CN113406021A - 基于神经网络的光学频率梳气体检测系统及方法 - Google Patents
基于神经网络的光学频率梳气体检测系统及方法 Download PDFInfo
- Publication number
- CN113406021A CN113406021A CN202010185693.1A CN202010185693A CN113406021A CN 113406021 A CN113406021 A CN 113406021A CN 202010185693 A CN202010185693 A CN 202010185693A CN 113406021 A CN113406021 A CN 113406021A
- Authority
- CN
- China
- Prior art keywords
- gas
- neural network
- air chamber
- frequency comb
- optical frequency
- 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
Images
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
-
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
- G01N21/278—Constitution of standards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于气体测量技术领域,涉及光学频率梳气体检测系统及方法。该系统包括:光学频率梳、气室、光电二极管、数据采集卡、检测单元;所述气室通过光纤与光电二极管连接,所述数据采集卡采集光电二极管传输的电信号并发送给检测单元;所述的检测单元通过对所接收的电信号进行计算和处理,测定出气体的种类和浓度;所述的气室包括参检测气室和参考气室。本发明的有益效果是:该系统设置双气室,并且气室两端安装球面镜,该球面镜由很多小球面镜组成阵列,使入射光束在气室内可多次反射,增加有效光程,有效增加气体对入射光的吸收度。采用神经网络模型确定痕量气体成分后,对特定气体进行浓度计算,具有非线性映射能力强,训练速度快等优点。
Description
技术领域
本发明属于气体测量技术领域,涉及光学频率梳气体检测系统及方法。
背景技术
随着国民经济的快速发展,工业技术不断进步,导致了大气污染、土壤污染等环境污染问题日益严重。尤其是大气污染,工业废气、生活废气、泄露的有毒气体、汽车尾气等会造成全球气候变暖等环境问题外,还会引起人体呼吸系统感染、心脑血管、血管皮细胞的氧化损伤等疾病。在此大背景下,新型激光光谱气体检测技术成为环境监测应用的新研究热点。
光学频率梳(Optical Frequency Comb)技术在上述背景下应运而生。该技术凭借其频谱宽、脉宽窄、频率稳定度高、时域和频域特性可溯源至微波频率基准等优点,成为一种高精度高分辨率气体检测技术。国内外现已通过多种方式,例如光频梳腔衰荡光谱、光频梳腔增强光谱和双光频梳多外差光谱实现了光频梳。国外课题组将腔衰荡光频梳应用于气体吸收测定,使单根谱线灵敏度提高到到7×10-13cm-1,并实现工业废气及大气温室气体的吸收光谱探测,为监测空气净化等级提供解决方案。利用双光频梳多外差光谱技术将测量精度提高了10倍,并测量病人呼出气体的痕量成分。目前,在光学频率梳技术研究方面,欧美发达国家处于国际领先水平。而国内整体研究水平相对落后,以跟踪和拓展国外相关研究为主,尤其在光学频率梳气体检测应用方面差距十分明显。
然而,目前光学频率梳气体检测技术的实现在于:已知目标气体的成分,选择目标气体的特征谱线,对应选定的特征谱线,设计对应特征谱线频率的激光光源。即:已知气体成分的前提下进行气体的测量,对于未知气体无法做到识别和有效测量。国内外均无基于光学频率梳的气体识别研究。人工神经网络能够提供一个强有力的解决算法,可通过对大量的输入输出间的映射关系反复训练学习,自动生成黑盒功能,从而实现气体识别,而不需建立气体响应的方程表达式。基于此,提出基于人工神经网络的气体识别与浓度检测优化的双光频率梳系统。
发明内容
本发明的目的是针对上述现有技术的不足,提供一种基于人工神经网络气体识别的光学频率梳光谱气体检测系统及方法,本发明是具有非线性映射能力强、训练速度快、自学习能力好、结构简单、避免过拟合等优点,能够优化神经网络训练过程,并且简化了气体浓度计算时所涉及的各种参数,使得光学频率梳光谱气体检测系统具有更快气体识别能力以及更高的测量精度。
