CN115586162A - 一种针对激光吸收光谱的降噪方法及装置 - Google Patents
一种针对激光吸收光谱的降噪方法及装置 Download PDFInfo
- Publication number
- CN115586162A CN115586162A CN202211194339.0A CN202211194339A CN115586162A CN 115586162 A CN115586162 A CN 115586162A CN 202211194339 A CN202211194339 A CN 202211194339A CN 115586162 A CN115586162 A CN 115586162A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- noise reduction
- laser absorption
- updating
- absorption spectrum
- 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
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
- 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
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/30—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of the effect of a material on X-radiation, gamma radiation or particle radiation
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Immunology (AREA)
- Computing Systems (AREA)
- Optics & Photonics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种针对激光吸收光谱的降噪方法及装置,所述方法包括:确定激光照射待测气体时形成的激光吸收光谱;根据待测气体所在气室的当前压强对应的降噪光谱函数,以及当前温度与激光吸收光谱之间的关系,确定当前环境变量下的降噪光谱,降噪光谱与激光吸收光谱位于同一坐标系,当前环境变量包括当前温度和当前压强;通过对比激光吸收光谱和降噪光谱,确定降噪光谱在坐标系中的更新方向和更新位移量;根据更新方向和更新位移量,对降噪光谱在坐标系中的位置进行更新,直到更新后的降噪光谱满足预设条件,满足预设条件的降噪光谱为滤除噪声后的激光吸收光谱。本申请能够降低各种噪声对于待测气体的激光吸收光谱的影响,进而利于检测精度的改善。
Description
技术领域
本申请涉及激光吸收光谱分析技术领域,尤其涉及一种针对激光吸收光谱的降噪方法及装置。
背景技术
目前,气体浓度检测的方式主要有电化学气体传感器检测、催化燃烧气体传感器检测和激光吸收光谱检测等。其中,激光吸收光谱检测相较于传统的电化学气体传感器检测和催化燃烧气体传感器检测而言,因具有高灵敏度、响应时间快和检测下限低等优点,越来越受到人们的青睐。激光吸收光谱检测主要根据“特定气体只吸收特定波长的激光”这一原理,通过对比待测气体在吸收特定波长激光的前后,所呈现出的激光吸收光谱间的差异来进行气体浓度的计算。
激光吸收光谱检测技术中常规的检测装置一般包括激光发射器、气室、光电检测模块和信号处理模块等。具体地,激光发射器发射的激光束在气室中进行传播,并能够被气室中的待测气体吸收,光电检测模块在接收到被待测气体吸收后的激光束后,将光信号转换为电信号并发送给信号处理模块,信号处理模块则能够根据接收到的电信号输出激光吸收光谱。上述检测过程中,由于各种噪声的存在,往往会使输出的激光吸收光谱具有较低的信噪比,从而增大了后续气体浓度计算过程的误差,不利于气体浓度检测精确度的提升。
为了降低各种噪声对于气体浓度检测的影响,现有技术主要从硬件改良和软件去噪两个方面对气体浓度检测过程行降噪处理。在硬件改良方面,例如可以通过对检测装置中的激光发射器进行改良,如选择能发射出光吸收强度更好的激光的激光发射器,以改善激光的质量,从而降低激光器的光源强度噪声;或者,对气室进行改良,以增加光程或使气室的反射结构得到改善,以降低激光器的光源相位噪声;亦或者,对后端电气模块进行改进,如设计更高性能的滤波电路,以消除电路系统产生的噪声。上述多种硬件改良的方式虽然能够分别降低不同类型的噪声对于气体浓度检测的影响,但是硬件改良的方式由于对检测装置各部件的性能有了更高的要求,因此也往往使得检测装置的结构更加复杂,使用和维护方式更加繁琐,极大的增加了检测装置的成本。
基于此,软件去噪凭借着便于调试、成本低等优点,正在逐渐成为激光吸收光谱降噪技术领域中的一个研究热点。近年来,常用的软件去噪算法为窗口均值算法(AveragingWindow)。通过窗口均值算法进行气体浓度的检测时,首先需要多次采集待测气体的激光吸收光谱,将多次采集的吸收光谱作为样本数据,通过比较众多样本数据,确定样本数据之间的差异,并认为差异较大的部分为噪声的影响,然后去除其中差异较大的部分,通过剩余的样本数据确定气体的浓度,以滤除噪声对气体检测的影响。
但是,窗口均值算法极度依赖样本数据的采集数量,若样本数据太少,待测气体的各激光吸收光谱中的噪声不具有普适性,因而往往会影响激光吸收光谱中噪声的滤除效果;若样本数据太多,则又会大大增加算法的运算负荷,延长激光吸收光谱中噪声的滤除时间。
发明内容
本申请提供了一种针对激光吸收光谱的降噪方法及装置,以解决上述技术问题中的至少一个技术问题。
本申请所采用的技术方案为:
第一方面,本申请提供一种针对激光吸收光谱的降噪方法,所述降噪方法包括如下步骤:
确定激光照射待测气体时形成的激光吸收光谱;
根据所述待测气体所在气室的当前压强对应的降噪光谱函数,以及当前温度与所述激光吸收光谱之间的关系,确定当前环境变量下的降噪光谱,所述降噪光谱与所述激光吸收光谱位于同一坐标系,所述当前环境变量包括所述当前温度和所述当前压强;
