CN115290628A - 一种汽油的质量分析方法 - Google Patents

一种汽油的质量分析方法 Download PDF

Info

Publication number
CN115290628A
CN115290628A CN202211208185.6A CN202211208185A CN115290628A CN 115290628 A CN115290628 A CN 115290628A CN 202211208185 A CN202211208185 A CN 202211208185A CN 115290628 A CN115290628 A CN 115290628A
Authority
CN
China
Prior art keywords
raman spectrum
interval
spectrum curve
wavelength range
degree
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
Application number
CN202211208185.6A
Other languages
English (en)
Other versions
CN115290628B (zh
Inventor
陈建林
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.)
Nantong Tongzhou Yuanzao Gas Co ltd
Original Assignee
Nantong Tongzhou Yuanzao Gas 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 Nantong Tongzhou Yuanzao Gas Co ltd filed Critical Nantong Tongzhou Yuanzao Gas Co ltd
Priority to CN202211208185.6A priority Critical patent/CN115290628B/zh
Publication of CN115290628A publication Critical patent/CN115290628A/zh
Application granted granted Critical
Publication of CN115290628B publication Critical patent/CN115290628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (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, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种汽油的质量分析方法，涉及测量技术领域。包括：S1：采集标准规格的汽油各组分含量不同浓度的第一拉曼光谱曲线；S2：获取各第一拉曼光谱曲线的波峰点和波谷点对各第一拉曼光谱曲线划分区间；S3：获取第一拉曼光谱曲线对应的第三拉曼光谱曲线；S4：将第三拉曼光谱曲线作为输入，汽油各组分含量为输出构建神经网络；S5：对待检测汽油的拉曼光谱曲线迭代S2‑S3，将待检测汽油第三拉曼光谱曲线输入汽油组分含量预测网络获取待检测汽油各组分含量进行质量判定。本发明对拉曼光谱曲线划分区间，各区间选取自适应窗口去噪，得到去噪后更准确的拉曼光谱曲线获取汽油组分含量，提高汽油质量检测的准确性。