为了实现上述目的,本发明采用的技术方案是:基于神经网络的光学频率梳气体检测系统,包括:光学频率梳、气室、光电二极管、数据采集卡、检测单元;所述气室通过光纤与光电二极管连接,所述数据采集卡采集光电二极管传输的电信号并发送给检测单元;所述的检测单元通过对所接收的电信号进行计算和处理,测定出气体的种类和浓度;所述的气室包括参检测气室和参考气室。
进一步地,所述气室两端分别安装有镜面相对的反射镜,所述反射镜为500mm曲率半径球面镜。
进一步地,所述球面镜为若干个小球面镜组成的球面镜阵列。
进一步地,所述小球面镜固定在角度调节支架上。
进一步地,所述的角度调节支架包括底板及底板上阵列分布的镜托,所述镜托与底板铰接;所述小球面镜镶嵌在所述镜托上。
作为本发明的一种优选方式,所述检测单元包括调制解调单元、计算单元、气体识别单元和浓度测定单元;所述的调制解调单元用于对输入的电信号解调得到待测气体的二次谐波;所述计算单元将待测气体的二次谐波、频率处理成输入特征向量;所述的气体识别单元通过人工神经网络模型,得到待测气体类别;浓度测定单元用于计算待测气体的浓度。
本发明为实现其目的还提供了一种基于神经网络的光学频率梳气体检测方法,包括:
1、构建用于识别气体类别的人工神经网络模型;
2、将待测气体通入检测气室,使用人工神经网络模型确定待测气体的类别;
3、在参考气室中通入浓度为1%的确定了类别的待测气体,浓度测定单元根据以下公式计算出待测气体的浓度x:
式中:pt,lt,pr,lr,xr分别为测量气室压强、测量气室光程、参考气室压强、参考气室光程长度、参考气室气体浓度;RS为测量气室归一化的二次谐波和参考气室归一化的二次谐波信号强度的比值,归一化的二次谐波等于二次谐波与一次谐波信号强度的比值,二次谐波和一次谐波均由系统测量得到。
进一步地,所述的人工神经网络模型的构建中,训练样本的获取方法为:
向检测气室依次通入M种痕量气体,进行数据采集;对每一种气体设置一个类别标签Ym,m=1,2,......,M,表示M种气体中的第m种气体;对于每种气体,数据采集卡将该气体的n组数据传送给检测单元,检测单元将每一组数据:频率X1、二次谐波X2使用归一化公式进行特征缩放处理,并加上类别标签Ym;则得带标签的特征向量:
进一步地,所述的高位映射使用如下核函数进行处理:
作为本发明的一种优选方式,人工神经网络的激活函数为ReLu激活函数。
与现有技术相比,本发明的有益效果是:本发明提供的基于神经网络的双光学频率梳气体检测系统,该系统设置双气室,并且气室两端安装曲率半径500mm的球面镜,该球面镜由很多小球面镜组成阵列,使入射光束在气室内可多次反射,增加有效光程,由于痕量气体浓度低吸收弱,有效增加气体对入射光的吸收度,由于参考气室的设置,提供了浓度计算的误差校正机制,有效消除了系统的测量误差,提高了浓度测定结果的精确性。本发明的方法,采用神经网络模型确定痕量气体成分后,对特定气体进行浓度计算,同时在浓度计算中引入参考浓度,消除了系统误差,最终得到待测气体准确的气体成分与浓度。具有非线性映射能力强,训练速度快等优点。
附图说明
图1是本发明提供的基于神经网络的光学频率梳气体检测系统的结构连接图;
图2是气室的侧视图;
图3是图2中反射镜的示意图;
图4是角度调节支架的侧视图;
图5是本发明提供的基于神经网络的光学频率梳气体检测方法的流程图;
图6是人工神经网络的结构示意图。
具体实施方式
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是,本发明可以以许多不同的形式来实现,并不限于本说明书所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
为了解决现有技术中气体检测存在的问题,本实施例提供一种基于神经网络的光学频率梳气体检测系统,如图1所示,该系统主要包括:激光控制器1、光学频率梳2、检测气室3、参考气室4、InGaAs雪崩光电二极管5、数据采集卡6、检测单元7。其中,激光控制器1与光学频率梳2连接,产生扫描锯齿波信号,通过电流控制光学频率梳的激光脉冲和温度。光学频率梳2通过99/1光纤分束器8与检测气室3和参考气室4连接,99/1光纤分束器8将光学频率梳2产生的激光束分为两束,其中一束(99%能量)进入充有待测气体的检测气室3,另一束光(1%能量)进入充有标定浓度为1%浓度的待测气体的参考气室4。
多种气体吸收特征谱线不同,由于光学频率梳具有宽光谱和高精度等优势,本实施例中,选择掺铒光纤系统光学频率梳作为激光光源。
如图2和3所示,检测气室3和参考气室4的结构相同,气室的两端分别设置有正对的反射镜30。每一端的反射镜30由尺寸为50×50mm2的球面镜阵列组成。球面镜阵列由64个6.25×6.25mm2大小的正方形球面镜34组成。正方形球面镜34镶嵌在镜托33上,镜托33通过万向铰35与底板36连接,镜托33、万向铰35和底板36构成了角度调节支架,如图4所示。
