</mi>
<mi>W</mi>
<mo>+</mo>
<mi>L</mi>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>E</mi>
</mrow>
其中MSE表示均方值误差。
4.根据权利要求1~3之一所述的BP神经网络实时提取TDLAS气体吸收光谱吸光度的方法,其特征在于,所述的归一化处理为:
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
<mi>p</mi>
<mo>_</mo>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>0.95</mn>
<mo>-</mo>
<mn>0.1</mn>
<mo>)</mo>
<mo>*</mo>
<mo>(</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
<mi>p</mi>
<mo>_</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
<mi>p</mi>
<mo>_</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
<mi>p</mi>
<mo>_</mo>
<mi>min</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mn>0.1</mn>
</mrow>
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
<mo>_</mo>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>0.95</mn>
<mo>-</mo>
<mn>0.1</mn>
<mo>)</mo>
<mo>*</mo>
<mo>(</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
<mo>_</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>V</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
<mo>_</mo>
<mi>max</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>V</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>f</mi>
<mo>_</mo>
<mi>min</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mn>0.1</mn>
</mrow>
其中Vabp_norm表示归一化后的透射信号,Vref_norm表示归一化后的参考信号,Vabp_min和Vabp_max分别表示透射信号的最小值和最大值,Vref_min和Vref_max分别表示参考信号的最小值和最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410699109.9A CN104535528B (zh) | 2014-11-26 | 2014-11-26 | Bp神经网络实时提取tdlas气体吸收光谱吸光度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410699109.9A CN104535528B (zh) | 2014-11-26 | 2014-11-26 | Bp神经网络实时提取tdlas气体吸收光谱吸光度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104535528A CN104535528A (zh) | 2015-04-22 |
CN104535528B true CN104535528B (zh) | 2017-09-19 |
Family
ID=52851101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410699109.9A Active CN104535528B (zh) | 2014-11-26 | 2014-11-26 | Bp神经网络实时提取tdlas气体吸收光谱吸光度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104535528B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501213A (zh) * | 2016-11-11 | 2017-03-15 | 中州大学 | 液体无损探测识别电子系统 |
CN109556731A (zh) * | 2018-12-13 | 2019-04-02 | 北京航空航天大学 | 一种基于神经网络和激光吸收光谱的路径温度直方图测量系统与方法 |
CN109724941A (zh) * | 2019-02-27 | 2019-05-07 | 大唐长山热电厂 | 一种基于径向基神经网络的co2高温气体浓度检测方法 |
CN110702236B (zh) * | 2019-11-08 | 2021-01-26 | 中国计量科学研究院 | 一种用于光纤波长标准器的高精度光谱定标方法 |
CN111089850B (zh) * | 2020-02-17 | 2021-09-28 | 北京航空航天大学 | 一种基于单一组分吸收光谱的多组分浓度的估计方法 |
CN111579529A (zh) * | 2020-04-17 | 2020-08-25 | 汕头大学医学院 | 一种基于激光遥感的动态预检测试装置及方法 |
CN112016676B (zh) * | 2020-08-18 | 2021-07-02 | 武汉大学 | 一种神经网络模型预测的半导体薄膜工艺参数优化系统 |
CN113702330B (zh) * | 2021-08-10 | 2022-08-19 | 北京航空航天大学 | 一种波长调制激光吸收光谱线型参数在线提取方法与系统 |
CN113758899B (zh) * | 2021-11-11 | 2022-04-08 | 国网湖北省电力有限公司超高压公司 | 一种基于tdlas技术的微水测量方法及其装置 |
CN117747008B (zh) * | 2024-02-07 | 2024-05-03 | 山东省科学院激光研究所 | 一种气体激光吸收光谱的基线拟合及降噪方法、系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
JP2012026949A (ja) * | 2010-07-27 | 2012-02-09 | Shimadzu Corp | ガス濃度測定装置 |
CN101949826B (zh) * | 2010-09-02 | 2012-09-05 | 西安交通大学 | 基于正、逆模型的多组分气体光谱定量分析标定方法 |
CN102192894A (zh) * | 2011-03-24 | 2011-09-21 | 周孟然 | 光纤传感煤矿瓦斯的激光光谱吸收检测方法 |
-
2014
- 2014-11-26 CN CN201410699109.9A patent/CN104535528B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104535528A (zh) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104535528B (zh) | Bp神经网络实时提取tdlas气体吸收光谱吸光度的方法 | |
Asha et al. | IoT enabled environmental toxicology for air pollution monitoring using AI techniques | |
Xu et al. | Deep learning application for predicting soil organic matter content by VIS-NIR spectroscopy | |
CN102798609B (zh) | 基于量子级联激光器的汽车尾气遥感检测系统和方法 | |
CN103175759A (zh) | 基于多种地基遥感技术获取城市气溶胶复折射指数的方法 | |
CN104596957A (zh) | 基于可见光近红外光谱技术的土壤铜含量估算方法 | |
CN103323115A (zh) | 基于波长调制的气体吸收谱线线宽和线型系数的测量方法 | |
CN101915744A (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
Tian et al. | Retrieval of gas concentrations in optical spectroscopy with deep learning | |
CN112051256B (zh) | 基于cnn模型的待测元素含量libs测量方法、系统 | |
CN103884670B (zh) | 基于近红外光谱的烟气成分定量分析方法 | |
CN104634705B (zh) | 一种基于连续激光的球形颗粒光谱复折射率与颗粒系粒径分布的获得方法 | |
CN103913432A (zh) | 基于粒子群算法的近红外光谱波长选择方法 | |
CN207198034U (zh) | 太赫兹光谱分析系统及设备 | |
Shi et al. | An inversion method for estimating strong point carbon dioxide emissions using a differential absorption Lidar | |
CN106706552A (zh) | 基于多信息融合的小麦品质检测方法 | |
Braghiere et al. | Characterization of the radiative impact of aerosols on CO 2 and energy fluxes in the Amazon deforestation arch using artificial neural networks | |
CN103558182B (zh) | 一种用于激光气体在线分析仪确定气体浓度的方法 | |
Yu et al. | A method for separation of overlapping absorption lines in intracavity gas detection | |
Wenan et al. | Integrated data analysis on the electron temperature profile of HL-2A with the Bayesian probability inference method | |
Sa et al. | Spectral characteristics of polluted gases and their detection by mid-infrared differential absorption lidar | |
CN105241823A (zh) | 基于稀疏表示的火电厂烟气光谱定量分析方法 | |
CN103983599A (zh) | 直射太阳光谱反演环境大气中二氧化碳垂直柱浓度的方法 | |
Liu et al. | Extreme learning machine and genetic algorithm in quantitative analysis of sulfur hexafluoride by infrared spectroscopy | |
Cui et al. | An ultrafast and high accuracy calculation method for gas radiation characteristics using artificial neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |