CN117030654A - 一种空气中痕量级二氧化硫浓度测量方法 - Google Patents
一种空气中痕量级二氧化硫浓度测量方法 Download PDFInfo
- Publication number
- CN117030654A CN117030654A CN202311300714.XA CN202311300714A CN117030654A CN 117030654 A CN117030654 A CN 117030654A CN 202311300714 A CN202311300714 A CN 202311300714A CN 117030654 A CN117030654 A CN 117030654A
- Authority
- CN
- China
- Prior art keywords
- infrared spectrum
- data
- spectrum curve
- target data
- sulfur dioxide
- 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 384
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 365
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 230000035772 mutation Effects 0.000 claims description 80
- 230000004044 response Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 abstract description 43
- 230000003595 spectral effect Effects 0.000 abstract description 15
- 238000005259 measurement Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 8
- 239000000463 material Substances 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 27
- 238000002835 absorbance Methods 0.000 description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000004611 spectroscopical analysis Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000001704 evaporation Methods 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- LSNNMFCWUKXFEE-UHFFFAOYSA-N Sulfurous acid Chemical compound OS(O)=O LSNNMFCWUKXFEE-UHFFFAOYSA-N 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 239000012071 phase Substances 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 206010015150 Erythema Diseases 0.000 description 1
- 206010068319 Oropharyngeal pain Diseases 0.000 description 1
- 201000007100 Pharyngitis Diseases 0.000 description 1
- 208000003251 Pruritus Diseases 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 231100000321 erythema Toxicity 0.000 description 1
- 230000007803 itching Effects 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 230000036620 skin dryness Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
Classifications
-
- 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
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- 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)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及利用光学手段测试材料技术领域,具体涉及一种空气中痕量级二氧化硫浓度测量方法,先对不同二氧化硫浓度下的光谱曲线进行分析,确定光谱曲线的各数据区间;然后,根据数据区间的变化获得目标数据区间,进而再根据不同二氧化硫浓度的目标数据区间的变化获得噪声影响程度;基于噪声影响程度,利用小波变换对各个参考红外光谱曲线和检测红外光谱曲线进行去噪处理,基于去噪处理后的光谱数据确定待检测痕量级二氧化硫的浓度。本发明利用不同二氧化硫浓度下的光谱曲线的分析确定的噪声影响程度,增强了光谱数据的除噪效果,进一步提升了痕量级二氧化硫浓度测量结果的准确性,主要应用于空气质量检测领域。
Description
技术领域
本发明涉及利用光学手段测试材料技术领域,具体涉及一种空气中痕量级二氧化硫浓度测量方法。
背景技术