64个正方形球面镜34固定在角度调节支架上,通过手动调节,可以改变每一个正方形球面镜的反射角度。每个正方形球面镜可以在水平和垂直方向上独立调节,以便光束对准。
在气室的一端,设有一个入射口31,另一端设有出射口32,入射口31和出射口32位于反射镜的中部。
由光学频率梳2产生的激光通过光纤由入射口31进入到检测气室3和参考气室4内,通过调整气室两端的正方形球面镜的角度,可以改变激光在气室内的反射次数,经过多次反射后,再经出射口32输出。一般情况下,由于痕量气体浓度较低,在普通气室中吸收较弱,不利于后续的浓度检测。采用本实施例提供的气室,激光在气室内经过多次反射,可有效增加气体对激光的吸收度,更有利于后续浓度的检测和计算。反射镜涂层在近红外范围[1550nm,1825nm]具有高反射(>99.98%)。
检测气室3和参考气室4的出射口32分别通过光纤与InGaAs雪崩光电二极管5相连。InGaAs雪崩光电二极管5将从气室中输出的反射光转化为电信号,并传输给数据采集卡6,数据采集卡6将采集到的信号传输给气体检测单元7。
如图1所示,检测单元7包括4个子单元,分别是调制解调单元、计算单元、气体识别单元和浓度测定单元。其中调制解调单元用于调制光学频率梳的激光出射信号调制高频段;同时,还用于对输入的电信号解调、低通滤波得到待测气体的二次谐波信号。计算单元将待测气体的二次谐波和频率进行归一化处理,形成输入特征向量;气体识别单元为人工神经网络模型,通过输入特征向量,识别出待测气体类别。浓度测定单元中储存有用于气体浓度计算的公式,通过采集卡传输过来的检测数据,调用公式,计算待测气体的浓度。
本发明还提供了另一个实施例,本实施例是一种基于神经网络的光学频率梳气体检测方法,该方法流程如图5所示,以氧化亚氮(N2O)、一氧化氮(NO)、甲烷(CH4)、二氧化碳(CO2)四种痕量气体的检测为例,具体步骤为:
1、设置人工神经网络结构
根据待训练的四种气体:氧化亚氮(N2O)、一氧化氮(NO)、甲烷(CH4)、二氧化碳(CO2),设置输出层的神经元数量为4,由于输入特征数量为2,所以设定输入层神经元数量为2,并增加输入层偏置单元,设置为1。设置隐藏层数量1层,设置隐藏层神经元数量为4,并增加隐含层偏置单元,设置为1,完成神经网络结构的设置,如图6所示。
2、神经网络的训练
打开激光控制器和光学频率梳,激光控制器产生的电流用以产生扫描锯齿波,和控制光学频率梳温度,调制解调单元产生调制信号加给激光输出信号上,将输出信号调制高频段,通过99/1光纤分束器分为两束,第一束(99%能量)通过充入待测气体的检测气室中。
对于待训练的四种气体:氧化亚氮(N2O)、一氧化氮(NO)、甲烷(CH4)、二氧化碳(CO2),检测气室依次通入浓度为10%的以上四种气体,控制气室温度,通过控制气体流速控制气室压强。激光在气室中反射多次后出射口射出,通过光纤传入InGaAs雪崩光电二极管,对信号进行光电转换后传给数据采集卡。
3、对每种待训练气体,数据采集卡将该气体的数据传送给检测单元,调制解调单元对数据进行解调和低通滤波后,得到每种气体的500组二次谐波信号强度与频率的数据点。计算单元将数据:频率X1,二次谐波强度X2,使用归一化公式,进行特征缩放:
其中,x、xmax、xmin分别为特征的输入值、最大值和最小值。
Ym表示第m类气体标签:
N2O:Y1=(1,0,0,0);NO:Y2=(0,1,0,0);
CH4:Y3=(0,0,1,0);CO2:Y4=(0,0,0,1)。
则得到2000个带气体类别标签的特征向量数据集。
4、对上述数据进行高纬映射,使用如下核函数进行数据处理,即:
则得到:
K1=K((X1,X2)1,(X1,X2)j)
K2=K((X1,X2)2,(X1,X2)j)
…
Kn=K((X1,X2)n,(X1,X2)j),j∈(1,n)。
使用高斯核函数目的是将特征映射到高纬度,使得在当前维度超平面线性可分的情况在高纬度可以线性可分,从而解决当气体吸收谱线混叠时低纬无法有效解耦的窘境。
6、将步骤4中得到的新的特征向量数据输入神经网络,对神经网络进行前向和反向传播,得到反向传播误差迭代公式:
δ(3)=(a(3)-Y).*g′(z(3))
式中:δ(l)表示第l,l∈(2,3)层的传播误差,z(l)=θ(l)a(l-1)+b(l)表示第l层的状态值矩阵,θ(l)表示第(l-1)层到第l层的权重矩阵,a(l)表示第l层的激活值矩阵,a(l)=g(z(l))。*表示点乘,即矩阵元素相乘。
其中g′(z(l))是g(z(l))=max(0,z(l))的导数,使用ReLu激活函数没有饱和区,不存在梯度消失问题,实际收敛速度较快,更符合生物学神经激活机制。
7、使用FP和BP算法求得每个训练数据的代价函数对权重和偏置项的偏导数:
按照下面公式更新参数:
θ(l)=θ(l)-αD(l)
