CN108460321A - 激光分析仪小波分析数据处理方法 - Google Patents

激光分析仪小波分析数据处理方法 Download PDF

Info

Publication number
CN108460321A
CN108460321A CN201711378121.XA CN201711378121A CN108460321A CN 108460321 A CN108460321 A CN 108460321A CN 201711378121 A CN201711378121 A CN 201711378121A CN 108460321 A CN108460321 A CN 108460321A
Authority
CN
China
Prior art keywords
signal
spectral signal
spectral
laser analyzer
noise
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
Application number
CN201711378121.XA
Other languages
English (en)
Inventor
曾繁华
王竞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Chuanyi Automation Co Ltd
Original Assignee
Chongqing Chuanyi Automation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Chuanyi Automation Co Ltd filed Critical Chongqing Chuanyi Automation Co Ltd
Priority to CN201711378121.XA priority Critical patent/CN108460321A/zh
Publication of CN108460321A publication Critical patent/CN108460321A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/39—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using tunable lasers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明提供一种激光分析仪小波分析数据处理方法，所述方法包括：步骤S1，采集激光分析仪的光谱信号；步骤S2，利用小波分解法对所述光谱信号分解得到有用信号与噪声信号；步骤S3，采用重构函数重组所述有用信号与噪声信号得到原始的光谱信号；步骤S4，对所述重组的光谱信号进行光谱分析，得到最佳的光谱信号。通过小波变换分解光谱信号，再将分解后的有用信号与噪声信号重组得到原始的光谱信号，剔除了原有光谱信号的噪声，有效克服了由于信噪比低时，无法精确得到光谱数据中的有用信号的问题。