Description

一种汽油的质量分析方法
技术领域
本发明涉及测量技术领域，具体涉及一种汽油的质量分析方法。
背景技术
汽油是多种烃类混合物构成的物质，其中包括有烷烃、烯烃、芳香烃、苯等烃类物质，汽油是用量最大的轻质石油产品之一，是引擎的一种重要燃料，根据制造过程，汽油组分可分为直馏汽油、热裂化汽油（焦化汽油）、催化裂化汽油、催化重整汽油、叠合汽油、加氢裂化汽油、烷基化汽油和合成汽油等。汽油主要用于交通运输工具的动力燃料。橡胶、油漆、染料、印刷、制药、粘合剂等工业用汽油作溶剂。机器部件和衣物的清洗去污以及电镀产品的前处理用汽油做去油剂。
我国国家中分别对各类物质含量做出了严格的规定，汽油中各组分的含量是汽油产品的重要指标，近年来，光谱技术集合化学计量学方法逐渐应用于汽油组分分析领域，其中拉曼光谱可以准确地反映出汽油中碳氢化合物分子振动信息，因此可以根据汽油的拉曼光谱曲线结合预测模型对汽油中多个成分的定量检测。
传统的拉曼光谱预处理方法中移动窗口法可以在对光谱噪声进行抑制的情况下，保留原有光谱的真实信息。然而基于移动窗口的光谱方法中窗口的选取是最重要的，当窗口设置的过大时，会使得噪声抑制过度，使得光谱产生畸变或失真；当窗口设置的过小时，会使得噪声抑制不足，使得光谱特征峰被噪声淹没，从而导致利用拉曼光谱对汽油组分含量的分析不够精确，导致在后续建立模型对汽油的质量分析结果造成误差。因此亟待一种快速、准确地测定各组分含量的方法。
发明内容
针对上述技术问题，本发明提供了一种汽油的质量分析方法，包括：
S1：采集待检测汽油的拉曼光谱曲线作为第一拉曼光谱曲线；
S2：对第一拉曼光谱曲线进行区间划分得到多个包含波峰和波谷的区间；
S3：对第一拉曼光谱曲线分区间进行去噪处理，包括：
S301：设置初始窗口对第一拉曼光谱曲线的每个区间利用移动窗口法进行去噪处理得到第二拉曼光谱曲线，对第一拉曼光谱曲线的每个区间进行经验模态分解得到多个第一模态分量，对第二拉曼光谱曲线的每个区间进行经验模态分解得到多个第二模态分量；
S302：根据每个第一模态分量中各波长的拉曼光谱值计算各区间内每个第一模态分量与第一拉曼光谱曲线的第一相关程度；
根据每个第二模态分量中各波长的拉曼光谱值计算各区间内每个第二模态分量与第二拉曼光谱曲线的第二相关程度；
S303：根据第一相关程度获取去噪前噪声主导的模态分量对应的相关程度作为第三相关程度，根据第二相关程度获取去噪后噪声主导的模态分量对应的相关程度作为第四相关程度；
利用第三相关程度和第四相关程度计算各区间内初始窗口的噪声抑制度；
S304：获取每个区间第一拉曼光谱曲线中每个波峰及其相邻波谷的拉曼光谱值差值，得到去噪前的第一特征波长范围及第一特征波长范围的能量；
获取每个区间第二拉曼光谱曲线中每个波峰及其相邻波谷的拉曼光谱值差值，得到去噪后的第二特征波长范围及第二特征波长范围的噪声能量；
根据所述第一特征波长范围的能量和第二特征波长范围的噪声能量获取该区间内初始窗口的信息丢失度；
S305：根据每个区间内初始窗口的噪声抑制度和信息丢失度获得该初始窗口的优选程度；
S306：对于每个区间的初始窗口大小，设置步长进行调整，对调整后的窗口进行S301-S305的迭代得到每个区间内不同窗口的优选程度，将每个区间内不同窗口的优选程度最大值对应的窗口作为该区间的最优窗口，根据每个区间的最优窗口对拉曼光谱曲线进行去噪得到待检测汽油的第三拉曼光谱曲线；
S4：对待检测汽油的第三拉曼光谱曲线进行分析确定待检测汽油中各组分的含量对待检测汽油进行质量评估。
对第一拉曼光谱曲线的区间进行区间划分的方法如下：
计算第一拉曼光谱曲线中各波峰点与该波峰点相邻两边的波谷点之间的欧式距离的距离均值，设置距离阈值，若距离均值大于距离阈值，将该波峰相邻两边的波谷点对应的第一拉曼光谱曲线划分为一个区间；
若距离均值小于距离阈值，对下一个波峰点及其相邻两边的波谷点进行上述过程的迭代，直到得到的距离均值大于等于距离阈值，将上一个区间的截至位置的波谷点与该波峰点右侧的波谷点之间的第一拉曼光谱曲线划分为一个区间。
第一拉曼光谱曲线中波峰点和波谷点的获取方法如下：
若第一拉曼光谱曲线中各波长的拉曼光谱值大于该波长相邻两边的波长的拉曼光谱值，将该波长对应在第一拉曼光谱曲线上的点作为波峰点，得到第一拉曼光谱曲线上所有波峰点；
若第一拉曼光谱曲线中各波长的拉曼光谱值小于该波长相邻两边的波长的拉曼光谱值，将该波长对应在第一拉曼光谱曲线上的点作为波谷点，得到第一拉曼光谱曲线上所有波谷点。
计算每个第一模态分量与第一拉曼光谱曲线的相关程度的方法为：
分别获取每个区间的第一拉曼光谱曲线和每个第一模态分量的拉曼光谱曲线，利用获取的第一拉曼光谱曲线和每个第一模态分量中各波长对应的拉曼光谱值计算各区间内每个第一模态分量与第一拉曼光谱曲线的相关程度，计算公式如下：
Figure 854244DEST_PATH_IMAGE001
式中：
Figure 443489DEST_PATH_IMAGE002
表示第
Figure 249044DEST_PATH_IMAGE003
个第一模态分量与第一拉曼光谱曲线的相关程度，
Figure 742123DEST_PATH_IMAGE004
表示第一拉曼光谱曲线中第
Figure 25337DEST_PATH_IMAGE005
个波长对应的拉曼光谱值，
Figure 565908DEST_PATH_IMAGE006
表示第一拉曼光谱曲线中拉曼光谱值的均值，
Figure 459040DEST_PATH_IMAGE005
表示第一拉曼光谱曲线中波长的序号，
Figure 392361DEST_PATH_IMAGE007
表示该区间内波长的数量，
Figure 733344DEST_PATH_IMAGE008
表示第
Figure 444817DEST_PATH_IMAGE003
个第一模态分量中第
Figure 667988DEST_PATH_IMAGE005
个波长对应的拉曼光谱值，
Figure 873841DEST_PATH_IMAGE009
表示第
Figure 866068DEST_PATH_IMAGE003
个第一模态分量中拉曼光谱值的均值，
Figure 512556DEST_PATH_IMAGE003
表示第一模态分量的序号；
每个第二模态分量与第二拉曼光谱曲线的相关程度的计算方法和每个第一模态分量与第一拉曼光谱曲线的相关程度的计算方法相同，根据第一每个模态分量与第一拉曼光谱曲线的相关程度的计算方法得到各区间内每个第二模态分量与第二拉曼光谱曲线的相关程度。
计算各区间内初始窗口的噪声抑制度的过程如下：
设置相关性阈值；
获取每个区间内所有第一模态分量与第一拉曼光谱曲线的第一相关程度，选取第一相关程度小于相关性阈值的所有第一模态分量作为去噪前噪声主导的模态分量；
获取每个区间内所有第二模态分量与第二拉曼光谱曲线的第二相关程度，选取第二相关程度小于相关性阈值的所有第二模态分量作为去噪后噪声主导的模态分量；
获取所有的去噪前噪声主导的模态分量对应的第一相关程度作为第三相关程度以及所有去噪后噪声主导的模态分量对应的第二相关程度作为第三相关程度；
将所有的第三相关程度的均值和所有第四相关程度的均值之商作为各区间初始窗口的噪声抑制度。
获取区间内初始窗口的信息丢失度的方法为：
根据每个区间第一特征波长范围的能量，以及该区间去噪后的第二特征波长范围的噪声能量计算该区间内初始窗口的信息丢失度，计算公式如下：
Figure 488603DEST_PATH_IMAGE010
式中：
Figure 232568DEST_PATH_IMAGE011
表示该区间内初始窗口的信息丢失度，
Figure 344880DEST_PATH_IMAGE012
表示该区间第一特征波长范围的能量，
Figure 398156DEST_PATH_IMAGE013
表示该区间内第二特征波长范围的噪声能量，
Figure 595919DEST_PATH_IMAGE014
为自然对数底数。
第一特征波长范围的能量的获取方法如下：
获取第一特征波长范围中各波长的拉曼光谱值计算该区间第一特征波长范围的能量，计算公式如下：