通过对比所述激光吸收光谱和所述降噪光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量;
根据所述更新方向和所述更新位移量,对所述降噪光谱在所述坐标系中的位置进行更新,直到更新后的所述降噪光谱满足预设条件,满足预设条件的所述降噪光谱为滤除噪声后的所述激光吸收光谱。
作为本申请的一种优选实施方式,所述确定激光照射待测气体时形成的激光吸收光谱,包括:获取激光照射待测气体生成的原始光谱,所述原始光谱对应多个连续的周期;通过极值搜索算法确定所述原始光谱中每个周期的极值;以确定出的多个所述极值为节点,将多个所述连续的周期裁剪为多个离散的周期;对叠加在一起的多个所述离散的周期进行均值处理,以得到均值化光谱,所述均值化光谱具有气体吸收峰,所述气体吸收峰为所述激光吸收光谱中所述待测气体对应的波长吸收区域;对所述均值化光谱中不含所述气体吸收峰的部分进行拟合,以得到参照光谱;对所述均值化光谱和所述参照光谱进行归一化处理,得到所述激光吸收光谱。
作为本申请的一种优选实施方式,所述当前压强对应的降噪光谱函数包括:
当所述当前压强小于预设的第一阈值时,所述降噪光谱函数为:
其中,gG(v)表示高斯线型函数gG,ΔvG为当前压强小于预设的第一阈值时,降噪光谱的半峰半宽,单位为cm-1,v0为谱线中心处的波数,单位cm-1,v为激光的波数,单位cm-1;
当所述当前压强大于预设的第二阈值时,所述降噪光谱函数为:
其中,gL(v)表示洛伦兹线型函数gL,ΔvL为当前压强大于预设的第二阈值时,降噪光谱的半峰半宽,单位为cm-1;v0为谱线中心处的波数,单位cm-1;v为激光的波数,单位cm-1;
当所述当前压强在所述第一阈值和所述第二阈值之间时,所述降噪光谱函数为:
作为本申请的一种优选实施方式,所述根据所述待测气体所在气室的当前压强对应的降噪光谱函数,以及当前温度与所述激光吸收光谱之间的关系,确定当前环境变量下的降噪光谱,包括:选择与所述当前压强相对应的所述降噪光谱函数;构建基于所述当前温度与所述激光吸收光谱的谱线强度的补偿函数,并对所述降噪光谱函数和所述补偿函数进行乘积计算,以得到所述当前环境变量下的降噪光谱。
作为本申请的一种优选实施方式,在所述通过对比所述激光吸收光谱和所述降噪光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量之前,所述降噪方法还包括:
将所述激光吸收光谱和所述降噪光谱对应的数据分别导入预先构建的自适应粒子群算法,其中,所述自适应粒子群算法被配置为包含i个粒子,每个粒子代表一个数据对象,每个数据对象为所述激光吸收光谱中的一个光谱点,种群总数为NP,最大更新次数为N;
通过边界处理函数对所述激光吸收光谱的各个粒子进行矫正,所述边界处理函数为:
所述通过对比所述激光吸收光谱和所述降噪光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量,包括:
获取矫正后的粒子对应的所述激光吸收光谱,并通过对比所述降噪光谱和矫正后的粒子对应的所述激光吸收光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量。
作为本申请的一种优选实施方式,所述通过对比所述激光吸收光谱和所述降噪光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量包括:在所述自适应粒子群算法中分别设置自身学习因子、种群学习因子和相邻学习因子,其中,所述自身学习因子用于表征每个维度中各粒子的更新趋势,所述种群学习因子用于表征任一粒子在不同维度下具有的共性的更新趋势,所述相邻学习因子用于表征每个维度中相邻粒子对于当前粒子的影响趋势;分别计算与所述激光吸收光谱中的所述自身学习因子、所述种群学习因子和所述相邻学习因子相对应的粒子适应度值、种群适应度值和相邻适应度值;根据预设的权重策略分别对所述粒子适应度值、所述种群适应度值和所述相邻适应度值进行加权计算,确定所述降噪光谱的更新方向和更新位移量。
作为本申请的一种优选实施方式,根据预设的权重策略分别对所述粒子适应度值、所述种群适应度值和所述相邻适应度值进行加权计算,确定所述降噪光谱的更新方向和更新位移量,包括:根据预设的权重策略分别计算与所述粒子适应度值、所述种群适应度值和所述相邻适应度值相对应的粒子权重系数、种群权重系数和相邻权重系数;根据所述粒子权重系数、所述种群权重系数和所述相邻权重系数,对所述粒子适应度值、所述种群适应度值和所述相邻适应度值进行加权计算,以得到所述降噪光谱的更新方向和更新位移量。
作为本申请的一种优选实施方式,所述粒子权重系数、所述种群权重系数和所述相邻权重系数根据下述方式进行确定:
其中,如果所述降噪光谱在所述坐标系中位置的更新次数达到最大更新次数N,确定更新后的所述降噪光谱满足预设条件,n为当前更新次数;wfitness为对所述粒子适应度值进行加权计算时应用的粒子权重系数,wNP为对所述种群权重系数进行加权计算时应用的种群权重系数,wAD对所述相邻适应度值进行加权计算时应用的相邻权重系数;
根据加权计算结果确定所述降噪光谱的更新方向和更新位移量。
作为本申请的一种优选实施方式,所述根据加权计算结果确定所述降噪光谱的更新方向和更新位移量包括:在对所述粒子适应度值、所述种群适应度值和所述相邻适应度值进行乘积计算得到更新向量后,将所述更新向量的绝对值确定为所述降噪光谱的所述更新位移量,所述更新向量的正负确定为所述降噪光谱的所述更新方向,其中,正值表示沿所述坐标系的纵坐标向上,负值表示沿所述坐标系的纵坐标向下。
第二方面,本申请还提供一种针对激光吸收光谱的降噪装置,包括:
第一确定模块,用于确定激光照射待测气体时形成的激光吸收光谱;
第二确定模块,用于根据所述待测气体所在气室的当前压强对应的降噪光谱函数,以及当前温度与所述激光吸收光谱之间的关系,确定当前环境变量下的降噪光谱,所述降噪光谱与所述激光吸收光谱位于同一坐标系,所述当前环境变量包括所述当前温度和所述当前压强;