b(l)=b(l)-αbD(l)
当代价函数满足精度误差,则进行下一步,否则查看迭代次数是否大于最大迭代次数,若不满足则返回步骤6,若满足则说明网络训练完成,则进行下一步。
使用随机梯度下降法,即每次使用一个训练数据进行梯度下降来更新权重,有效加速迭代时间,使网络训练更快。
8、先打开检测气室,将待测痕量气体通入检测气室,计算单元将待测气体的二次谐波信号强度和频率进行归一化处理,形成输入特征向量,输入气体识别单元的人工神经网络模型,对未知气体进行识别,得到待测气体的类别结果。
式中:pt,lt,pr,lr,xr分别为测量气室压强、测量气室光程、参考气室压强、参考气室光程长度、参考气室气体浓度;RS为测量气室归一化的二次谐波和参考气室归一化的二次谐波信号强度的比值,归一化的二次谐波等于二次谐波与一次谐波信号强度的比值。
其中,上述浓度计算公式的推导过程如下:
由调制解调单元得到测量气室的一次谐波信号强度s1f、二次谐波信号强度s2f,和参考气室的一次谐波信号强度s1fr、二次谐波信号强度s2fr。
则测量气室归一化的二次谐波信号强度与参考气室归一化的二次谐波信号强度的比值为:
根据一次谐波和二次谐波表达式:
其中:x为测量气室中待测气体的浓度,xr为参考气室中相应气体的浓度,I0t、I0r分别为测量气室和参考气室出射激光光强。
则得1f归一化之后的2f信号为:
测量气室与参考气室的二次谐波信号强度之比为:
因此,测量气室内待测气体的浓度计算公式为:
10、至此,完成待测痕量气体的种类识别和浓度测定。
Claims (10)
1.基于神经网络的光学频率梳气体检测系统,其特征在于,包括:光学频率梳、气室、光电二极管、数据采集卡、检测单元;所述气室通过光纤与光电二极管连接,所述数据采集卡采集光电二极管传输的电信号并发送给检测单元;所述的检测单元通过对所接收的电信号进行计算和处理,测定出气体的种类和浓度;所述的气室包括参检测气室和参考气室。
2.根据权利要求1所述的基于神经网络的光学频率梳气体检测系统,其特征在于,所述气室两端分别安装有镜面相对的反射镜,所述反射镜为500mm曲率半径球面镜。
3.根据权利要求2所述的基于神经网络的光学频率梳气体检测系统,其特征在于,所述球面镜为若干个小球面镜组成的球面镜阵列。
4.根据权利要求3所述的基于神经网络的光学频率梳气体检测系统,其特征在于,所述小球面镜固定在角度调节支架上。
5.根据权利要求4所述的基于神经网络的光学频率梳气体检测系统,其特征在于,所述的角度调节支架包括底板及底板上阵列分布的镜托,所述镜托与底板铰接;所述小球面镜镶嵌在所述镜托上。
6.根据权利要求1所述的基于神经网络的光学频率梳气体检测系统,其特征在于,所述检测单元包括调制解调单元、计算单元、气体识别单元和浓度测定单元;所述的调制解调单元用于对输入的电信号解调得到待测气体的二次谐波;所述计算单元将待测气体的二次谐波、频率处理成输入特征向量;所述的气体识别单元通过人工神经网络模型,得到待测气体类别;浓度测定单元用于计算待测气体的浓度。
10.根据权利要求8所述的基于神经网络的光学频率梳气体检测方法,其特征在于,人工神经网络的激活函数为ReLu激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185693.1A CN113406021B (zh) | 2020-03-17 | 2020-03-17 | 基于神经网络的光学频率梳气体检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185693.1A CN113406021B (zh) | 2020-03-17 | 2020-03-17 | 基于神经网络的光学频率梳气体检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113406021A true CN113406021A (zh) | 2021-09-17 |
CN113406021B CN113406021B (zh) | 2022-09-02 |
Family
ID=77677034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010185693.1A Active CN113406021B (zh) | 2020-03-17 | 2020-03-17 | 基于神经网络的光学频率梳气体检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113406021B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114112943A (zh) * | 2022-01-20 | 2022-03-01 | 之江实验室 | 一种多组分气体检测系统及方法 |
