CN108918446A - 一种超低浓度二氧化硫紫外差分特征提取算法 - Google Patents
一种超低浓度二氧化硫紫外差分特征提取算法 Download PDFInfo
- Publication number
- CN108918446A CN108918446A CN201810349907.7A CN201810349907A CN108918446A CN 108918446 A CN108918446 A CN 108918446A CN 201810349907 A CN201810349907 A CN 201810349907A CN 108918446 A CN108918446 A CN 108918446A
- Authority
- CN
- China
- Prior art keywords
- data
- difference
- wave band
- frequency
- absorption
- 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.)
- Granted
Links
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 title claims abstract description 53
- 238000000605 extraction Methods 0.000 title claims abstract description 12
- 238000010521 absorption reaction Methods 0.000 claims abstract description 64
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 230000003595 spectral effect Effects 0.000 claims abstract description 17
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 12
- 238000000513 principal component analysis Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 4
- YZCKVEUIGOORGS-OUBTZVSYSA-N Deuterium Chemical compound [2H] YZCKVEUIGOORGS-OUBTZVSYSA-N 0.000 claims description 6
- 229910052805 deuterium Inorganic materials 0.000 claims description 6
- TXKMVPPZCYKFAC-UHFFFAOYSA-N disulfur monoxide Inorganic materials O=S=S TXKMVPPZCYKFAC-UHFFFAOYSA-N 0.000 claims description 3
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical compound S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 239000003344 environmental pollutant Substances 0.000 abstract description 8
- 231100000719 pollutant Toxicity 0.000 abstract description 8
- 239000000284 extract Substances 0.000 abstract description 5
- 239000007789 gas Substances 0.000 description 34
- 238000000034 method Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- 238000000862 absorption spectrum Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001658 differential optical absorption spectrophotometry Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种超低浓度二氧化硫紫外差分特征提取算法,包括以下步骤:通过紫外差分吸收光谱分析仪采集光谱数据并作为原始光谱S;对原始光谱S进行波段选择且截取数据,并进行n次多项式拟合,所得多项式Ln与所选波段原始光谱S做差分,实现低频噪声L的滤除,得到的SO2差分吸收度C;(3)利用SO2的差分吸收度曲线具有类周期特性的特点,通过快速傅里叶变换算法将差分吸收度C转换为频域信号P;(4)采集频域信号P上谱线的幅值,并记录相邻谱线的幅值;(5)多个数据组成一组多维数据,利用主成份分析算法将数据降维,从中提取出浓度相关特征值。本发明可以实现低浓度SO2气体污染物的检测,效率高,成本低。