对比模块,用于通过对比所述激光吸收光谱和所述降噪光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量;
更新模块,用于根据所述更新方向和所述更新位移量,对所述降噪光谱在所述坐标系中的位置进行更新,直到更新后的所述降噪光谱满足预设条件,满足预设条件的所述降噪光谱为滤除噪声后的所述激光吸收光谱。
由于采用了上述技术方案,本申请所取得的有益效果至少包括:
本申请提供的该种用于激光吸收光谱的降噪方法,主要通过对检测装置中的软件算法进行改进,来降低各种噪声对于激光吸收光谱的影响,从而提升气体浓度检测的精确度。具体地,本申请主要通过获取到的待测气体的激光吸收光谱与拟合出的降噪光谱之间的对比,确定降噪光谱的更新方向和更新位移量,并通过对降噪光谱的不断迭代处理,最终输出待测气体滤除噪声后的降噪光谱。这种方式一方面由于不需要对检测装置中的硬件部分进行改良,因此能够在很大程度上降低检测装置的成本,提升检测装置使用和维护的便利性;另一方面,本申请通过对降噪光谱的拟合来对检测装置中的各种噪声进行滤除,不仅能够将激光吸收光谱中出现的极端偏差消除,还因为拟合出的降噪光谱的线型本身具有的平滑特点,能够将激光吸收光谱中出现的细小噪声消除,从而大大降低各种噪声对于待测气体的激光吸收光谱的影响,进而利于后续待测气体浓度检测过程精度的改善。
此外,本申请在拟合出降噪光谱之后,只需要根据更新方向、更新位移量和不断地迭代处理,就可以使得最初拟合的降噪光谱不断地向着真实的待测气体的激光光谱演变,且由于更新方向和更新位移量是基于待测气体的激光吸收光谱所确定的,因此也能够很好的保证上述演变过程的准确性。这种方式相较于现有技术中的窗口均值算法而言,显然不需要对待测气体进行多次样本数据的采集,因而能够避免窗口均值算法中或滤波效果不理想,或算法处理时间过长的缺陷,这就能够使得本申请能够在保证对于激光吸收光谱降噪效果的同时,降低算法的运算负荷,缩短激光吸收光谱的降噪处理时间。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种激光吸收光谱的示意图;
图2为本申请实施例提供的一种针对激光吸收光谱的降噪方法的流程示意图;
图3为本申请实施例提供的一种确定激光吸收光谱的流程示意图;
图4为本申请实施例提供的一种原始光谱的示意图;
图5为本申请实施例提供的一种均值化光谱的示意图;
图6为本申请实施例提供的一种参照光谱的示意图;
图7为本申请实施例提供的又一种针对激光吸收光谱的降噪方法的流程示意图;
图8为本申请实施例提供的一种针对激光吸收光谱的降噪装置的结构示意图。
具体实施方式
为使本申请示例性实施例的目的、技术方案和优点更加清楚,下面将结合本申请示例性实施例中的附图,对本申请示例性实施例中的技术方案进行清楚、完整地描述,显然,所描述的示例性实施例仅是本申请一部分实施例,而不是全部的实施例。
为便于对申请的技术方案进行理解,以下首先在对本申请所涉及到的一些概念进行说明。
激光吸收光谱检测技术,又称可调谐半导体激光吸收光谱技术(Tunable DiodeLaser Absorption Spectroscopy,简称TDLAS),该技术主要是利用可调谐半导体激光器的窄线宽和波长随注入电流改变的特性实现对分子的单个或几个距离很近很难分辨的吸收线进行测量。
激光穿过待测气体的光强衰减基于朗伯-比尔(Lambert-Beer)定律,即待测气体对特定波长的光具有吸收特性,且吸收强度与气体组分浓度成正比,通过测量气体对激光的衰减来测量气体浓度。如果将激光吸收光谱检测技术应用于气体浓度检测中,就能够实现利用半导体激光器的波长调谐特性和待测气体对激光的选择性吸收对待测气体的浓度进行检测。
具体地,检测原理是可调谐半导体激光器在驱动电流的调制下,发射出特定波长的激光,随着注入周期性电流的调制,激光波长产生周期性变化,使激光中心波长调节到待测气体的吸收谱线,发生选择性吸收,再利用经过气体吸收得到的光谱强度信号反演出待测气体的浓度。因为半导体激光器的高单色性,可以利用待测气体分子的一条孤立的吸收谱线进行测量,避免了不同气体分子吸收谱线的交叉干扰,从而准确的鉴别出待测气体。
吸收光谱是指物质吸收光子,从低能级跃迁到高能级而产生的光谱;本申请中的激光吸收光谱特指以激光作为光源时,待测气体吸收光子而形成的光谱。
在实际的气体浓度检测过程中,由于激光的振幅、相位、频率等的随机变化,或者由于气室结构的缺陷,又或者由于电路系统稳定性差等都会或多或少地对获取到的激光吸收光谱产生影响。例如,图1为本申请提供的一种激光吸收光谱的示意图。其中,图1中的杂乱线条为包含噪声的谱线,杂乱线条中的平滑曲线为理想的、不含噪声干扰的激光吸收光谱的谱线,或称纯净信号。而为了获取纯净信号,尽可能降低噪声对实际的激光吸收光谱产生的影响。现有技术不仅从硬件改良方面对气体浓度检测过程中所涉及的各种装置进行改进,还从软件方面出发,提出了多种不同的降噪算法来滤除激光吸收光谱中的噪声,除了窗口均值算法之外,还有小波去噪算法和深度学习神经网络等。
其中,小波去噪算法的原理是:先设置一个临界阈值λ,若小波系数小于λ,认为该系数主要由噪声引起,去除这部分系数;若小波系数大于λ,则认为此系数主要是由信号引起,保留这部分系数,然后对处理后的小波系数进行小波逆变换得到去噪后的信号。小波去燥算法虽然具有较好的适应性,但是缺点也比较明显,其往往需要选择合适的小波基函数,并需要频繁调整阈值参数,若小波基函数和阈值参数选择不当则会对激光吸收光谱的降噪效果产生较大影响。
深度学习神经网络是近些年发展起来的信号处理算法,通过具有强大计算能力的计算机提取激光吸收光谱中的特征,然后对激光吸收光谱进行重构,从而实现对于激光吸收光谱的降噪处理。但是,深度学习神经网络往往需要大量的参数,如网络拓扑结构、权值和阈值的初始值等,从而导致学习时间过长,甚至可能达不到学习的目的。尤其对于整体符合谱线形状理论的激光吸收光谱,深度学习神经网络无定向的搜索特征,很可能会增加气体浓度的检测时间。