CN114993989A (zh) * | 2022-07-18 | 2022-09-02 | 中国科学院长春光学精密机械与物理研究所 | 一种激光气体检测模组和系统 |
CN115144334A (zh) * | 2022-07-12 | 2022-10-04 | 安徽大学 | 一种基于可变形镜的气体多通池及控制方法 |
CN117091637A (zh) * | 2023-10-16 | 2023-11-21 | 西北工业大学 | 基于双光学频率梳的气体检测系统及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339127A (zh) * | 2008-08-07 | 2009-01-07 | 石兆奇 | 用于测量单质及化合物气体的传感器 |
CN101762557A (zh) * | 2009-10-28 | 2010-06-30 | 天津大学 | 基于有源内腔吸收光谱的气体种类识别方法及识别装置 |
CN102305771A (zh) * | 2011-08-18 | 2012-01-04 | 天津大学 | 多波段混叠式内腔气体传感系统及传感方法 |
CN103389283A (zh) * | 2013-07-16 | 2013-11-13 | 哈尔滨工业大学 | 采用高漫反射方腔增加光程的可调谐二极管激光痕量气体检测装置及方法 |
CN104316186A (zh) * | 2014-07-07 | 2015-01-28 | 华东师范大学 | 一种基于光学频率梳的光谱测量方法 |
CN104931081A (zh) * | 2015-06-10 | 2015-09-23 | 天津大学 | 基于复合波长参考的光纤光栅传感解调装置及方法 |
CN205157414U (zh) * | 2015-11-19 | 2016-04-13 | 成都克瑞斯科技有限公司 | 新型在线水质光谱分析仪 |
CN106153567A (zh) * | 2016-06-22 | 2016-11-23 | 南京信息工程大学 | 基于bp神经网络压力补偿的红外气体传感器及检测方法 |
CN106501213A (zh) * | 2016-11-11 | 2017-03-15 | 中州大学 | 液体无损探测识别电子系统 |
CN107014774A (zh) * | 2017-06-08 | 2017-08-04 | 武汉米字能源科技有限公司 | 一种并联双气室痕量气体分析系统及气体浓度计算方法 |
CN110411650A (zh) * | 2019-07-31 | 2019-11-05 | 中国科学院微电子研究所 | 基于光频梳的真空测量方法及装置 |
-
2020
- 2020-03-17 CN CN202010185693.1A patent/CN113406021B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339127A (zh) * | 2008-08-07 | 2009-01-07 | 石兆奇 | 用于测量单质及化合物气体的传感器 |
CN101762557A (zh) * | 2009-10-28 | 2010-06-30 | 天津大学 | 基于有源内腔吸收光谱的气体种类识别方法及识别装置 |
CN102305771A (zh) * | 2011-08-18 | 2012-01-04 | 天津大学 | 多波段混叠式内腔气体传感系统及传感方法 |
CN103389283A (zh) * | 2013-07-16 | 2013-11-13 | 哈尔滨工业大学 | 采用高漫反射方腔增加光程的可调谐二极管激光痕量气体检测装置及方法 |
CN104316186A (zh) * | 2014-07-07 | 2015-01-28 | 华东师范大学 | 一种基于光学频率梳的光谱测量方法 |
CN104931081A (zh) * | 2015-06-10 | 2015-09-23 | 天津大学 | 基于复合波长参考的光纤光栅传感解调装置及方法 |
CN205157414U (zh) * | 2015-11-19 | 2016-04-13 | 成都克瑞斯科技有限公司 | 新型在线水质光谱分析仪 |
CN106153567A (zh) * | 2016-06-22 | 2016-11-23 | 南京信息工程大学 | 基于bp神经网络压力补偿的红外气体传感器及检测方法 |
CN106501213A (zh) * | 2016-11-11 | 2017-03-15 | 中州大学 | 液体无损探测识别电子系统 |