Figure 143575DEST_PATH_IMAGE015
式中：
Figure 64389DEST_PATH_IMAGE012
表示该区间第一特征波长范围的能量，
Figure 304877DEST_PATH_IMAGE016
表示该区间第一特征波长范围内第
Figure 724357DEST_PATH_IMAGE017
个波长对应的拉曼光谱值，
Figure 75704DEST_PATH_IMAGE018
表示该区间第一特征波长范围内所有波长的拉曼光谱值均值，
Figure 146297DEST_PATH_IMAGE017
为该区间内第一特征波长范围内波长的序号，
Figure 823266DEST_PATH_IMAGE019
为该区间内第一特征波长范围内波长的数量；
其中第一特征波长范围获取方法为：获取第一拉曼光谱曲线中每个区间内的波峰点和波谷点，计算第一拉曼光谱曲线中每个波峰点和相同序号的波谷点的拉曼光谱值的差值，选取差值最大值对应的波峰点和波谷点，该波峰点和波谷点之间组成的第一拉曼光谱曲线即为该区间的第一特征波长范围。
第二特征波长范围的噪声能量的获取方法如下：
分别获取每个区间第一特征波长范围和第二特征波长范围中每个波长对应的拉曼光谱值，根据所述的拉曼光谱值计算该区间的噪声能量，计算公式如下：
Figure 730042DEST_PATH_IMAGE020
式中：
Figure 353922DEST_PATH_IMAGE013
表示该区间第二特征波长范围的噪声能量，
Figure 302855DEST_PATH_IMAGE016
表示该区间第一特征波长范围内第
Figure 885146DEST_PATH_IMAGE017
个波长对应的拉曼光谱值，
Figure 279219DEST_PATH_IMAGE021
表示区间第二特征波长范围中第
Figure 706789DEST_PATH_IMAGE017
个波长对应的去噪后的拉曼光谱值，
Figure 486395DEST_PATH_IMAGE017
为该区间内第二特征波长范围内波长的序号，
Figure 239587DEST_PATH_IMAGE019
为该区间内第二特征波长范围内波长的数量；
其中第二特征波长范围获取方法为：获取第二拉曼光谱曲线中每个区间内的波峰点和波谷点，计算第二拉曼光谱曲线中每个波峰点和相同序号的波谷点的拉曼光谱值的差值，选取差值最大值对应的波峰点和波谷点，该波峰点和波谷点之间组成的第二拉曼光谱曲线即为该区间去噪后的第二特征波长范围。
每个区间内不同窗口的优选程度的获取过程为：
获取每个区间中不同窗口对应的噪声抑制度和信息丢失度，窗口的优选程度计算公式如下：
Figure 120956DEST_PATH_IMAGE022
式中：
Figure 617796DEST_PATH_IMAGE023
表示该区间内第
Figure 18953DEST_PATH_IMAGE024
种大小的窗口对应的优选程度，
Figure 677467DEST_PATH_IMAGE025
表示该区间内第
Figure 842869DEST_PATH_IMAGE024
种大小的窗口的噪声抑制度，
Figure 81084DEST_PATH_IMAGE026
表示该区间内第
Figure 648331DEST_PATH_IMAGE024
种大小的窗口的信息丢失度。
相比于现有技术，本发明实施例的有益效果在于：
本发明通过分析汽油拉曼光谱的特征，对整个拉曼光谱曲线进行自适应划分区间，并对每个区间进行自适应获取最优的窗口大小进行去噪。结合经验模态分解算法，通过噪声主导的模态分量表征当前窗口大小下的噪声抑制度，通过对每个区间的特征波段去噪前和去噪后的变化表征信息的丢失度，进而通过噪声的抑制程度和信息的丢失度表征不同窗口大小的优选程度，从而选取最优的窗口大小进行去噪，使得去噪过程中特征数据不丢失，且噪声的抑制效果较好，减少了噪声误差的影响，使得汽油各组分含量检测更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种汽油的质量分析方法提供的流程框图；
图2为本发明实施例一种汽油的质量分析方法提供的方法流程图；
图3为本发明实施例一种汽油的质量分析方法提供的特征波长范围示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
实施例
本发明实施例提供了一种汽油的质量分析方法，如图1与图2所示，具体内容包括：
本实施例通过对待检测汽油的拉曼光谱曲线进行自适应窗口去噪处理，根据自适应去噪后的拉曼光谱曲线进行汽油组分的分析确定汽油各组分的含量，进一步对汽油的质量进行分析评估。由于根据去噪后的拉曼光谱曲线对汽油组分进行分析的方法有很多种，例如利用气相色谱法则得到的含量为基础值，再结合化学计量学多重回归分析方法建立汽油组分含量测定模型。本实施例将利用BP神经网络构建汽油组分含量预测网络对汽油组分的含量进行预测，因此本发明首先选择标准规格下的汽油不同组分不同含量的样品获取汽油组分含量预测网络的训练集和验证集对神经网络进行训练。
S101、采集汽油的第一拉曼光谱曲线
本实施例通过分析汽油拉曼光谱的特征，对整个拉曼光谱曲线进行自适应划分区间，并对每个区间进行自适应获取最优的窗口大小进行去噪。因此需要对汽油的拉曼光谱曲线进行采集。
本实施例中布置试验采集平台，所述试验采集平台包括：支架、置物台、便携式拉曼光谱仪、计算机、玻璃样品杯等，用于对汽油进行样品采集以及各样品拉曼光谱曲线的采集，并在此过程中需要保证采集环境的稳定。
获取数据集：从汽油生产厂获取不同组分不同含量下的去油，每个组分配置三种浓度的样品，对每个组分都进行样品配制得到数据集，对其中一种组分改变浓度时，其他各组分的浓度含量不变。
通过试验采集平台对不同组分不同浓度的汽油进行拉曼光谱曲线的获取。
至此，得到不同组分在不同浓度下的拉曼光谱曲线作为第一拉曼光谱曲线。
S102、对第一拉曼光谱曲线进行区间划分
汽油拉曼光谱中峰的数量和强度等信息与汽油物质分子中化学键的振动和转动能级有关，因此这使得拉曼光谱具备较强的定量分析能力。在采集光谱曲线过程中，由于受到样本本身状态、环境变化以及仪器响应情况的影响，会使得采集到的光谱曲线出现较多的噪声。因此需要对拉曼光谱曲线进行去噪处理，本实施例中对第一拉曼光谱曲线进行自适应去噪处理，因此首先对第一拉曼光谱曲线进行区间划分，针对每个区间进行不同窗口大小进行去噪。
本实施例中通过将第一拉曼光谱曲线分为各个区间，根据不同的区间之间第一拉曼光谱曲线的特性，进行各个区间的自适应窗口大小的设定。因此需要对第一拉曼光谱曲线进行区间划分，根据每个区间的第一拉曼光谱值进行各区间的自适应窗口设定。
1.确定第一拉曼光谱曲线中的波峰点和波谷点
对第一拉曼光谱曲线进行波峰波谷的判别，当且仅当波长
Figure 930277DEST_PATH_IMAGE027
的拉曼光谱值
Figure 786238DEST_PATH_IMAGE028
皆大于波长
Figure 624881DEST_PATH_IMAGE029
和波长
Figure 732120DEST_PATH_IMAGE030
的拉曼光谱值
Figure 998017DEST_PATH_IMAGE031
和
Figure 75694DEST_PATH_IMAGE032
时，判定波长
Figure 718028DEST_PATH_IMAGE027
对应在第一拉曼光谱曲线上的点为波峰点；当且仅当波长
Figure 446819DEST_PATH_IMAGE027
的拉曼光谱值
Figure 883616DEST_PATH_IMAGE028
皆小于波长
Figure 448590DEST_PATH_IMAGE029
和波长
Figure 425773DEST_PATH_IMAGE030
的拉曼光谱值
Figure 759802DEST_PATH_IMAGE031
和
Figure 118234DEST_PATH_IMAGE032