此外,激光吸收光谱受到多种噪声的影响,另外,由于气室的环境变量(如温度、压强等)对于激光吸收光谱的线型也会产生较大的影响,因此噪声也可包括环境变量。具体地,由于气室内部结构的限制,用于检测气室内部温度的温度传感器和/或用于检测气室内部压强的压力传感器等,通常设置在气室的外侧,其检测到的温度和压强并非实际值,而是与实际值之间存在误差的测量值。基于此,现有技术多通过标定补偿的方式来对已知浓度的气体进行不同温度和压强下的标定测量,并通过对最终的气体浓度进行补偿计算,来降低这部分因温度传感器和/或压力传感器设置方式而引起的误差。然而,常规的标定补偿方式不仅计算过程繁琐,额外增加了气体浓度计算的运算负荷,还受限于传感器的性能,从而无法保证标定的精度。
有鉴于此,为了最大程度上避免环境变量和噪声对激光吸收光谱产生影响,提升气体浓度检测的精确度和检测效率。本申请提供一种针对激光吸收光谱的降噪方法,参照图2所示,所述降噪方法包括如下步骤:
S100、确定激光照射待测气体时形成的激光吸收光谱。
需要说明的是,本步骤中的激光吸收光谱可包括通过激光照射待测气体得到的原始光谱,其中,原始光谱可能含有大量的噪声。
或者,为了提高降噪的准确度,本步骤中的激光吸收光谱可不是激光直接照射待测气体形成的原始光谱,并且也不是完全滤除噪声的纯净光谱(纯净信号)。此处的激光吸收光谱,更类似介于原始光谱和纯净光谱之间的一种特殊光谱,该种特殊光谱所包含的噪声数量要远远小于原始光谱,但又无法完全滤除所有的噪声。之所以要确定激光吸收光谱,是为了能够为后续确定的降噪光谱提供一个参考,从而便于降噪光谱的更新。
S200、根据待测气体所在气室的当前压强对应的降噪光谱函数,以及当前温度与所述激光吸收光谱之间的关系,确定当前环境变量下的降噪光谱。
其中,所述降噪光谱与激光吸收光谱位于同一坐标系,当前环境变量包括当前温度和当前压强。该坐标系可以是如图1中所示的,以点数(Points)为横坐标,以吸光度(Absorbance)为纵坐标的二维坐标系。其中,点数与激光的波长相对应,或者说点数为基于激光的波长所测量的数据点。
S300、通过对比激光吸收光谱和降噪光谱,确定降噪光谱在坐标系中的更新方向和更新位移量。
S400、根据更新方向和更新位移量,对降噪光谱在坐标系中的位置进行更新,判断更新后的降噪光谱是否满足预设条件;若是,执行步骤S500;若否,则返回步骤S300。
也就是说,如果一次更新后的降噪光谱不满预设条件,需要再次将激光吸收光谱和一次更新后的降噪光谱进行对比,并重新确定一次更新后的降噪光谱在坐标系中的更新方向和更新位移量;然后根据重新确定的更新方向和更新位移量,对一次更新后的降噪光谱在坐标系中的位置进行二次更新,并判断二次更新后的降噪光谱是否满足预设条件,如此循环,直到降噪光谱最终满足预设条件。
S500、将满足预设条件的降噪光谱确定为滤除噪声后的激光吸收光谱。
其中,所述预设条件可以是降噪光谱在坐标系中位置的更新次数达到的最大更新次数,如80次、100次等,这种情况下,如果所述降噪光谱在所述坐标系中位置的更新次数达到最大更新次数,则可确定更新后的所述降噪光谱满足预设条件;也可以是降噪光谱与激光吸收光谱在坐标系中坐标的差值在预设的差值范围内,该坐标的差值可以为在横坐标相同的情况下,降噪光谱与激光吸收光谱之间纵坐标的差值,或者可以为在纵坐标相同的情况下,降噪光谱与激光吸收光谱之间横坐标的差值,这种情况下,所述降噪光谱与激光吸收光谱在坐标系中坐标的差值在预设的差值范围内,即认为更新后的所述降噪光谱满足预设条件,本申请对于预设条件的具体设置方式没有限定。
本申请提供的该种针对激光吸收光谱的降噪方法,主要通过对检测装置中的软件算法进行改进,来降低各种噪声对于激光吸收光谱的影响,从而提升气体浓度检测的精确度。具体地,本申请主要通过获取到的待测气体的激光吸收光谱与拟合出的降噪光谱之间的对比,确定降噪光谱的更新方向和更新位移量,并通过对降噪光谱的不断迭代更新处理,最终输出待测气体滤除噪声后的降噪光谱。这种方式一方面由于不需要对检测装置中的硬件部分进行改良,因此能够在很大程度上降低检测装置的成本,提升检测装置使用和维护的便利性;另一方面,本申请通过对降噪光谱的拟合来对检测装置中的各种噪声进行滤除,不仅能够将激光吸收光谱中出现的极端偏差消除,还因为拟合出的降噪光谱的线型本身具有的平滑特点,能够将激光吸收光谱中出现的细小噪声消除,从而大大降低各种噪声对于待测气体的激光吸收光谱的影响,进而利于后续待测气体浓度检测过程精度的改善。
此外,本申请在拟合出降噪光谱之后,只需要根据更新方向、更新位移量和不断地迭代更新处理,就可以使得最初拟合的降噪光谱不断地向着真实的待测气体的激光光谱演变,且由于更新方向和更新位移量是基于待测气体的激光吸收光谱所确定的,因此也能够很好的保证上述演变过程的准确性。这种方式相较于现有技术中的窗口均值算法而言,显然不需要对待测气体进行多次样本数据的采集,因而能够避免窗口均值算法中或滤波效果不理想,或算法处理时间过长的缺陷,这就能够使得本申请能够在保证对于激光吸收光谱降噪效果的同时,降低算法的运算负荷,缩短激光吸收光谱的降噪处理时间。
进一步地,参照图3所示,在确定激光吸收光谱时,可以通过下述步骤进行确定:
S110、获取激光照射待测气体生成的原始光谱。
需要注意的是,本申请中的原始光谱对应多个连续的周期,且原始光谱可以通过放大采集电路进行采集,但是由于采集到的原始光谱是连续且无限循环的(如图4所示),在实际计算时,往往不需要也不能够直接对原始光谱进行处理。因为在实际的检测过程中,原始光谱的采集时间非常短(如1s、0.5s等),但即使在很短的采集时间内,也能够采集到上百个连续周期的原始光谱。由于每个周期实际上都包含有待测气体的浓度信息,且各个周期所包含的浓度信息差异很小,显然不需要通过对采集到的所有周期都进行处理,也能够最终实现气体浓度的计算。因此,在获取到原始光谱的基础上,通常还需要对原始光谱进行如下述步骤S120-S160所述的处理,即分别对原始光谱进行裁剪、均值化和归一化处理。
S120、通过极值搜索算法确定原始光谱中每个周期的极值。
S130、以确定出的多个极值为节点,将多个连续的周期裁剪为多个离散的周期。
在对原始光谱进行裁剪时,可以以每个周期的最小值或最大值为节点,将相邻两个周期的最小值或最大值之间的部分进行保存,从而裁剪出多个离散的周期。可以理解的是,本申请对于原始光谱的裁剪方式并没有限定,其可以是如本步骤S130所示的以极值为节点进行裁剪,也可以是以任何用户设定的值为节点进行裁剪,只需要保证裁剪出的每个离散的周期中均包含有完整的气体浓度信息即可。