Description

激光分析仪小波分析数据处理方法
技术领域
本发明涉及光学测量技术领域，特别是涉及一种激光分析仪小波分析数据处理方法，基于TDLAS技术可用于气体温度、浓度以及气流速度方面的测量。
背景技术
可调谐半导体激光吸收谱(TDLAS)技术因其受气体环境影响小、响应速度快、可靠性高、不会对被测环境造成扰动等突出优点在众多新型测量技术中脱颖而出，受到广泛重视。 TDLAS技术中的波长调制谱技术对激光光强进行高频的调制，能够应用于噪声较大的环境中，因而应用非常广泛。波长调制谱技术采用了高频调制信号，其测量信息包含在谐波信号之中，通过对谐波信号进行分析得到气体温度、浓度及气流速度方面的测量结果。
然而，当待测气体浓度含量较低时，或者其它原因，导致吸收信号很弱，造成信噪比较低，光谱数据中通常使用的处理方法包括：中值滤波算法、滑动平均滤波算法、低通滤波算法、FIR、最小乘法等，但上述处理方法无法有效处理有用信号与噪声信号，造成无法精确得到光谱数据中的有用信号。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种激光分析仪小波分析数据处理方法，用于解决现有技术中激光分析仪测量中由于信噪比低，无法精确得到光谱数据中的有用信号的问题。
为实现上述目的及其他相关目的，本申请的第一方面，本发明提供一种激光分析仪小波分析数据处理方法，
步骤S1，采集激光分析仪的光谱信号；
步骤S2，利用小波分解法对所述光谱信号分解得到有用信号与噪声信号；
步骤S3，采用重构函数重组所述有用信号与噪声信号得到原始的光谱信号；
步骤S4，对所述重组的光谱信号进行光谱分析，得到最佳的光谱信号。
如上所述，本发明的激光分析仪小波分析数据处理方法，具有以下有益效果：
通过小波变换分解光谱信号，再将分解后的有用信号与噪声信号重组得到原始的光谱信号，剔除了原有光谱信号的噪声，有效克服了由于信噪比低时，无法精确得到光谱数据中的有用信号的问题。在时域和频域上具有良好的局部化特性，对高频成分采用逐渐精细的时域取样步长，从而可以聚焦到对象的任意细节等，能够更精细的拟合出原始信号，拟合误差更低。
附图说明
图1显示为本发明提供的一种激光分析仪小波分析数据处理方法流程图；
图2显示为本发明提供的一种激光分析仪小波分析数据处理方法实施效果图；
图3显示为本发明提供的一种激光分析仪小波分析函数分解图；
图4显示为本发明提供的一种激光分析仪小波分析函数重组图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。
在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本公开的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变.下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定.这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一预设阈值可以被称作第二预设阈值，并且类似地，第二预设阈值可以被称作第一预设阈值，而不脱离各种所描述的实施例的范围。第一预设阈值和预设阈值均是在描述一个阈值，但是除非上下文以其他方式明确指出，否则它们不是同一个预设阈值。相似的情况还包括第一音量与第二音量。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示.应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加.此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合.因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
请参阅图1，为本发明提供一种激光分析仪小波分析数据处理方法流程图，包括：
步骤S1，采集激光分析仪的光谱信号；
具体地，利用激光分析仪的发射端发射预设波长的激光光源，利用激光分析仪的接收端接收所述激光并解调成光谱信号。
步骤S2，利用小波分解法对所述光谱信号分解得到有用信号与噪声信号；
具体地，采用以下公式对所述光谱信号进行分解，得到有用信号与噪声信号；
结合式(1)、(2)与图3，为滤波器h0(k)的输出结构Ck的降二采样值，为滤波器h1(k)的输出结构Ck的降二采样值，h0(k)小波分解的低通滤波器与h1(k)为小波分解的高通滤波器。
在本实施例中，采用小波变换对光谱信号进行分析，分解得到31个低频分量与31个高频分量，对光谱图像采用小波进行N层分解，提取小波分解结构中N层内每层的低频系数与高频系数，从而得到水平、垂直与斜线方向系数，方便各频率成份后期重构，通过低频分量采用上述方式提取分量参数，即有用信号的信号频率和幅值，从而得到分解的有效信号与噪声信号。
小波分解层数的选择如果太小会降低除噪效果，如果小波分解层数过大会损失有用信号的失真度，因此，通过matlab仿真计算测试N层采用6层分解效果最佳。
步骤S3，采用重构函数重组所述有用信号与噪声信号得到原始的光谱信号；
具体地，采用以下重构函数重组所述有用信号；
结合式(3)与图4，为重新组合的有用信号，和分别为光谱信号分解后的采样值，g0(n)和g1(n)分别为重构函数的低通滤波器系数与高通滤波器系数。
在本实施例中，采用公式(3)对所述有用信号进行重组，即，将小波分解的近似信号与细节信号经小波反变换重构原始的光谱信号，使用上述重构函数中低通与高通滤波器重构原始的光谱信号，以达到恢复的原始光谱信号。
步骤S4，对所述重组的光谱信号进行光谱分析，得到最佳的光谱信号。
具体地，通过小波分解和重组滤掉噪声信号，通过多组数据仿真，波动小，信号稳定即是最佳光谱信号，在分析中不需要采用傅里叶变换，小波分析的目的只是降低光谱噪声，例如：采用上述方式按照融合系数对光谱图像进行重构，对重构的图像进行增强处理，以减少重构图像的亮度，弱化掉不需要的光谱噪声，增强有用的光谱信号。
请参阅图2，为激光分析仪小波分析数据处理方法实施效果图，详述如下：
采样光谱信号，其中，采样频率600kHz，采样点1000个，通过使用小波分析6层分解及重构，MATLAB仿真结果如下：
下面是DB10低通滤波系数和高通滤波系数：
filter_LO[20]＝{-0.0000,0.0001,-0.0001,-0.0007,0.0020,0.0014,-0.0107,0.0036,0.0332,-0.0295, -0.0714,0.0931,0.1274,-0.1959,-0.2498,0.2812,0.6885,0.5272,0.1882,0.0267}；
filter_LR[20]＝{0.0267,0.1882,0.5272,0.6885,0.2812,-0.2498,0.1959,0.1274,0.0931,-0.0714,-0 .0295,0.0332,0.0036,-0.0107,0.0014,0.0020,-0.0007,-0.0001,0.0001,-0.0000}；
分别用DB10低通和高通滤波器，在6阶小波分析，S是原始信号，a6是采用上述方法进行滤波的信号，采用小波分析方法在不影响有效信号前提下，通过小波分解和重组对光谱信号进行分析，使用上述方法不仅占用内存少，还处理速度快，适用于嵌入式系统，例如，光谱分析仪。
综上所述，本发明通过小波变换分解光谱信号，再将分解后的有用信号与噪声信号重组得到原始的光谱信号，剔除了原有光谱信号的噪声，有效克服了由于信噪比低时，无法精确得到光谱数据中的有用信号的问题。在时域和频域上具有良好的局部化特性，对高频成分采用逐渐精细的时域取样步长，从而可以聚焦到对象的任意细节等，能够更精细的拟合出原始信号，拟合误差更低。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (4)