时，判定波长
Figure 170503DEST_PATH_IMAGE027
对应在第一拉曼光谱曲线上的点为波谷点。
2.对第一拉曼光谱曲线进行区间划分
根据上述步骤得到第一拉曼光谱曲线上所有的波峰点
Figure 889060DEST_PATH_IMAGE033
和波谷点
Figure 343176DEST_PATH_IMAGE034
，计算波峰点和对应序号的波谷点之间的欧式距离
Figure 371043DEST_PATH_IMAGE035
，这里需要说明的是：波峰点和对应序号的波谷点之间的欧式距离为波峰点和波谷点在拉曼光谱曲线上的直线距离，并非波峰点和波谷点在曲线上对应的波长的距离。
设置距离阈值
Figure 910609DEST_PATH_IMAGE036
，若波峰点和相邻两边的波谷点的欧式距离的平均值大于等于距离阈值，将该波峰点相邻两边的波谷点之间的第一拉曼光谱曲线划分为一个区间；
若波峰点和相邻两边的波谷点的欧式距离的平均值小于距离阈值，计算下一个波峰点和下一个波峰点相邻两边的波谷点的欧式距离的平均值，直至波峰点和相邻两边的波谷点的欧式距离的平均值大于等于距离阈值，将满足条件的波峰点右侧的波谷点与前一个区间的截至位置的波谷点之间的第一拉曼光谱曲线划分为一个区间。
3.示例说明
Figure 432857DEST_PATH_IMAGE037
是波谷点，
Figure 741479DEST_PATH_IMAGE038
是波峰点，
Figure 444642DEST_PATH_IMAGE039
是波谷点，这三个点构成了波峰。计算
Figure 205925DEST_PATH_IMAGE037
和
Figure 531864DEST_PATH_IMAGE038
的欧式距离，
Figure 694992DEST_PATH_IMAGE038
和
Figure 64663DEST_PATH_IMAGE039
的欧式距离，求取两个欧式距离的平均值，若大于设置的阈值
Figure 578821DEST_PATH_IMAGE036
，则
Figure 442871DEST_PATH_IMAGE037
和
Figure 194927DEST_PATH_IMAGE039
之间的距离即为划分的区间；
Figure 502542DEST_PATH_IMAGE037
是波谷点，
Figure 238417DEST_PATH_IMAGE038
是波峰点，
Figure 906159DEST_PATH_IMAGE039
是波谷点，这三个点构成了波峰。计算
Figure 778300DEST_PATH_IMAGE037
和
Figure 755352DEST_PATH_IMAGE038
的欧式距离，
Figure 775261DEST_PATH_IMAGE038
和
Figure 981114DEST_PATH_IMAGE039
的欧式距离，求取两个欧式距离的平均值，若小于设置的阈值
Figure 973341DEST_PATH_IMAGE036
，继续下一
Figure 872027DEST_PATH_IMAGE040
波峰点，
Figure 64717DEST_PATH_IMAGE041
波谷点，
Figure 74262DEST_PATH_IMAGE042
波峰点的计算，若大于设置的阈值
Figure 920995DEST_PATH_IMAGE036
,则
Figure 725003DEST_PATH_IMAGE037
和
Figure 172034DEST_PATH_IMAGE042
之间的距离即为划分的区间。
至此，完成对第一拉曼光谱曲线的区间划分，所述区间至少包含一个波峰和一个波谷。
S103、获取噪声主导的模态分量
设定初始窗口对每个区间进行去噪，获取去噪前的第一拉曼光谱曲线和第二拉曼光谱曲线进行经验模态分解分别得到去噪前的噪声主导的模态分量和去噪后噪声主导的模态分量，通过分析去噪前后的噪声主导的模态分量对初始窗口的去噪效果进行判定，因此需要先获取去噪前后每个区间的噪声主导的模态分量。
对于每个区间：
获取区间的第一拉曼光谱曲线和对应的第二拉曼光谱曲线，利用经验模态分解算法分别将该区间的第一拉曼光谱曲线分解成从高到低排列的
Figure 719690DEST_PATH_IMAGE043
个第一模态分量（IMF）和第二拉曼光谱曲线分解成从高到低排列的
Figure 686509DEST_PATH_IMAGE043
个第二模态分量（IMF），分解过程不需要设定其他参数信息，各个模态分量可以反映出第一拉曼光谱的信息特征，其中经验模态分解为公知技术，本实施例中不再详细叙述。
在得到的
Figure 661418DEST_PATH_IMAGE043
个第一模态分量/第二模态分量中存在噪声主导的模态分量以及信息主导的模态分量，为了确定初始窗口对每个区间的去噪效果，本实施例通过对噪声主导的模态分量进行分析，利用去噪前噪声主导的模态分量与第一拉曼光谱曲线的信息之间的相关性，和去噪后噪声主导的模态分量与第二拉曼光谱曲线的信息之间的相关性来反映初始窗口对每个区间的去噪效果，因此，计算区间内每个模态分量与第一拉曼光谱曲线的相关程度，计算公式如下：
Figure 97210DEST_PATH_IMAGE044
式中：
Figure 448556DEST_PATH_IMAGE002
表示第
Figure 269882DEST_PATH_IMAGE003
个模态分量与第一拉曼光谱曲线的相关程度，
Figure 681272DEST_PATH_IMAGE004
表示第一拉曼光谱曲线中第
Figure 837315DEST_PATH_IMAGE005
个波长对应的拉曼光谱值，
Figure 523512DEST_PATH_IMAGE006
表示第一拉曼光谱曲线中拉曼光谱值的均值，
Figure 464923DEST_PATH_IMAGE005
表示第一拉曼光谱曲线中波长的序号，
Figure 781635DEST_PATH_IMAGE007
表示该区间内波长的数量，
Figure 910128DEST_PATH_IMAGE008
表示第
Figure 368658DEST_PATH_IMAGE003
个模态分量中第
Figure 164576DEST_PATH_IMAGE005
个波长对应的拉曼光谱值，
Figure 917768DEST_PATH_IMAGE009
表示第
Figure 595874DEST_PATH_IMAGE003
个模态分量中拉曼光谱值的均值，
Figure 827135DEST_PATH_IMAGE003
表示模态分量的序号；
各区间内每个模态分量与第二拉曼光谱曲线的相关程度的计算方法和各区间内每个模态分量与第一拉曼光谱曲线的相关程度的计算方法相同，根据各区间内每个模态分量与第一拉曼光谱曲线的相关程度的计算方法得到各区间内每个模态分量与第二拉曼光谱曲线的相关程度。
由于噪声对应的信息数据较少，且噪声对应的模态分量和第一拉曼光谱曲线以及第二拉曼光谱曲线的相关程度很低，因此本实施例选择相关程度小于0.01的模态分量作为噪声主导的模态分量，将第一拉曼光谱曲线中噪声主导的模态分量记作
Figure 726827DEST_PATH_IMAGE045
，将第二拉曼光谱曲线中噪声主导的模态分量记作
Figure 650921DEST_PATH_IMAGE046
。
S104、计算每个区间内初始窗口的噪声抑制度
对于噪声主导的模态分量，本实施例针对去噪前的第一拉曼光谱曲线和利用初始窗口进行去噪的第二拉曼光谱曲线的相关程度分析通过该初始窗口进行去噪对噪声产生的干扰的抑制效果，对于去噪来说，对噪声产生的干扰的抑制效果越大，去噪后的噪声影响越小，因此根据去噪前的第一拉曼光谱曲线和去噪后的第二拉曼光谱曲线中的噪声主导的模态分量计算每个区间在初始窗口下的噪声抑制度，利用噪声抑制度反映初始窗口对该区间的拉曼光谱曲线的去噪效果。
设置相关性阈值：
获取每个区间内所有第一模态分量与第一拉曼光谱曲线的第一相关程度，选取第一相关程度小于相关性阈值的所有第一模态分量作为去噪前噪声主导的模态分量；