Description
技术领域
本发明涉及基于朗伯-比尔定律与快速傅里叶变换的特征提取算法,具体涉及一种超低浓度二氧化硫紫外差分特征提取算法。
背景技术
当光穿过气体的过程中,气体分子会吸收光源的能量并发生跃迁,由此会产生相应的吸收光谱。不同的气体分子由于结构不同,在相应的波段具有不同的吸收特征。Lambert-Beer定律指出,光穿过气体前后的光强变化与待测气体的浓度,厚度以及种类有明确的关系,据此可以利用吸收光谱来测量气体污染物(SO2、NO等)的浓度。
进行气体污染物浓度测量时,需要从吸收光谱中提取出有效的吸收特征。因此在对光谱仪所获得的吸收光谱进行处理时,需要滤除噪声并从处理后的信号中提取特征值。特别在测量超低浓度的气体污染物时,光谱上的有用信号几乎淹没在噪声中,必须有效的区分噪声与有用信号,才能保证测量结果的准确。
传统DOAS算法是一种常用算法。该方法利用高阶多项式拟合来获取吸收光谱的低频慢变部分,再由数学方法获得吸收光谱的快变部分,也可以使用滤波器达到同样效果。慢变部分主要由仪器光谱响应特性、光源的光谱曲线、瑞利散射、米氏散射以及气体的衰减作用而形成;吸收的快变部分则是由气体中各成分分子内部的各种电子能级跃迁所产生的吸收作用形成的光谱精细结构,也是计算气体成分和浓度的依据。之后根据Lambert-Beer定律,利用吸收截面与吸收峰值处数据计算污染物浓度。该方法的优点是原理简单,容易实现,且技术较为成熟。但是这种方法进行低浓度测量时,在原理上对光程长度依赖较大,而工程应用中由于各种限制,光程不可能无限的增大,因此在低浓度测量时,该方法的信噪比较差,几乎无法检测低浓度信号。同时该方法没有对高频噪声进行处理,完全依赖光谱仪的性能,也不利于降低成本。
DOAS技术经过进一步补充和完善,测量低浓度气体时,充分利用整个波段上的所有离散波长点上的光谱数据,采用最小二乘进行全局寻优,从而获得被测气体浓度。该方法提高了DOAS算法低浓度检测的表现,并且不需要再原有设备上进行任何改动。但是其精度依然难以得到保障,没有消除高频噪声的效果。
拟合面积残差最小化低浓度算法,这种算法充分利用整个波段上的吸收截面信息,从整个波段的离散数据中选择最符合吸收光谱与已知吸收截面的数据点来进行反算浓度。该算法具有良好的线性,具有良好的重复性,测量准确,一定程度上抑制了高频噪声的干扰。其缺点是测量性能依然有待提高,对于高频噪声的处理依然不好。依赖吸收截面数据的准确性,如果吸收截面不适用于当前光谱采集系统,则会引入系统误差,并且多种气体之间的互相干扰严重。
快速傅里叶变换阈值滤波,可以有效去除高频噪声,但进行低浓度测量时,低浓度信号与噪声无法区分,会导致低浓度信号无法检出,不适用于非周期吸收信号的检出。
发明内容
本发明的目的是为了克服现有技术中的不足,准确提取超低浓度气体污染物的吸收特征,有效区分有用信号和噪声,实现超低浓度气态污染物的检测;提供一种超低浓度二氧化硫紫外差分特征提取算法,相比于其他方法能够快速准确的提取到一种具有较高分辨力的吸收特征,重复性好。可以实现低浓度SO2气体污染物的检测,效率高,成本低。
本发明的目的是通过以下技术方案实现的:
一种超低浓度二氧化硫紫外差分特征提取算法,包括以下步骤:
(1)通过紫外差分吸收光谱分析仪采集由氘灯光源所发出的经过充满均一浓度待测二氧化硫SO2气体的气体池后的光谱数据,该光谱数据为原始光谱S;
(2)对原始光谱S进行波段选择且截取数据,并进行n次多项式拟合,所得多项式Ln与所选波段原始光谱S做差分,实现低频噪声L的滤除,得到的SO2差分吸收度C;
(3)利用SO2的差分吸收度曲线具有类周期特性的特点,通过快速傅里叶变换算法将差分吸收度C转换为频域信号P;
(4)采集频域信号P上谱线的幅值,并记录相邻谱线的幅值;
(5)多个数据组成一组多维数据,利用主成份分析(Principal ComponentAnalysis)算法将数据降维,从中提取出浓度相关特征值。
进一步的,步骤(2)中n取3。
步骤(2)中波段选择包括以下步骤:
(1)通过查找HITRAN数据库获得SO2的吸收截面,选定180~230nm波段上的数据作为计算所使用数据;
(2)通过紫外差分吸收光谱分析仪采集由氘灯光源所发出的经过充满均一浓度待测二氧化硫SO2气体的气体池后的光谱数据,该光谱数据为原始光谱S;
(3)对原始光谱S,截取其180~230nm波段上的数据,并进行n次多项式拟合,所得多项式Ln与该波段原始光谱S做差分,实现低频噪声L的滤除,得到的SO2差分吸收度C;
(4)对180~230nm波段进行进一步筛选,从180nm处开始,截取差分吸收度C上10nm长度内的数据用于计算,并利用快速傅里叶变换算法计算出该部分数据所对应的频谱;