S140、对叠加在一起的多个离散的周期进行均值处理,以得到均值化光谱。
其中,参照图5所示,本步骤中的均值化光谱具有气体吸收峰(即图5中的凹陷区域),所述气体吸收峰为激光吸收光谱中待测气体对应的波长吸收区域。
此外,虽然经过上述步骤得到了多个离散的周期,但是如果将每个离散的周期放大很多倍,可以发现,实际上每个离散的周期都含有大量的随机性噪声。本步骤通过对多个离散的周期进行平均运算的方式,来降低随机性噪声对激光吸收光谱的影响,均值处理的方式尤其能够滤除每个周期中与激光吸收光谱相差较大的噪声。
S150、对均值化光谱中不含气体吸收峰的部分进行拟合,以得到参照光谱。
由于均值化光谱中除了气体吸收峰是气体吸收造成的,其他地方均没有发生任何的气体吸收,并且,均值化光谱近似于锯齿波信号。因此,参照图6所示,可以通过二次拟合法将气体吸收峰两侧的光谱拟合为一条直线,即通过y=ax+b的形式拟合为一条直线,并认为此直线是不含气体吸收的谱线。需要注意的是,在实际情况下,均值化光谱并非是完美的锯齿波信号,其往往会因为气体吸收而发生弯曲,即也可以通过二次函数y=ax2+bx+c的形式进行拟合。
S160、对均值化光谱和参照光谱进行归一化处理,得到激光吸收光谱。
步骤S150拟合得到的参照光谱是不含气体浓度信息的光谱,步骤S140得到的均值化光谱是滤除了较大偏差噪声的光谱,本步骤S160,则通过对参照光谱和均值化光谱进行比值处理来得到归一化的光谱,即激光吸收光谱。该激光吸收光谱相较于均值化光谱而言更加平滑,所包含的噪声更少;相较于参照光谱而言,又包含有气体浓度信息,从而能够为后续的气体浓度计算过程提供依据。
作为本申请一种可选的实施例,步骤S200中,当前压强对应的降噪光谱函数可以按照下述方式进行确定:
例如,当所述当前压强小于预设的第一阈值时,所述降噪光谱函数可以为:
其中,gG(v)表示高斯线型函数gG,ΔvG为当前压强小于预设的第一阈值时,降噪光谱的半峰半宽,单位为cm-1,v0为谱线中心处的波数,单位cm-1,v为激光的波数,单位cm-1。
例如,当当前压强大于预设的第二阈值时,所述降噪光谱函数可以为:
其中,gL(v)表示洛伦兹线型函数gL,ΔvL为当前压强大于预设的第二阈值时,降噪光谱的半峰半宽,单位为cm-1;v0为谱线中心处的波数,单位cm-1;v为激光的波数,单位cm-1。
例如,当当前压强在第一阈值和第二阈值之间时,所述降噪光谱函数可以为:
需要说明的是,本申请对于第一阈值和第二阈值的具体数值没有限定,其可以由用户根据实际需求进行选择。示例性地,第一阈值可以是0.01atm,第二阈值可以是0.5atm。
进一步地,考虑到温度对于激光吸收光谱线强(或称谱线强度)的影响,以及线强对激光吸收光谱的线型的影响,线强是表示光谱线能量分布的物理量,它描述的是单位时间内,单位体积原子吸收辐射的总能量。在实际应用中,往往不能忽视温度这一环境变量对激光吸收光谱所产生的影响。
上述步骤S200中在确定当前环境变量下的降噪光谱时,在选择好与当前压强相对应的降噪光谱函数之后,还可以通过构建基于待测气体温度与激光吸收光谱的谱线强度的补偿函数,并通过对降噪光谱函数和补偿函数进行乘积计算,最终得到降噪光谱。
其中,补偿函数可以参考表达式:Q(T)=a+bT+cT2+dT3进行确定,Q(T)为配分函数,T表示待测气体温度,a、b、c、d均为常数,且可以从预先建立的数据库中进行获取。需要说明的是,关于降噪光谱函数和补偿函数之间的乘积计算方式,由于本申请的降噪光谱函数从在坐标系中的实际表现形式来看,并非是一条连续的曲线,而是由很多点组成的,每一个点可称为一个光谱点,并且每个点代表自适应粒子群算法中的一个粒子。因此,在对降噪光谱函数与补偿函数进行乘积计算时,根据相应的数据库查询和当前温度的测量,可以确定补偿函数Q(T)的值,然后将降噪光谱函数中各个粒子对应的向量与Q(T)相乘即可得到多个新的向量,即将降噪光谱函数中各个点的纵坐标分别与Q(T)相乘,得到各个点新的纵坐标,然后将新的纵坐标对应的多个点在坐标系中相连,即得到最终的降噪光谱。
此外,还需要注意的是,本申请还可以通过构建校验方程来评估当前环境变量中的温度参数的准确性。之所以设置关于温度参数的校验方程,也是鉴于前述温度温度传感器的设置位置所带来的影响。由于各种原因,温度传感器所测量的气室内部的温度是一个测量值,其与实际值之间或多或少存在差异,而校验方程的设置能够对温度参数的测量值进行校准,从而根据校准结果来确定温度传感器是否故障。
其中,校验方程的表达式可以为:rL=r0(T0/T)np,rL是半高半宽,单位cm-1;r0是温度T0下的大气展宽系数,T0是基准温度(开式摄氏度),p是压强,n是温度系数。
进一步地,本申请还可以根据最小均方根误差对降噪光谱和激光吸收光谱进行计算,以确定出最优的降噪光谱。
进一步地,参照图7所示,本申请中步骤S300可以包括:
S310、将激光吸收光谱和降噪光谱对应的数据分别导入预先构建的自适应粒子群算法。
其中,自适应粒子群算法被配置为包含i个粒子,每个粒子代表一个数据对象,每个数据对象为激光吸收光谱中的一个光谱点,种群总数为NP,最大更新次数为N。并且,凭借自适应粒子群算法收敛速度快、参数少、算法简单易实现的优点,通过将该算法应用于气体浓度检测过程中,一方面能够增大系统监测气体的温度和压强范围,另一方面能够提升检测效率,缩短检测时间。此外,需要注意的是,在确定激光照射待测气体形成的激光吸收光谱时,所获取的激光吸收光谱实际上包含有多条不同的谱线,且每一条谱线均包含有多个光谱点;将该激光吸收光谱导入自适应粒子群算法时,即将激光吸收光谱中包含的谱线的数量配置为算法的维度。换句话说,下述中的j维即对应激光吸收光谱中谱线的数量。并且,算法中的种群被定义为由不同谱线中的第i个粒子所组成的整体,所以种群规模实际也与j维相对应。
S320、通过边界处理函数对自适应粒子群算法中的各个粒子进行矫正。
其中,所述边界处理函数为:
具体地,在通过边界处理函数对各个粒子进行矫正时,例如当或者 时,即认为该粒子属于出现极端偏差的粒子,需要对该粒子的值进行矫正。其中,当时,按照公式对该粒子的值进行计算即得到该粒子矫正后的值;当时,则按照公式对该粒子的值进行计算即得到该粒子矫正后的值。