获取每个区间内所有第二模态分量与第二拉曼光谱曲线的第二相关程度，选取第二相关程度小于相关性阈值的所有第二模态分量作为去噪后噪声主导的模态分量；
获取所有的去噪前噪声主导的模态分量对应的第一相关程度作为第三相关程度以及所有去噪后噪声主导的模态分量对应的第二相关程度作为第三相关程度；
将所有的第三相关程度的均值和所有第四相关程度的均值之商作为各区间初始窗口的噪声抑制度，计算公式为：
Figure 19585DEST_PATH_IMAGE047
式中：
Figure 788958DEST_PATH_IMAGE048
表示初始窗口的噪声抑制度，
Figure 44621DEST_PATH_IMAGE049
表示第
Figure 139616DEST_PATH_IMAGE050
个噪声主导的模态分量和第一拉曼光谱曲线的第三相关程度，
Figure 995577DEST_PATH_IMAGE050
表示噪声主导的模态分量的序号，
Figure 568640DEST_PATH_IMAGE051
表示噪声主导的模态分量的数量，
Figure 442924DEST_PATH_IMAGE052
表示第
Figure 505558DEST_PATH_IMAGE053
个去噪后的噪声主导的模态分量和第二拉曼光谱曲线的第四相关程度，
Figure 583236DEST_PATH_IMAGE053
表示去噪后的噪声主导的模态分量的序号，
Figure 225570DEST_PATH_IMAGE054
表示去噪后的噪声主导的模态分量的数量。
去噪后的噪声主导的模态分量与第二拉曼光谱曲线的相关程度越低，说明初始窗口对该区间的第一拉曼光谱曲线去噪程度越高，因此该初始窗口对噪声的抑制效果越好，对应的初始窗口的噪声抑制度越大。
S105、计算每个区间内初始窗口的信息丢失度
获取第一拉曼光谱曲线的数据，根据第一拉曼光谱曲线和第二拉曼光谱曲线的信息数据，对初始窗口对每个区间的第一拉曼光谱曲线去噪后造成的信息丢失度进行分析，信息丢失度反映了经初始窗口去噪后的第二拉曼光谱曲线和去噪前的第一拉曼光谱曲线对比丢失的信息，该信息丢失度越大，说明利用初始窗口对该区间第一拉曼光谱曲线进行去噪丢失的信息越多，去噪效果越差，因此计算每个区间在初始窗口下的信息丢失度对初始窗口对该区间的第一拉曼光谱曲线的去噪效果进行分析。
在滑动窗口去噪过程中，每个第一拉曼光谱曲线经过去噪后需要保证第一拉曼光谱本身特征信息不丢失，因此，在选择最优的滑动窗口大小时，需要保证经过去噪后第二拉曼光谱信息丢失度较低。
由于拉曼光谱中数据量较大，信息冗余度较大，其中拉曼光谱中由于汽油成分的化学组织结构（基团、官能团）不同，会在拉曼光谱曲线中表现出波峰和波谷的特征，即不同的官能团对应在拉曼光谱中特点的特征波段（波峰和波谷）。
基于此，本实施例通过分析不同区间内的波峰和波谷的第一拉曼光谱曲线和第二拉曼光谱曲线之间的差异，来表征初始窗口下特征波长的信息丢失度，首先获取每个区间的特征波长范围，根据特征波长范围中每个波长对应的拉曼光谱曲线进行进一步分析。
1.获取每个区间第一特征波长范围和去噪后的第二特征波长范围
对于每个区间，统计存在的最大波峰和最大波谷。通过前序步骤计算得到的波峰点和波谷点，得到各个波峰点或各个波谷点，分别计算第一拉曼光谱曲线和第二拉曼光谱曲线上波峰点和相对应的波谷点之间的拉曼光谱值之间的差异，选取最大的差异值，即为对应的最大波峰或波谷，将最大差异值对应的波峰点和波谷点之间的拉曼光谱曲线作为该区间的特征波长范围，以此得到每个区间的第一特征波长范围和去噪后的第二特征波长范围。
示例说明：在当前的区间中，通过步骤a得到的波峰点
Figure 705093DEST_PATH_IMAGE037
是波谷点，
Figure 889693DEST_PATH_IMAGE038
是波峰点，
Figure 454666DEST_PATH_IMAGE039
是波谷点，
Figure 103954DEST_PATH_IMAGE040
是波峰点，
Figure 703562DEST_PATH_IMAGE041
是波谷点，
Figure 560529DEST_PATH_IMAGE042
是波峰点，在当前区间构成了两个峰，其中
Figure 612798DEST_PATH_IMAGE037
、
Figure 128093DEST_PATH_IMAGE038
和
Figure 582208DEST_PATH_IMAGE039
构成
Figure 360808DEST_PATH_IMAGE055
波峰，
Figure 651107DEST_PATH_IMAGE038
、
Figure 907776DEST_PATH_IMAGE039
和
Figure 216397DEST_PATH_IMAGE040
构成
Figure 165899DEST_PATH_IMAGE056
波谷，
Figure 176449DEST_PATH_IMAGE039
、
Figure 299126DEST_PATH_IMAGE040
和
Figure 462254DEST_PATH_IMAGE041
构成
Figure 582657DEST_PATH_IMAGE057
波峰，
Figure 831235DEST_PATH_IMAGE058
，且波峰
Figure 448948DEST_PATH_IMAGE055
的波谷点和波峰点之间的拉曼光谱差值大于波峰
Figure 466583DEST_PATH_IMAGE057
的波谷点和波峰点之间的拉曼光谱差值，波谷
Figure 23466DEST_PATH_IMAGE056
的波谷点和波峰点之间的拉曼光谱差值大于波谷
Figure 556078DEST_PATH_IMAGE059
的波谷点和波峰点之间的拉曼光谱差值，特征波长范围示意图如图3所示。则当前区间的第一特征波长范围/第二特征波长范围为构成最大波峰
Figure 958241DEST_PATH_IMAGE055
和最大波谷
Figure 345229DEST_PATH_IMAGE056
的波长范围
Figure 807434DEST_PATH_IMAGE060
。
2.计算每个区间初始窗口的信息丢失度
获取第一拉曼光谱曲线中第一特征波长范围中各波长的拉曼光谱值计算该区间第一特征波长范围的能量，计算公式如下：
Figure 765026DEST_PATH_IMAGE061
式中：
Figure 236459DEST_PATH_IMAGE012
表示该区间第一特征波长范围的能量，
Figure 25423DEST_PATH_IMAGE016
表示该区间第一特征波长范围内第
Figure 409262DEST_PATH_IMAGE017
个波长对应的拉曼光谱值，
Figure 119729DEST_PATH_IMAGE018
表示该区间第一特征波长范围内所有波长的拉曼光谱值均值，
Figure 863694DEST_PATH_IMAGE017
为该区间内第一特征波长范围内波长的序号，
Figure 710427DEST_PATH_IMAGE019
为该区间内第一特征波长范围内波长的数量。
分别获取每个区间去噪后的第二特征波长范围和第一特征波长范围中每个波长对应的拉曼光谱值，根据所述的拉曼光谱值计算该区间的噪声能量，计算公式如下：
Figure 29282DEST_PATH_IMAGE020
式中：
Figure 961466DEST_PATH_IMAGE013
表示该区间第二特征波长范围的噪声能量，
Figure 571439DEST_PATH_IMAGE016
表示该区间第一特征波长范围内第
Figure 538258DEST_PATH_IMAGE017
个波长对应的拉曼光谱值，
Figure 513167DEST_PATH_IMAGE021
表示区间第二特征波长范围中第
Figure 680450DEST_PATH_IMAGE017
个波长对应的去噪后的拉曼光谱值，
Figure 31797DEST_PATH_IMAGE017