(5)对比相同浓度、不同浓度的多组SO2数据,确认SO2吸收特征所对应频域上频率为1/6的谱线;仅将该条谱线还原为时域信号X,并在时域上按其周期性将其分割成6段;
(6)每一段时域信号X与对应位置的差分吸收度C进行拟合,获取系数ki使得第i段内残差和Δδi取最小值;
Δδ=Δδmin时,计算得
n为单个周期数据点个数,f为SO2吸收特征对应频率,f=1/6;xj=sin(2π*j/n+b)为上述时域信号X当前波段上第j个点,Cj+n*i为差分吸收度在当前波段上第j+n*i个数据点;
时域信号X在一个选定的10nm波段上对应一组ki,数组大小为计算σ,σ为ki的相对标准差;
(7)当波段从开始位置向230nm方向移动n/2个数据点,重新截取长度为10nm的波段并重复步骤(6),选出σ最小的波段作为计算所用波段。
与现有技术相比,本发明的技术方案所带来的有益效果是:
本发明算法根据SO2吸收特点,利用快速傅里叶算法来提取SO2气体吸收光谱中的特征值,设置了一个能反应波段性能的参量,以选择最佳的波段,从而减少结果受到边缘数据的影响,提高结果的稳定性,减少了运算量,大大优化了频谱数据的能量分布;实现了低浓度气体的有效检测。
附图说明
图1-1是SO2紫外差分特征提取算法流程框图;图1-2是波段选择的流程框图。
图2-1是SO2在190nm-230nm差分光谱,图2-2是三浓度SO2吸收特征对应频谱图。
图3-1为参数σ较低波段差分吸收度;图3-2为参数σ较高波段差分吸收度;图3-3为参数σ较低波段三浓度SO2吸收特征对应频域特征;图3-4为参数σ较低波段三浓度SO2吸收特征对应频域特征
图4为设置参数σ与检测结果稳定性之间的关系图。
具体实施方式
下面结合附图对本发明作进一步的描述。
根据Lambert-Beer定律计算得到的差分吸收度中,不同的气体在各自的吸收波段有着不同的吸收特征。根据SO2的吸收特征,在其吸收波段提取特征值。图1-1和图1-2分别为SO2紫外差分特征提取算法流程框图及波段选择流程框图。
基于快速傅里叶变换(Fast Fourier Transformation,FFT)的SO2检测算法,总体思路是利用SO2差分吸收曲线的类周期特点,将时域信号转换到频域进行处理,用频域峰值反应气体浓度,从而解决上述方法在气体浓度低,吸收不明显,高频干扰严重时测量不准的问题,在此基础上提出了一种波段选择算法,利用其类周期的特点,通过选定波段上各个单个周期的拟合结果得出一个参量σ,为选定采样波段提供了依据。具体实现方法如下。
1、通过查找HITRAN数据库获得SO2的吸收截面,并经过实验确认,SO2在180~230nm和280~320nm两个波段具有明显的吸收特征。实验结果表明SO2在180~230nm吸收较为明显,低频部分变化较为平缓,并且其他气体的干扰较少。选定180~230nm波段上的数据作为计算所使用数据。
2、使用天津津飞光谱分析仪器有限公司的CEMS紫外差分吸收光谱分析仪采集由氘灯光源所发出的经过充满均一浓度SO2气体的气体池后的光谱数据,此光谱为原始光谱S。
3、对原始光谱S,按步骤1的结论,截取其180~230nm波段上的数据,并进行n次多项式拟合(本实施例中n取3),所得多项式Ln与该波段原始光谱S做差分,实现低频噪声L的滤除,得到的SO2差分吸收度C。
4、为提高算法性能,对180~230nm波段进行进一步筛选。经实验确认,10nm波段内的数据即可保证算法的稳定。从180nm处开始,截取差分吸收度C上10nm长度内的数据用于计算。利用FFT算法计算出该部分数据所对应的频谱。
5、对比相同浓度、不同浓度的多组SO2数据,确认SO2吸收特征所对应频域上频率为1/6的谱线。仅将这一条谱线还原为时域信号X,并在时域上按其周期性将其分割成6段。
6、每一时域信号X与对应位置的差分吸收度C进行拟合,获取系数ki使得第i段内残差和Δδi取最小值。
Δδ=Δδmin时,可计算得
n为单个周期数据点个数,f为SO2吸收特征对应频率,f=1/6。xj=sin(2π*j/n+b)为上述时域信号X当前波段上第j个点。Cj+n*i为差分吸收度在当前波段上第j+n*i个数据点。
时域信号X在一个选定的10nm波段上对应一组ki,数组大小为计算σ,σ为ki的相对标准差。
7、波段开始位置向230nm方向移动n/2(由步骤6计算得出)个数据点,重新截取长度为10nm的波段并重复步骤6的计算。所选波段上差分吸收度C越接近标准正弦信号,则相对标准差σ应越小,此时差分吸收度上的有用信号能最优的被选定周期信号所代表,此时算法效果最佳,图4反映了所设置参量σ与连续测量同浓度多组数据相对标准差之间的关系,两者存在正相关关系,当σ取最小值时,数据相对标准差也很小,即数据稳定性较好。选出σ最小的波段作为计算所用波段。
基于快速傅里叶变换FFT的SO2检测算法步骤如下:
1、使用天津津飞光谱分析仪器有限公司的CEMS紫外差分吸收光谱分析仪采集由氘灯光源所发出的经过充满均一浓度待测SO2气体的气体池后的光谱数据,此光谱为原始光谱S。
2、对原始光谱S,按上述波段选择算法结论,截取数据,并进行n次多项式拟合(本算法中n取3),所得多项式Ln与对应波段原始光谱S做差分,实现低频噪声L的滤除,得到的SO2差分吸收度C。