边界处理函数的设置能够在降噪光谱更新之前,对激光吸收光谱中有可能出现极端偏差的粒子进行矫正,从而使得算法中的各个粒子能够朝着最佳的方向和位置进行更新,进而确保降噪光谱具有更好的拟合效果。
此外,步骤S300中,在通过对比所激光吸收光谱和降噪光谱,确定降噪光谱在坐标系中的更新方向和更新位移量时包括:获取矫正后的粒子对应的激光吸收光谱,并通过对比降噪光谱和矫正后的粒子对应的激光吸收光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量。
通过边界函数对激光吸收光谱中出现明显偏差的粒子进行矫正,从而降低极端噪声对激光吸收光谱的影响,并通过降噪光谱与矫正后的激光吸收光谱之间的对比来确定降噪光谱在坐标系中的更新方向和更新位移量,不仅使得拟合出的降噪光谱具有更加符合实际的线型,还能够大大提升对于降噪光谱的降噪效果。
在一个实施例中,通过对比激光吸收光谱和所述降噪光谱,确定降噪光谱在坐标系中的更新方向和更新位移量的具体步骤,可以参考下述描述:
首先,可以在自适应粒子群算法中分别为激光吸收光谱设置自身学习因子、种群学习因子和相邻学习因子。其中,自身学习因子用于表征每个维度中各粒子的更新趋势,其能够提取激光吸收光谱中的所有信息,从而大大降低技术人员的主观目的性对算法的影响;种群学习因子用于表征任一粒子在不同维度下具有的共性的更新趋势,该种学习因子能够快速地提取出激光吸收光谱中包含的气体浓度信息;相邻学习因子用于表征每个维度中相邻粒子对于当前粒子的影响趋势,尤其是干涉条纹对所述激光吸收光谱的影响趋势。由于干涉条纹对降噪光谱的影响不会因上述步骤S110-S160的预处理而消除,反而会随着更新次数的增加增强;相邻学习因子的设置不仅能够有效降低干涉条纹的影响,还能够增加算法局部搜索最优解的能力,从而加快算法的更新收敛速度。
其次,还可以分别计算与激光吸收光谱中的自身学习因子、种群学习因子和相邻学习因子相对应的粒子适应度值、种群适应度值和相邻适应度值。
其中,所述粒子适应度值的表达式为:
所述种群适应度值的表达式为:
所述相邻适应度值的表达式为:
其中,xi为激光吸收光谱中j维分量对应的第i个粒子,为降噪光谱中的第i个粒子,f(xi)为xi对应的值,为对应的值,fitnessn(x)为第j个种群中第x个粒子对应的值;xi-1为激光吸收光谱中j维分量对应的第i-1个粒子,xi+1为激光吸收光谱中j维分量对应的第i+1个粒子的值,f(xi-1)为xi-1对应的值,f(xi+1)为xi+1对应的值。
最后,根据预设的权重策略分别对粒子适应度值、种群适应度值和相邻适应度值进行加权计算,确定降噪光谱的更新方向和更新位移量。
此处,在对粒子适应度值、种群适应度值和相邻适应度值进行加权计算时,可以根据预设的权重策略分别计算与粒子适应度值、种群适应度值和相邻适应度值相对应的粒子权重系数、种群权重系数和相邻权重系数。其中,预设的权重策略可以是根据更新次数的增加,保持粒子权重系数、种群权重系数不变,逐渐减小相邻权重系数;或者保持粒子权重系数不变,逐渐减小种群权重系数和相邻权重系数,本申请对此没有限定。
然后,根据粒子权重系数、种群权重系数和相邻权重系数,对粒子适应度值、种群适应度值和相邻适应度值进行乘积计算得到更新向量;并且,将更新向量的绝对值确定为降噪光谱的更新位移量,将更新向量的正负确定降噪光谱为更新方向,其中,更新向量的正值表示更新方向为沿所述坐标系的纵坐标向上,更新向量的负值表示更新方向为沿所述坐标系的纵坐标向下。
优选地,粒子权重系数、种群权重系数和相邻权重系数可以根据下述方式进行确定:
其中,如果所述降噪光谱在所述坐标系中位置的更新次数达到最大更新次数N,确定更新后的所述降噪光谱满足预设条件,n为当前更新次数;wfitness为粒子权重系数,wNP为种群权重系数,wAD为相邻权重系数。
此外,参照图8所示,本申请还提供一种针对激光吸收光谱的降噪装置,包括:
第一确定模块410,用于确定激光照射待测气体时形成的激光吸收光谱;
第二确定模块420,用于根据所述待测气体所在气室的当前压强对应的降噪光谱函数,以及当前温度与所述激光吸收光谱之间的关系,确定当前环境变量下的降噪光谱,所述降噪光谱与所述激光吸收光谱位于同一坐标系,所述当前环境变量包括所述当前温度和所述当前压强;
对比模块430,用于通过对比所述激光吸收光谱和所述降噪光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量;
更新模块440,用于根据所述更新方向和所述更新位移量,对所述降噪光谱在所述坐标系中的位置进行更新,直到更新后的所述降噪光谱满足预设条件,满足预设条件的所述降噪光谱为滤除噪声后的所述激光吸收光谱。
基于本申请中示出的示例性实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。此外,虽然本申请中公开内容按照示范性一个或几个实例来介绍,但应理解,可以就这些公开内容的各个方面也可以单独构成一个完整技术方案。
应当理解,本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,例如能够根据本申请实施例图示或描述中给出那些以外的顺序实施。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的那些组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种针对激光吸收光谱的降噪方法,其特征在于,所述降噪方法包括如下步骤:
确定激光照射待测气体时形成的激光吸收光谱;
根据所述待测气体所在气室的当前压强对应的降噪光谱函数,以及当前温度与所述激光吸收光谱之间的关系,确定当前环境变量下的降噪光谱,所述降噪光谱与所述激光吸收光谱位于同一坐标系,所述当前环境变量包括所述当前温度和所述当前压强;
通过对比所述激光吸收光谱和所述降噪光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量;