为该区间内第二特征波长范围内波长的序号，
Figure 853122DEST_PATH_IMAGE019
为该区间内第二特征波长范围内波长的数量。
根据每个区间第一特征波长范围的能量，以及该区间去噪后的第二特征波长范围的噪声能量计算该区间内初始窗口的信息丢失度，计算公式如下：
Figure 998933DEST_PATH_IMAGE010
式中：
Figure 702447DEST_PATH_IMAGE011
表示该区间内初始窗口的信息丢失度，
Figure 106752DEST_PATH_IMAGE012
表示该区间第一特征波长范围的能量，
Figure 782584DEST_PATH_IMAGE013
表示该区间第二特征波长范围的噪声能量，
Figure 364875DEST_PATH_IMAGE014
为自然对数底数。
每个区间第一特征波长范围内的拉曼光谱值与去噪后的第二特征波长范围内的拉曼光谱值的差值越小，说明该区间丢失的信息越少，反映在能量上说明该区间的噪声能量越小，去噪后的噪声干扰越少，对应的信息丢失程度越小，初始窗口对应的去噪效果越好。
S106、获取每个区间的最优窗口
针对拉曼光谱曲线划分的每个区间，本实施例对每个区间的拉曼光谱曲线进行自适应窗口去噪，对上述步骤的初始窗口进行调整，计算所有窗口以及初始窗口对每个区间的去噪效果，即利用每个区间内各窗口的优选程度作为该窗口对该区间的去噪效果，通过每个区间对应的所有窗口的优选程度选取对于该区间的最优窗口对该区间进行去噪处理。
1.调整每个区间的窗口尺寸
对于每个区间的初始窗口尺寸3×1，本实施例设置窗口调整幅度为2对窗口尺寸进行调整，进行一次调整后的窗口尺寸为5×1，后续窗口尺寸依此类推。
对每个区间调整后的窗口进行S103-S105的迭代得到每次调整后的窗口的噪声抑制度和信息丢失程度。
2.获取每个区间内的最优窗口
通过以上步骤得到每个区间内所有窗口对应的噪声抑制度和信息丢失程度，不同窗口大小下的噪声抑制度和信息丢失度，通过计算不同窗口大小下窗口的优选程度，其中噪声的一致程度越大，信息丢失度越小，窗口的优选程度越高。
获取每个区间中不同窗口对应的噪声抑制度和信息丢失度，窗口的优选程度计算公式如下：
Figure 493368DEST_PATH_IMAGE062
式中：
Figure 937250DEST_PATH_IMAGE023
表示该区间内第
Figure 733168DEST_PATH_IMAGE024
种大小的窗口对应的优选程度，
Figure 486360DEST_PATH_IMAGE025
表示该区间内第
Figure 102149DEST_PATH_IMAGE024
种大小的窗口的噪声抑制度，
Figure 395727DEST_PATH_IMAGE026
表示该区间内第
Figure 295419DEST_PATH_IMAGE024
种大小的窗口的信息丢失度，
Figure 953934DEST_PATH_IMAGE063
示该区间内所有窗口的噪声抑制度与信息丢失度的比值的最小值，
Figure 322598DEST_PATH_IMAGE064
表示该区间内所有窗口的噪声抑制度与信息丢失度的比值的最大值；
得到每个区间内所有窗口的优选程度，将该区间中优选程度最大值对应的窗口作为该区间的最优窗口。
3.对每个区间进行自适应去噪处理
根据得到的每个区间的最优窗口对每个区间进行自适应Savitzky-Golay窗口去噪处理，得到每个区间最终自适应去噪后的拉曼光谱曲线作为第三拉曼光谱曲线。
依据上述方法得到不同组分在不同浓度下的第三拉曼光谱曲线。
S107、对待检测汽油进行质量评估
通过S101-S106的操作得到不同组分在不同浓度的去噪前的第一拉曼光谱曲线和自适应去噪的第三拉曼光谱曲线，将不同组分在不同浓度下第三拉曼光谱曲线作为输入，将汽油中不同组分的不同浓度作为输出构建汽油组分含量预测网络，利用该汽油组分含量预测网络对待检测汽油进行组分含量的预测，对待检测汽油的质量进行评估。
1.构建汽油组分含量预测网络
将S106得到的不同组分在不同浓度下的第三拉曼光谱曲线作为输入，将对汽油不同组分的不同浓度作为输出，得到神经网络的数据集，构建神经网络，其中本实施例的神经网络任务为预测回归，因此采用的损失函数为均方根误差函数，对该神经网络利用得到的数据集进行训练得到训练好的神经网络，即汽油组分含量预测网络。
2.对待检测汽油进行质量评估
将待检测汽油进行S102-S106的步骤进行自适应去噪得到待检测汽油第三拉曼光谱曲线，将待检测汽油第三拉曼光谱曲线输入汽油组分含量预测网络中得到待检测汽油各组分的含量，结合国家汽油标准含量，对待检测汽油的质量进行评估。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种汽油的质量分析方法，其特征在于，包括：
S1：采集待检测汽油的拉曼光谱曲线作为第一拉曼光谱曲线；
S2：对第一拉曼光谱曲线进行区间划分得到多个包含波峰和波谷的区间；
S3：对第一拉曼光谱曲线分区间进行去噪处理，包括：
S301：设置初始窗口对第一拉曼光谱曲线的每个区间利用移动窗口法进行去噪处理得到第二拉曼光谱曲线，对第一拉曼光谱曲线的每个区间进行经验模态分解得到多个第一模态分量，对第二拉曼光谱曲线的每个区间进行经验模态分解得到多个第二模态分量；
S302：根据每个第一模态分量中各波长的拉曼光谱值计算各区间内每个第一模态分量与第一拉曼光谱曲线的第一相关程度；
根据每个第二模态分量中各波长的拉曼光谱值计算各区间内每个第二模态分量与第二拉曼光谱曲线的第二相关程度；
S303：根据第一相关程度获取去噪前噪声主导的模态分量对应的相关程度作为第三相关程度，根据第二相关程度获取去噪后噪声主导的模态分量对应的相关程度作为第四相关程度；
利用第三相关程度和第四相关程度计算各区间内初始窗口的噪声抑制度；
S304：获取每个区间第一拉曼光谱曲线中每个波峰及其相邻波谷的拉曼光谱值差值，得到去噪前的第一特征波长范围及第一特征波长范围的能量；
获取每个区间第二拉曼光谱曲线中每个波峰及其相邻波谷的拉曼光谱值差值，得到去噪后的第二特征波长范围及第二特征波长范围的噪声能量；
根据所述第一特征波长范围的能量和第二特征波长范围的噪声能量获取该区间内初始窗口的信息丢失度；
S305：根据每个区间内初始窗口的噪声抑制度和信息丢失度获得该初始窗口的优选程度；
S306：对于每个区间的初始窗口大小，设置步长进行调整，对调整后的窗口进行S301-S305的迭代得到每个区间内不同窗口的优选程度，将每个区间内不同窗口的优选程度最大值对应的窗口作为该区间的最优窗口，根据每个区间的最优窗口对拉曼光谱曲线进行去噪得到待检测汽油的第三拉曼光谱曲线；
S4：对待检测汽油的第三拉曼光谱曲线进行分析确定待检测汽油中各组分的含量对待检测汽油进行质量评估。
2.根据权利要求1所述的一种汽油的质量分析方法，其特征在于，所述对第一拉曼光谱曲线的区间进行区间划分的方法如下：
计算第一拉曼光谱曲线中各波峰点与该波峰点相邻两边的波谷点之间的欧式距离的距离均值，设置距离阈值，若距离均值大于距离阈值，将该波峰相邻两边的波谷点对应的第一拉曼光谱曲线划分为一个区间；
若距离均值小于距离阈值，对下一个波峰点及其相邻两边的波谷点进行上述过程的迭代，直到得到的距离均值大于等于距离阈值，将上一个区间的截至位置的波谷点与该波峰点右侧的波谷点之间的第一拉曼光谱曲线划分为一个区间。
3.根据权利要求2所述的一种汽油的质量分析方法，其特征在于，所述第一拉曼光谱曲线中波峰点和波谷点的获取方法如下：
若第一拉曼光谱曲线中各波长的拉曼光谱值大于该波长相邻两边的波长的拉曼光谱值，将该波长对应在第一拉曼光谱曲线上的点作为波峰点，得到第一拉曼光谱曲线上所有波峰点；
若第一拉曼光谱曲线中各波长的拉曼光谱值小于该波长相邻两边的波长的拉曼光谱值，将该波长对应在第一拉曼光谱曲线上的点作为波谷点，得到第一拉曼光谱曲线上所有波谷点。
4.根据权利要求1所述的一种汽油的质量分析方法，其特征在于，所述计算每个第一模态分量与第一拉曼光谱曲线的相关程度的方法为：