1.一种激光分析仪小波分析数据处理方法，其特征在于，所述方法包括：
步骤S1，采集激光分析仪的光谱信号；
步骤S2，利用小波分解法对所述光谱信号分解得到有用信号与噪声信号；
步骤S3，采用重构函数重组所述有用信号与噪声信号得到原始的光谱信号；
步骤S4，对所述重组的光谱信号进行光谱分析，得到最佳的光谱信号。
2.根据权利要求1所述的激光分析仪小波分析数据处理方法，其特征在于，所述步骤1，采集激光分析仪的光谱信号的步骤，包括：
利用激光分析仪的发射端发射预设波长的激光光源，利用激光分析仪的接收端接收所述激光并解调成光谱信号。
3.根据权利要求1所述的激光分析仪小波分析数据处理方法，其特征在于，所述步骤2，利用小波分解法对所述光谱信号分解得到有用信号与噪声信号的步骤，包括：
采用以下公式对所述光谱信号进行分解，得到有用信号与噪声信号；
式(1)、(2)中，为滤波器h0(k)的输出结构Ck的降采样值，为滤波器h1(k)的输出结构Ck的降采样值，h0(k)与h1(k)分别为小波分析滤波器。
4.根据权利要求1所述的激光分析仪小波分析数据处理方法，其特征在于，所述步骤3采用重构函数重组所述有用信号与噪声信号得到原始的光谱信号的步骤，包括：
采用以下重构函数重组有用信号与噪声信号得到原始的光谱信号；
式(3)中，为重新组合的有用信号，和分别为光谱信号分解后的采样值，g0(n)和g1(n)分别为重构函数的低通滤波器系数与高通滤波器系数。
CN201711378121.XA 2017-12-19 2017-12-19 激光分析仪小波分析数据处理方法 Pending CN108460321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711378121.XA CN108460321A (zh) 2017-12-19 2017-12-19 激光分析仪小波分析数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711378121.XA CN108460321A (zh) 2017-12-19 2017-12-19 激光分析仪小波分析数据处理方法

Publications (1)

Publication Number Publication Date
CN108460321A true CN108460321A (zh) 2018-08-28

Family

ID=63221142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711378121.XA Pending CN108460321A (zh) 2017-12-19 2017-12-19 激光分析仪小波分析数据处理方法

Country Status (1)