根据所述更新方向和所述更新位移量,对所述降噪光谱在所述坐标系中的位置进行更新,直到更新后的所述降噪光谱满足预设条件,满足预设条件的所述降噪光谱为滤除噪声后的所述激光吸收光谱。
2.如权利要求1所述的针对激光吸收光谱的降噪方法,其特征在于,所述确定激光照射待测气体时形成的激光吸收光谱,包括:
获取激光照射待测气体生成的原始光谱,所述原始光谱对应多个连续的周期;
通过极值搜索算法确定所述原始光谱中每个周期的极值;
以确定出的多个所述极值为节点,将多个所述连续的周期裁剪为多个离散的周期;
对叠加在一起的多个所述离散的周期进行均值处理,以得到均值化光谱,所述均值化光谱具有气体吸收峰,所述气体吸收峰为所述激光吸收光谱中所述待测气体对应的波长吸收区域;
对所述均值化光谱中不含所述气体吸收峰的部分进行拟合,以得到参照光谱;
对所述均值化光谱和所述参照光谱进行归一化处理,得到所述激光吸收光谱。
3.如权利要求1所述的针对激光吸收光谱的降噪方法,其特征在于,所述当前压强对应的降噪光谱函数包括:
当所述当前压强小于预设的第一阈值时,所述降噪光谱函数为:
其中,gG(v)表示高斯线型函数gG,ΔvG为当前压强小于预设的第一阈值时,降噪光谱的半峰半宽,单位为cm-1,v0为谱线中心处的波数,单位cm-1,v为激光的波数,单位cm-1;
当所述当前压强大于预设的第二阈值时,所述降噪光谱函数为:
其中,gL(v)表示洛伦兹线型函数gL,ΔvL为当前压强大于预设的第二阈值时,降噪光谱的半峰半宽,单位为cm-1;v0为谱线中心处的波数,单位cm-1;v为激光的波数,单位cm-1;
当所述当前压强在所述第一阈值和所述第二阈值之间时,所述降噪光谱函数为:
4.如权利要求3所述的针对激光吸收光谱的降噪方法,其特征在于,所述根据所述待测气体所在气室的当前压强对应的降噪光谱函数,以及当前温度与所述激光吸收光谱之间的关系,确定当前环境变量下的降噪光谱,包括:
选择与所述当前压强相对应的所述降噪光谱函数;
构建基于所述当前温度与所述激光吸收光谱的谱线强度的补偿函数,并对所述降噪光谱函数和所述补偿函数进行乘积计算,以得到所述当前环境变量下的降噪光谱。
5.如权利要求1所述的针对激光吸收光谱的降噪方法,其特征在于,在所述通过对比所述激光吸收光谱和所述降噪光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量之前,所述降噪方法还包括:
将所述激光吸收光谱和所述降噪光谱对应的数据分别导入预先构建的自适应粒子群算法,其中,所述自适应粒子群算法被配置为包含i个粒子,每个粒子代表一个数据对象,每个数据对象为所述激光吸收光谱中的一个光谱点,种群总数为NP,最大更新次数为N;
通过边界处理函数对所述激光吸收光谱的各个粒子进行矫正,所述边界处理函数为:
所述通过对比所述激光吸收光谱和所述降噪光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量,包括:
获取矫正后的粒子对应的所述激光吸收光谱,并通过对比所述降噪光谱和矫正后的粒子对应的所述激光吸收光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量。
6.如权利要求1至5任一项所述的针对激光吸收光谱的降噪方法,其特征在于,所述通过对比所述激光吸收光谱和所述降噪光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量包括:
在所述自适应粒子群算法中分别设置自身学习因子、种群学习因子和相邻学习因子,其中,所述自身学习因子用于表征每个维度中各粒子的更新趋势,所述种群学习因子用于表征任一粒子在不同维度下具有的共性的更新趋势,所述相邻学习因子用于表征每个维度中相邻粒子对于当前粒子的影响趋势;
分别计算与所述激光吸收光谱中的所述自身学习因子、所述种群学习因子和所述相邻学习因子相对应的粒子适应度值、种群适应度值和相邻适应度值;
根据预设的权重策略分别对所述粒子适应度值、所述种群适应度值和所述相邻适应度值进行加权计算,确定所述降噪光谱的更新方向和更新位移量。
7.如权利要求6所述的针对激光吸收光谱的降噪方法,其特征在于,根据预设的权重策略分别对所述粒子适应度值、所述种群适应度值和所述相邻适应度值进行加权计算,确定所述降噪光谱的更新方向和更新位移量,包括:
根据预设的权重策略分别计算与所述粒子适应度值、所述种群适应度值和所述相邻适应度值相对应的粒子权重系数、种群权重系数和相邻权重系数;
根据所述粒子权重系数、所述种群权重系数和所述相邻权重系数,对所述粒子适应度值、所述种群适应度值和所述相邻适应度值进行加权计算,以得到所述降噪光谱的更新方向和更新位移量。
9.如权利要求8所述的一种针对激光吸收光谱的降噪方法,其特征在于,所述根据加权计算结果确定所述降噪光谱的更新方向和更新位移量包括:
在对所述粒子适应度值、所述种群适应度值和所述相邻适应度值进行乘积计算得到更新向量后,将所述更新向量的绝对值确定为所述降噪光谱的所述更新位移量,所述更新向量的正负确定为所述降噪光谱的所述更新方向,其中,正值表示沿所述坐标系的纵坐标向上,负值表示沿所述坐标系的纵坐标向下。
10.一种针对激光吸收光谱的降噪装置,其特征在于,包括:
第一确定模块,用于确定激光照射待测气体时形成的激光吸收光谱;
第二确定模块,用于根据所述待测气体所在气室的当前压强对应的降噪光谱函数,以及当前温度与所述激光吸收光谱之间的关系,确定当前环境变量下的降噪光谱,所述降噪光谱与所述激光吸收光谱位于同一坐标系,所述当前环境变量包括所述当前温度和所述当前压强;
对比模块,用于通过对比所述激光吸收光谱和所述降噪光谱,确定所述降噪光谱在所述坐标系中的更新方向和更新位移量;