CN107014774A (zh) * | 2017-06-08 | 2017-08-04 | 武汉米字能源科技有限公司 | 一种并联双气室痕量气体分析系统及气体浓度计算方法 |
CN110411650A (zh) * | 2019-07-31 | 2019-11-05 | 中国科学院微电子研究所 | 基于光频梳的真空测量方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114112943A (zh) * | 2022-01-20 | 2022-03-01 | 之江实验室 | 一种多组分气体检测系统及方法 |
CN115144334A (zh) * | 2022-07-12 | 2022-10-04 | 安徽大学 | 一种基于可变形镜的气体多通池及控制方法 |
CN114993989A (zh) * | 2022-07-18 | 2022-09-02 | 中国科学院长春光学精密机械与物理研究所 | 一种激光气体检测模组和系统 |
CN117091637A (zh) * | 2023-10-16 | 2023-11-21 | 西北工业大学 | 基于双光学频率梳的气体检测系统及方法 |
CN117091637B (zh) * | 2023-10-16 | 2024-02-20 | 西北工业大学 | 基于双光学频率梳的气体检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113406021B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113406021B (zh) | 基于神经网络的光学频率梳气体检测系统及方法 | |
CN113358600A (zh) | 气体检测气室、基于人工神经网络的激光光谱气体检测系统及方法 | |
CN101832940B (zh) | 太赫兹偏振实时成像的方法 | |
CN101206463B (zh) | 一种在线监控药物生产混合过程的方法及系统 | |
CN108287141A (zh) | 一种基于光谱法的多组分气体浓度分析方法 | |
Tian et al. | Retrieval of gas concentrations in optical spectroscopy with deep learning | |
CA2127207C (en) | Blood culture sensor station utilizing two distinct light sources | |
CN110389119A (zh) | 基于机器学习的快速自适应光学扫描显微成像系统与方法 | |
CN102628800B (zh) | 植物叶片叶绿素含量测量方法及系统 | |
CN106769974A (zh) | 气体浓度二维分布在线检测系统及方法 | |
CN110160990A (zh) | 痕量气体及其同位素实时在线检测装置 | |
CN111829980A (zh) | 一种基于谐波技术的线型非线性修正的检测系统及方法 | |
CN111678599A (zh) | 基于深度学习优化s-g滤波的激光光谱降噪方法及装置 | |
CN110441254A (zh) | 一种用于识别塑料的近红外光频梳光谱仪 | |
CN104568174B (zh) | 一种基于阵列探测器的光场匹配外差探测装置及方法 | |
CN110646100A (zh) | 一种基于bp神经网络的倍频波前探测方法 | |
Azarfar et al. | Estimating and correcting interference fringes in infrared spectra in infrared hyperspectral imaging | |
CN114384548A (zh) | 生物气溶胶数浓度廓线拉曼荧光激光雷达系统及预测方法 | |
CN206583795U (zh) | 一种基于光谱法的多参数水质实时在线监测装置 | |
CN108414464A (zh) | 水体多波长光学衰减系数测量装置及方法 | |
CN109596545B (zh) | 全光谱水质监测设备质控方法 | |
Kaiser | Laser absorption spectroscopy with an ATR prism | |
CN104614324B (zh) | 微藻培养基光学常数及微藻光谱衰减系数的联合测量方法 | |
CN116148189A (zh) | 一种基于被动偏振卫星数据的气溶胶层高获取方法 | |
CN110018131A (zh) | 一种基于太赫兹时域光谱技术的软玉产地的鉴定方法 |
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 |