Country Link
CN (1) CN108460321A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111198167A (zh) * 2020-01-06 2020-05-26 邵阳学院 一种溶液金属离子浓度检测方法、终端设备及存储介质
CN118336512A (zh) * 2024-06-12 2024-07-12 天津市极光创新智能科技有限公司 一种tdlas中红外激光控制系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033804A (zh) * 2012-12-14 2013-04-10 武汉大学 基于小波熵阈值与模极大值法的激光雷达信号处理方法
CN104020136A (zh) * 2014-06-25 2014-09-03 中国科学院重庆绿色智能技术研究院 小波中值近红外光谱去噪方法和装置
CN104062264A (zh) * 2014-07-11 2014-09-24 刘颖东 一种可用于气体及液体检测的光谱分析型高精度在线检测仪
US20150007638A1 (en) * 2011-10-20 2015-01-08 Picarro, Inc. Methods for gas leak detection and localization in populated areas using isotope ratio measurements
CN104345049A (zh) * 2013-08-09 2015-02-11 中国科学院沈阳自动化研究所 激光诱导击穿光谱的小波阈值降噪的阈值校正方法
CN105510900A (zh) * 2015-12-01 2016-04-20 中国科学院上海技术物理研究所 基于小波包分析神经网络的全波形激光雷达数据去噪方法
CN106442403A (zh) * 2016-09-07 2017-02-22 天津大学 一种柴油机scr 氨污染光谱检测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150007638A1 (en) * 2011-10-20 2015-01-08 Picarro, Inc. Methods for gas leak detection and localization in populated areas using isotope ratio measurements
CN103033804A (zh) * 2012-12-14 2013-04-10 武汉大学 基于小波熵阈值与模极大值法的激光雷达信号处理方法
CN104345049A (zh) * 2013-08-09 2015-02-11 中国科学院沈阳自动化研究所 激光诱导击穿光谱的小波阈值降噪的阈值校正方法
CN104020136A (zh) * 2014-06-25 2014-09-03 中国科学院重庆绿色智能技术研究院 小波中值近红外光谱去噪方法和装置
CN104062264A (zh) * 2014-07-11 2014-09-24 刘颖东 一种可用于气体及液体检测的光谱分析型高精度在线检测仪
CN105510900A (zh) * 2015-12-01 2016-04-20 中国科学院上海技术物理研究所 基于小波包分析神经网络的全波形激光雷达数据去噪方法
CN106442403A (zh) * 2016-09-07 2017-02-22 天津大学 一种柴油机scr 氨污染光谱检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李学军: "《埋弧焊质量检测的电信号时频分析与处理》", 30 December 2016, 武汉理工大学出版社 *
李涛著: "《数字图像处理之红外弱目标分割方法研究》", 31 December 2016, 西南交通大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111198167A (zh) * 2020-01-06 2020-05-26 邵阳学院 一种溶液金属离子浓度检测方法、终端设备及存储介质
CN111198167B (zh) * 2020-01-06 2022-12-13 邵阳学院 一种溶液金属离子浓度检测方法、终端设备及存储介质
CN118336512A (zh) * 2024-06-12 2024-07-12 天津市极光创新智能科技有限公司 一种tdlas中红外激光控制系统及方法

Similar Documents

Publication Publication Date Title
Liu et al. Efficient blind signal reconstruction with wavelet transforms regularization for educational robot infrared vision sensing
US10891719B2 (en) Systems, methods and programs for denoising signals using wavelets
CN107144829B (zh) 一种高效的激光雷达回波信号去噪方法
JP6211618B2 (ja) 流体内のエネルギー含量の測定及び汚染物質の検出を行うための方法及びシステム
Kim et al. Faraday rotation measure synthesis of intermediate redshift quasars as a probe of intervening matter
Li et al. Wavelet transform based on the optimal wavelet pairs for tunable diode laser absorption spectroscopy signal processing
CN108460321A (zh) 激光分析仪小波分析数据处理方法
Alorifi et al. Analysis and Detection of a Target Gas System Based on TDLAS & LabVIEW.
Xia et al. Sensitive absorption measurements of hydrogen sulfide at 1.578 μm using wavelength modulation spectroscopy
Cava et al. SHARDS: A Global View of the Star Formation Activity at z∼ 0.84 and z∼ 1.23
CN106198321A (zh) 模型构建方法和光散射成分检测方法
CN110031081A (zh) 一种基于改进型小波包的phi-OTDR分布式光纤振动信号去噪方法及系统
Bonifazi et al. Hyperspectral imaging as a technique for investigating the effect of consolidating materials on wood
CN104020136A (zh) 小波中值近红外光谱去噪方法和装置
CN110865042A (zh) 气体浓度检测方法、装置和系统
CN110208211A (zh) 一种用于农药残留检测的近红外光谱降噪方法
US20230260087A1 (en) Wavelet denoising using signal location windowing
Zhang et al. An adaptive demodulation approach for bearing fault detection based on adaptive wavelet filtering and spectral subtraction
CN108226896A (zh) 一种基于相位生成载波的反正切算法探测水下目标的方法
Du et al. Fractional iterative variational mode decomposition and its application in fault diagnosis of rotating machinery
Giammichele et al. A New Analysis of the Two Classical ZZ Ceti White Dwarfs GD 165 and Ross 548. I. Photometry and Spectroscopy
Zheng et al. A new noise reduction method based on re-weighted group sparse decomposition and its application in gear fault feature detection
Krsnik et al. Manifestations of the electron-phonon interaction range in angle-resolved photoemission spectra
Klintberg et al. Partial least squares modelling of spectroscopic data from microplasma emissions for determination of CO2 concentration
Zhan et al. A real-time de-noising method applied for transient and weak biomolecular interaction analysis in surface plasmon resonance biosensing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180828