3、SO2的差分吸收度曲线具有类周期的特性,利用FFT算法将差分吸收度C转换为频域信号P。
4、采集频域信号P上第7条谱线的幅值,SO2差分吸收度曲线并非真正的周期信号,因此相邻谱线上也包含吸收信息。因此同样记录相邻谱线的幅值。
5、多个数据组成一组多维数据,利用主成份分析(Principal ComponentAnalysis)算法将数据降维,从中提取出浓度相关特征值。该算法即使在光谱仪提供的光谱信号有较高的高频噪声时,依然能够保证在连续检测同一低浓度数据时,所提取的特征值保持稳定,并且能较好的区分不同浓度。
具体实施时,在实验平台上安装算法程序,然后通过光谱仪采集原始信号,经过USB将数据传送至上位机,选择设定参数最小波段,将选定SO2波段信号进行FFT变换,提取最终的特征值。
从实验结果图2-2可知,SO2原始光谱信号经过时频域转换之后,可以有效分辨出不同浓度的SO2气体,但是从实验结果图2-1来看,采用全部波段时低频噪声去除不彻底,同时2-2反映全波段进行FFT运算时,SO2吸收特征信号能量分散严重,并且信号稳定性还有提升空间。图3-1至图3-4为经过波段选择后效果,频谱峰值单一且凸出,稳定性得到明显提升。可以得到准确稳定的结果。
实验数据如表1所示,其中标称浓度通过不确定度为2%的标准气体与氮气通过质量流量计混合配比获得。由表中数据可知,测量了多种低浓度的SO2气体,测量结果与标称浓度的误差均在0.5ppm以下,精度较高。
表1不同浓度待测气体的测量结果
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (3)
1.一种超低浓度二氧化硫紫外差分特征提取算法,其特征在于,包括以下步骤:
(1)通过紫外差分吸收光谱分析仪采集由氘灯光源所发出的经过充满均一浓度待测二氧化硫SO2气体的气体池后的光谱数据,该光谱数据为原始光谱S;
(2)对原始光谱S进行波段选择且截取数据,并进行n次多项式拟合,所得多项式Ln与所选波段原始光谱S做差分,实现低频噪声L的滤除,得到的SO2差分吸收度C;
(3)利用SO2的差分吸收度曲线具有类周期特性的特点,通过快速傅里叶变换算法将差分吸收度C转换为频域信号P;
(4)采集频域信号P上谱线的幅值,并记录相邻谱线的幅值;
(5)多个数据组成一组多维数据,利用主成份分析(Principal Component Analysis)算法将数据降维,从中提取出浓度相关特征值。
2.根据权利要求1所述一种超低浓度二氧化硫紫外差分特征提取算法,其特征在于,步骤(2)中n取3。
3.根据权利要求1所述一种超低浓度二氧化硫紫外差分特征提取算法,其特征在于,步骤(2)中波段选择包括以下步骤:
(1)通过查找HITRAN数据库获得SO2的吸收截面,选定180~230nm波段上的数据作为计算所使用数据;
(2)通过紫外差分吸收光谱分析仪采集由氘灯光源所发出的经过充满均一浓度待测二氧化硫SO2气体的气体池后的光谱数据,该光谱数据为原始光谱S;
(3)对原始光谱S,截取其180~230nm波段上的数据,并进行n次多项式拟合,所得多项式Ln与该波段原始光谱S做差分,实现低频噪声L的滤除,得到的SO2差分吸收度C;
(4)对180~230nm波段进行进一步筛选,从180nm处开始,截取差分吸收度C上10nm长度内的数据用于计算,并利用快速傅里叶变换算法计算出该部分数据所对应的频谱;
(5)对比相同浓度、不同浓度的多组SO2数据,确认SO2吸收特征所对应频域上频率为1/6的谱线;仅将该条谱线还原为时域信号X,并在时域上按其周期性将其分割成6段;
(6)每一段时域信号X与对应位置的差分吸收度C进行拟合,获取系数ki使得第i段内残差和Δδi取最小值;
Δδ=Δδmin时,计算得
n为单个周期数据点个数,f为SO2吸收特征对应频率,f=1/6;xj=sin(2π*j/n+b)为上述时域信号X当前波段上第j个点,Cj+n*i为差分吸收度在当前波段上第j+n*i个数据点;
时域信号X在一个选定的10nm波段上对应一组ki,数组大小为计算σ,σ为ki的相对标准差;
(7)当波段从开始位置向230nm方向移动n/2个数据点,重新截取长度为10nm的波段并重复步骤(6),选出σ最小的波段作为计算所用波段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810349907.7A CN108918446B (zh) | 2018-04-18 | 2018-04-18 | 一种超低浓度二氧化硫紫外差分特征提取算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810349907.7A CN108918446B (zh) | 2018-04-18 | 2018-04-18 | 一种超低浓度二氧化硫紫外差分特征提取算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108918446A true CN108918446A (zh) | 2018-11-30 |