更新模块,用于根据所述更新方向和所述更新位移量,对所述降噪光谱在所述坐标系中的位置进行更新,直到更新后的所述降噪光谱满足预设条件,满足预设条件的所述降噪光谱为滤除噪声后的所述激光吸收光谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194339.0A CN115586162A (zh) | 2022-09-28 | 2022-09-28 | 一种针对激光吸收光谱的降噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194339.0A CN115586162A (zh) | 2022-09-28 | 2022-09-28 | 一种针对激光吸收光谱的降噪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115586162A true CN115586162A (zh) | 2023-01-10 |
Family
ID=84773204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211194339.0A Pending CN115586162A (zh) | 2022-09-28 | 2022-09-28 | 一种针对激光吸收光谱的降噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115586162A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116183541A (zh) * | 2023-04-24 | 2023-05-30 | 南方电网科学研究院有限责任公司 | 一种基于ftir技术的气体测量方法及装置 |
CN116359974A (zh) * | 2023-04-20 | 2023-06-30 | 杭州湘亭科技有限公司 | 一种管道内铀放射性污染检测数据处理方法 |
-
2022
- 2022-09-28 CN CN202211194339.0A patent/CN115586162A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116359974A (zh) * | 2023-04-20 | 2023-06-30 | 杭州湘亭科技有限公司 | 一种管道内铀放射性污染检测数据处理方法 |
CN116183541A (zh) * | 2023-04-24 | 2023-05-30 | 南方电网科学研究院有限责任公司 | 一种基于ftir技术的气体测量方法及装置 |
CN116183541B (zh) * | 2023-04-24 | 2023-06-23 | 南方电网科学研究院有限责任公司 | 一种基于ftir技术的气体测量方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115586162A (zh) | 一种针对激光吸收光谱的降噪方法及装置 | |
CN111678599B (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 | |
CN108709871B (zh) | 一种基于tdlas的气体浓度检测方法 | |
US20190064064A1 (en) | Spectrophotometer and spectrophotometry method | |
CN116388733B (zh) | 一种适用于近红外水果无损检测的光谱预处理方法及装置 | |
CN109709062B (zh) | 一种物质识别方法、装置和计算机可读存储介质 | |
CN107796777A (zh) | 一种低浓度紫外差分气体分析仪的数据处理方法 | |
CN117664906B (zh) | 基于光谱特征的水体抗生素污染检测方法 | |
CN117368141B (zh) | 基于人工智能的高氯酸盐废水浓度智能检测方法 | |
CN116735527B (zh) | 一种近红外光谱优化方法、装置、系统以及存储介质 | |
CN114782584A (zh) | 基于深度学习算法的土壤有机碳密度制图方法、系统、计算机设备和存储介质 | |
TW202223365A (zh) | 氣體分析裝置以及氣體分析方法 | |
CN116910452B (zh) | 基于大数据的有害垃圾无菌化处理风险预测评估方法 | |
CN109470647B (zh) | 一种水蒸气太赫兹吸收谱的测量方法 | |
CN116793979A (zh) | 一种水样中化学需氧量的检测方法 | |
CN116380869A (zh) | 一种基于自适应稀疏分解的拉曼光谱去噪方法 | |
CN107907542B (zh) | 一种ivmd及能量估计相结合的dspi相位滤波方法 | |
Zhu et al. | Improved Savitzky-Golay filtering algorithm for measuring a pharmaceutical vial’s oxygen content based on wavelength modulation spectroscopy | |
CN108665422B (zh) | 傅里叶域内逆向感知的单帧红外非均匀性检测方法 | |
CN112697746A (zh) | 一种基于光谱信息的红薯粉明矾含量检测方法 | |
CN110987853A (zh) | 基于太赫兹光谱的土壤铅污染程度预测方法及装置 | |
Schulze et al. | Chi-squared-based filters for high-fidelity signal-to-noise ratio enhancement of spectra | |
CN106323947B (zh) | 一种适用mpt光谱仪的垂直观测位置快速优化方法 | |
Gao et al. | Combining orthogonal signal correction and wavelet packet transform with partial least squares to analyze overlapping spectra of three kinds of metal ions | |
CN115979989A (zh) | 一种太赫兹检测方法、装置以及计算机可读存储介质 |
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 |