分别获取每个区间的第一拉曼光谱曲线和每个第一模态分量的拉曼光谱曲线，利用获取的第一拉曼光谱曲线和每个第一模态分量中各波长对应的拉曼光谱值计算各区间内每个第一模态分量与第一拉曼光谱曲线的相关程度，计算公式如下：
Figure 251661DEST_PATH_IMAGE001
式中：
Figure 337298DEST_PATH_IMAGE002
表示第
Figure 844503DEST_PATH_IMAGE003
个第一模态分量与第一拉曼光谱曲线的相关程度，
Figure 791730DEST_PATH_IMAGE004
表示第一拉曼光谱曲线中第
Figure 966359DEST_PATH_IMAGE005
个波长对应的拉曼光谱值，
Figure 957318DEST_PATH_IMAGE006
表示第一拉曼光谱曲线中拉曼光谱值的均值，
Figure 217398DEST_PATH_IMAGE005
表示第一拉曼光谱曲线中波长的序号，
Figure 702737DEST_PATH_IMAGE007
表示该区间内波长的数量，
Figure 731873DEST_PATH_IMAGE008
表示第
Figure 893733DEST_PATH_IMAGE003
个第一模态分量中第
Figure 641109DEST_PATH_IMAGE005
个波长对应的拉曼光谱值，
Figure 195718DEST_PATH_IMAGE009
表示第
Figure 203994DEST_PATH_IMAGE003
个第一模态分量中拉曼光谱值的均值，
Figure 677701DEST_PATH_IMAGE003
表示第一模态分量的序号；
每个第二模态分量与第二拉曼光谱曲线的相关程度的计算方法和每个第一模态分量与第一拉曼光谱曲线的相关程度的计算方法相同，根据第一每个模态分量与第一拉曼光谱曲线的相关程度的计算方法得到各区间内每个第二模态分量与第二拉曼光谱曲线的相关程度。
5.根据权利要求1所述的一种汽油的质量分析方法，其特征在于，所述计算各区间内初始窗口的噪声抑制度的过程如下：
设置相关性阈值；
获取每个区间内所有第一模态分量与第一拉曼光谱曲线的第一相关程度，选取第一相关程度小于相关性阈值的所有第一模态分量作为去噪前噪声主导的模态分量；
获取每个区间内所有第二模态分量与第二拉曼光谱曲线的第二相关程度，选取第二相关程度小于相关性阈值的所有第二模态分量作为去噪后噪声主导的模态分量；
获取所有的去噪前噪声主导的模态分量对应的第一相关程度作为第三相关程度以及所有去噪后噪声主导的模态分量对应的第二相关程度作为第三相关程度；
将所有的第三相关程度的均值和所有第四相关程度的均值之商作为各区间初始窗口的噪声抑制度。
6.根据权利要求1所述的一种汽油的质量分析方法，其特征在于，所述获取区间内初始窗口的信息丢失度的方法为：
根据每个区间第一特征波长范围的能量，以及该区间去噪后的第二特征波长范围的噪声能量计算该区间内初始窗口的信息丢失度，计算公式如下：
Figure 522160DEST_PATH_IMAGE010
式中：
Figure 473936DEST_PATH_IMAGE011
表示该区间内初始窗口的信息丢失度，
Figure 602298DEST_PATH_IMAGE012
表示该区间第一特征波长范围的能量，
Figure 981326DEST_PATH_IMAGE013
表示该区间内第二特征波长范围的噪声能量，
Figure 313082DEST_PATH_IMAGE014
为自然对数底数。
7.根据权利要求6所述的一种汽油的质量分析方法，其特征在于，所述第一特征波长范围的能量的获取方法如下：
获取第一特征波长范围中各波长的拉曼光谱值计算该区间第一特征波长范围的能量，计算公式如下：
Figure 334127DEST_PATH_IMAGE015
式中：
Figure 316996DEST_PATH_IMAGE012
表示该区间第一特征波长范围的能量，
Figure 132505DEST_PATH_IMAGE016
表示该区间第一特征波长范围内第
Figure 951557DEST_PATH_IMAGE017
个波长对应的拉曼光谱值，
Figure 245135DEST_PATH_IMAGE018
表示该区间第一特征波长范围内所有波长的拉曼光谱值均值，
Figure 88369DEST_PATH_IMAGE017
为该区间内第一特征波长范围内波长的序号，
Figure 215725DEST_PATH_IMAGE019
为该区间内第一特征波长范围内波长的数量；
其中第一特征波长范围获取方法为：获取第一拉曼光谱曲线中每个区间内的波峰点和波谷点，计算第一拉曼光谱曲线中每个波峰点和相同序号的波谷点的拉曼光谱值的差值，选取差值最大值对应的波峰点和波谷点，该波峰点和波谷点之间组成的第一拉曼光谱曲线即为该区间的第一特征波长范围。
8.根据权利要求6所述的一种汽油的质量分析方法，其特征在于，所述第二特征波长范围的噪声能量的获取方法如下：
分别获取每个区间第一特征波长范围和第二特征波长范围中每个波长对应的拉曼光谱值，根据所述的拉曼光谱值计算该区间的噪声能量，计算公式如下：
Figure 646706DEST_PATH_IMAGE020
式中：
Figure 868609DEST_PATH_IMAGE013
表示该区间第二特征波长范围的噪声能量，
Figure 435857DEST_PATH_IMAGE016
表示该区间第一特征波长范围内第
Figure 468535DEST_PATH_IMAGE017
个波长对应的拉曼光谱值，
Figure 386812DEST_PATH_IMAGE021
表示区间第二特征波长范围中第
Figure 146827DEST_PATH_IMAGE017
个波长对应的去噪后的拉曼光谱值，
Figure 834160DEST_PATH_IMAGE017
为该区间内第二特征波长范围内波长的序号，
Figure 37739DEST_PATH_IMAGE019
为该区间内第二特征波长范围内波长的数量；
其中第二特征波长范围获取方法为：获取第二拉曼光谱曲线中每个区间内的波峰点和波谷点，计算第二拉曼光谱曲线中每个波峰点和相同序号的波谷点的拉曼光谱值的差值，选取差值最大值对应的波峰点和波谷点，该波峰点和波谷点之间组成的第二拉曼光谱曲线即为该区间去噪后的第二特征波长范围。
9.根据权利要求1所述的一种汽油的质量分析方法，其特征在于，所述每个区间内不同窗口的优选程度的获取过程为：
获取每个区间中不同窗口对应的噪声抑制度和信息丢失度，窗口的优选程度计算公式如下：
Figure 177733DEST_PATH_IMAGE022
式中：
Figure 7018DEST_PATH_IMAGE023
表示该区间内第
Figure 548858DEST_PATH_IMAGE024
种大小的窗口对应的优选程度，
Figure 923339DEST_PATH_IMAGE025
表示该区间内第
Figure 550629DEST_PATH_IMAGE026
种大小的窗口的噪声抑制度，
Figure 652446DEST_PATH_IMAGE027
表示该区间内第
Figure 314372DEST_PATH_IMAGE028
种大小的窗口的信息丢失度。
CN202211208185.6A 2022-09-30 2022-09-30 一种汽油的质量分析方法 Active CN115290628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211208185.6A CN115290628B (zh) 2022-09-30 2022-09-30 一种汽油的质量分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211208185.6A CN115290628B (zh) 2022-09-30 2022-09-30 一种汽油的质量分析方法