CN108918446B CN108918446B (zh) | 2021-05-04 |
Family
ID=64403065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810349907.7A Expired - Fee Related CN108918446B (zh) | 2018-04-18 | 2018-04-18 | 一种超低浓度二氧化硫紫外差分特征提取算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108918446B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110553988A (zh) * | 2019-08-30 | 2019-12-10 | 天津大学 | 一种基于叠加态思想的no低浓度信号提取方法 |
CN111912804A (zh) * | 2019-11-28 | 2020-11-10 | 南开大学 | 一种高炉烟气中微量二氧化硫监测的紫外光谱检测方法及装置 |
CN112666104A (zh) * | 2020-12-29 | 2021-04-16 | 西安鼎研科技股份有限公司 | 一种基于doas的气体浓度反演方法 |
CN116559108A (zh) * | 2023-05-19 | 2023-08-08 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
CN117454098A (zh) * | 2023-12-26 | 2024-01-26 | 沈阳安仕得科技有限公司 | 一种基于激光散射的粉尘浓度测量方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430276A (zh) * | 2008-12-15 | 2009-05-13 | 北京航空航天大学 | 一种光谱分析中波长变量优选方法 |
CN102631198A (zh) * | 2012-04-20 | 2012-08-15 | 天津大学 | 一种基于差值提取的动态光谱数据处理方法 |
CN103940767A (zh) * | 2014-05-07 | 2014-07-23 | 重庆大学 | 基于多流形学习的气体浓度反演方法 |
CN104034684A (zh) * | 2014-06-05 | 2014-09-10 | 北京金达清创环境科技有限公司 | 一种基于紫外-可见吸收光谱的水质多指标检测方法 |
CN104091089A (zh) * | 2014-07-28 | 2014-10-08 | 温州大学 | 一种红外光谱数据pls建模方法 |
-
2018
- 2018-04-18 CN CN201810349907.7A patent/CN108918446B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430276A (zh) * | 2008-12-15 | 2009-05-13 | 北京航空航天大学 | 一种光谱分析中波长变量优选方法 |
CN102631198A (zh) * | 2012-04-20 | 2012-08-15 | 天津大学 | 一种基于差值提取的动态光谱数据处理方法 |
CN103940767A (zh) * | 2014-05-07 | 2014-07-23 | 重庆大学 | 基于多流形学习的气体浓度反演方法 |
CN104034684A (zh) * | 2014-06-05 | 2014-09-10 | 北京金达清创环境科技有限公司 | 一种基于紫外-可见吸收光谱的水质多指标检测方法 |
CN104091089A (zh) * | 2014-07-28 | 2014-10-08 | 温州大学 | 一种红外光谱数据pls建模方法 |
Non-Patent Citations (6)
Title |
---|
CAN LI 等: "Global Observations of SO2 and HCHO Using an Innovative Algorithm based on Principal Component Analysis of Satellite Radiance Data", 《GEOPHYSICAL RESEARCH ABSTRACTS》 * |
刘斌 等: "基于统计量的差分吸收光谱烟气SO2浓度反算方法", 《光谱学与光谱分析》 * |
周红 等: "基于紫外差分吸收光谱的痕量SO2气体定量检测", 《中国电机工程学报》 * |
李红民 等: "二氧化硫的紫外光谱测量数据修正方法", 《传感技术学报》 * |
李红莲 等: "主成分分析在DOAS测量分析中的应用", 《激光杂志》 * |
王俊楠: "用于硫氮氧化物监测的差分吸收光谱技术研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110553988A (zh) * | 2019-08-30 | 2019-12-10 | 天津大学 | 一种基于叠加态思想的no低浓度信号提取方法 |
CN110553988B (zh) * | 2019-08-30 | 2021-08-20 | 天津大学 | 一种基于叠加态思想的no低浓度信号提取方法 |
CN111912804A (zh) * | 2019-11-28 | 2020-11-10 | 南开大学 | 一种高炉烟气中微量二氧化硫监测的紫外光谱检测方法及装置 |
CN111912804B (zh) * | 2019-11-28 | 2022-09-23 | 南开大学 | 一种高炉烟气中微量二氧化硫监测的紫外光谱检测方法及装置 |
CN112666104A (zh) * | 2020-12-29 | 2021-04-16 | 西安鼎研科技股份有限公司 | 一种基于doas的气体浓度反演方法 |
CN116559108A (zh) * | 2023-05-19 | 2023-08-08 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
CN116559108B (zh) * | 2023-05-19 | 2024-01-12 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
CN117454098A (zh) * | 2023-12-26 | 2024-01-26 | 沈阳安仕得科技有限公司 | 一种基于激光散射的粉尘浓度测量方法及系统 |
CN117454098B (zh) * | 2023-12-26 | 2024-03-19 | 沈阳安仕得科技有限公司 | 一种基于激光散射的粉尘浓度测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108918446B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108918446A (zh) | 一种超低浓度二氧化硫紫外差分特征提取算法 | |
CN101105446B (zh) | 差分吸收光谱空气质量检测系统 | |
CN109100325B (zh) | 一种基于光谱吸收率二次谐波特征提取的气体浓度测量方法 | |
CN104990886B (zh) | 一种傅里叶变换红外光谱仪波数漂移的校正方法 | |
CN101819140B (zh) | 气态单质汞浓度的连续监测装置和方法 | |
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 | |
CN103033481A (zh) | 基于fft的激光分析仪二次谐波滤波方法 | |
CN103940767B (zh) | 基于多流形学习的气体浓度反演方法 | |
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 | |
CN103543132B (zh) | 一种基于小波变换的煤质特性测量方法 | |
CN109425583A (zh) | 光谱分析装置、光谱分析方法和存储介质 | |
CN105486663B (zh) | 一种利用近红外光谱检测土壤的稳定碳同位素比值的方法 | |
CN111965140A (zh) | 基于特征峰的波长点重组方法 | |
CN115728259A (zh) | 一种多组分气体分析方法 | |
CN102519597A (zh) | 一种傅里叶变换光谱仪相位校正切趾方法 | |
CN105136682A (zh) | 一种燃油中芳烃含量快速、准确测定的新方法 | |
CN103954586A (zh) | 基于11个光谱小波系数的土壤有机质含量快速预测方法 | |
CN111141505A (zh) | 一种非侵入式真空分压力快速测量仪器 | |
CN105699314B (zh) | 一种利用中红外光谱检测土壤稳定碳同位素比值的方法 | |
CN103163100B (zh) | 一种气态元素汞检测方法 | |
CN105784629A (zh) | 利用中红外光谱快速检测土壤的稳定碳同位素比值的方法 | |
CN106323888B (zh) | 一种超低排放烟气测量方法 | |
CN110553988B (zh) | 一种基于叠加态思想的no低浓度信号提取方法 | |
CN107941733A (zh) | 基于小波去噪的超低浓度多组分紫外光谱烟气分析方法 | |
CN102645280B (zh) | 高效的光谱还原方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210504 |
|
CF01 | Termination of patent right due to non-payment of annual fee |