Publications (2)

Publication Number Publication Date
CN115290628A true CN115290628A (zh) 2022-11-04
CN115290628B CN115290628B (zh) 2023-04-14

Family

ID=83834265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211208185.6A Active CN115290628B (zh) 2022-09-30 2022-09-30 一种汽油的质量分析方法

Country Status (1)

Country Link
CN (1) CN115290628B (zh)

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUXING LI 等: "Research on ship-radiated noise denoising using secondaryvariational mode decomposition and correlation coefficient", 《SENSORS》 *

Also Published As

Publication number Publication date
CN115290628B (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
CN110687072B (zh) 一种基于光谱相似度的校正集和验证集的选择及建模方法
CN103913432B (zh) 基于粒子群算法的近红外光谱波长选择方法
CN107632010B (zh) 一种结合激光诱导击穿光谱对钢铁样品的定量方法
CN102230891A (zh) 一种紫外光学多组分气体分析仪的数据处理系统
CN115221927A (zh) 一种紫外-可见光谱的溶解有机碳检测方法
TWI428581B (zh) 辨識光譜的方法
CN110987866A (zh) 一种汽油性质评价方法及装置
CN115290628B (zh) 一种汽油的质量分析方法
CN114062306B (zh) 一种近红外光谱数据分段预处理方法
CN111122469A (zh) 火成岩中长石含量的确定方法
CN115015120B (zh) 一种傅里叶红外光谱仪及其温漂在线校正方法
CN106970042B (zh) 一种卡拉胶杂质、水分含量检测方法
CN113449804B (zh) 血液类别的确定方法及相关设备
CN111639763B (zh) 一种液压油污染度的检测模型训练方法、检测方法及装置
CN113740294B (zh) 基于近红外建模的汽油/柴油检测分析方法及装置
CN116399836A (zh) 基于交替梯度下降算法的串扰荧光光谱分解方法
CN115236030A (zh) 基于化学结构的特征光谱选择及汽油中乙醇含量检测方法
WO2024011687A1 (zh) 一种油品物性快评模型建立方法及装置
CN111562226B (zh) 基于吸收光谱特征峰面积的海水总氮总磷分析方法及系统
CN113740293B (zh) 基于近红外建模的尿素检测分析方法及装置
CN111222455B (zh) 波长的选择方法、装置、计算设备及计算机存储介质
CN113945524B (zh) 基于植被指数的类胡萝卜素与叶绿素比值反演方法及系统
CN107727597B (zh) 一种混合气体的紫外差分浓度反演与干扰抑制方法
CN115270611A (zh) 一种石油化工中样品非线性指标的模型建立方法及装置
CN116952887A (zh) 基于特征吸收峰的特征谱段确定方法和甲醇含量检测系统

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