空气中的痕量级浓度通常用于描述对环境或人体健康可能产生潜在影响的化学物质浓度。对于某些化学物质,即使在非常低的浓度下,也可能对生态系统、大气质量和人类健康产生显著的影响。在空气中,痕量级二氧化硫浓度意味着二氧化硫的浓度非常低,通常在微克/立方米或更低的范围内。但因为二氧化硫是一种有毒气体,会对人体健康造成多种危害。二氧化硫进入呼吸道后,会刺激和损伤上呼吸道黏膜,引起咳嗽、喉咙痛和气喘等症状,接触二氧化硫还可能导致皮肤干燥、瘙痒和红斑等症状。因此,对空气中的二氧化硫浓度进行检测是非常有必要的。
在现有技术中,对空气中的二氧化硫进行检测,主要是通过蒸发法并结合光谱分析。采集空气样品,然后对空气样品进行加热,使得二氧化硫从液相转变为气相,然后使用光谱分析仪器对传递到检测设备中的气体二氧化硫进行分析,根据不同浓度下二氧化硫对特定波长的光的吸收情况进行浓度测量。在通过光谱法对气体二氧化硫进行分析时,采集获得的光谱数据极易受到噪声的干扰,例如,仪器自身、样品背景、各种干扰等随机因素,使得二氧化硫所处的吸光频段产生形变,导致对空气中的二氧化硫的检测结果不准确,因此,需要对获得的光谱数据进行去噪处理。
发明内容
为了解决上述现有二氧化硫的光谱数据受噪声影响,导致痕量级二氧化硫浓度测量结果准确性低下的技术问题,本发明的目的在于提供一种空气中痕量级二氧化硫浓度测量方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种空气中痕量级二氧化硫浓度测量方法,该方法包括以下步骤:
获取待检测痕量级二氧化硫的检测红外光谱曲线和第一预设数目种浓度的参考痕量级二氧化硫的参考红外光谱曲线;
根据各个参考红外光谱曲线中每个数据点的斜率和幅值,确定位于预设数据区间范围的每个目标数据点为数据突变点的可能程度;
根据可能程度确定各个参考红外光谱曲线中各个数据突变点的位置;根据各个数据突变点的位置将对应的参考红外光谱曲线划分为各数据区间;
根据各个参考红外光谱曲线中各数据区间中每个数据点的横坐标和幅值,确定各个参考红外光谱曲线的目标数据区间;其中,所述目标数据区间为参考痕量级二氧化硫在参考红外光谱曲线中产生的数据响应所在的数据区间;
根据各个参考红外光谱曲线的目标数据区间中每个数据点的横坐标、纵坐标和幅值,确定各个参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度;
根据噪声影响程度确定各个参考红外光谱曲线和检测红外光谱曲线的小波阈值;根据小波阈值,利用小波变换对各个参考红外光谱曲线和检测红外光谱曲线进行去噪处理,获得去噪处理后的各个参考红外光谱曲线和检测红外光谱曲线;
根据去噪处理后的各个参考红外光谱曲线和检测红外光谱曲线对应的目标数据区间中每个数据点的纵坐标、每种参考痕量级二氧化硫的浓度,确定待检测痕量级二氧化硫的浓度。
进一步地,所述根据各个参考红外光谱曲线中每个数据点的斜率和幅值,确定位于预设数据区间范围的每个目标数据点为数据突变点的可能程度,包括:
对于任意一个参考红外光谱曲线,选取参考红外光谱曲线中预设数据区间范围内的各个目标数据点;其中,所述预设数据区间范围为参考红外光谱曲线中产生数据响应的数据区间范围;
对于参考红外光谱曲线中的每个目标数据点,在目标数据点的左侧和右侧分别选取第二预设数目个数据点为邻域数据点;
根据每个目标数据点的左侧和右侧第二预设数目个邻域数据点的斜率以及右侧邻域数据区间中每个数据点的幅值,确定每个目标数据点为数据突变点的可能程度;其中,所述右侧邻域数据区间为目标数据点及其右侧第二预设数目个邻域数据点构成的数据区间。
进一步地,所述根据每个目标数据点的左侧和右侧第二预设数目个邻域数据点的斜率以及右侧邻域数据区间中每个数据点的幅值,确定每个目标数据点为数据突变点的可能程度,包括:
对于任意一个目标数据点,计算目标数据点的左侧第二预设数目个邻域数据点的平均斜率和右侧第二预设数目个邻域数据点的平均斜率;将目标数据点的左侧第二预设数目个邻域数据点的平均斜率和右侧第二预设数目个邻域数据点的平均斜率之间的差值绝对值,确定为目标数据点为数据突变点的第一可能性;根据目标数据点的右侧邻域数据区间中每个数据点的幅值,选取右侧邻域数据区间的最大幅值确定为目标数据点为数据突变点的第二可能性;计算第一可能性和第二可能性的乘积,对第一可能性和第二可能性的乘积进行归一化处理,将归一化处理后的乘积确定为目标数据点为数据突变点的可能程度。
进一步地,所述根据可能程度确定各个参考红外光谱曲线中各个数据突变点的位置,包括:
根据各个参考红外光谱曲线中每个目标数据点为数据突变点的可能程度和预先获得的可能程度阈值,将可能程度大于可能程度阈值的目标数据点确定为数据突变点,从而获得各个参考红外光谱曲线中各个数据突变点的位置。
进一步地,所述根据各个参考红外光谱曲线中各数据区间中每个数据点的横坐标和幅值,确定各个参考红外光谱曲线的目标数据区间,包括:
对于任意两个参考红外光谱曲线中相同位置的数据区间,根据任意两个参考红外光谱曲线中相同位置的数据区间的两个数据突变点的横坐标,确定所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第三可能性;
根据任意两个参考红外光谱曲线中相同位置的数据区间对应的幅值方差以及数据区间内所有极小值点的平均幅值,确定所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第四可能性;
将所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第三可能性和第四可能性的乘积,确定为数据区间为目标数据区间的可能程度;将可能程度的最大值对应位置的数据区间确定为各个参考红外光谱曲线的目标数据区间。
进一步地,所述所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第三可能性的计算公式为:
式中,为所有参考红外光谱曲线中第f个数据区间为目标数据区间的第三可能性,/>为以自然常数为底的指数函数,A为红外光谱曲线的总个数,/>和/>为参考红外光谱曲线的序号,a为第a种参考痕量级二氧化硫的红外光谱曲线的索引,b为第b种参考痕量级二氧化硫的红外光谱曲线的索引,/>为第/>个参考红外光谱曲线中的第j个数据突变点的横坐标,/>为第/>个参考红外光谱曲线中的第j个数据突变点的横坐标,/>为第/>个参考红外光谱曲线中的第j+1个数据突变点的横坐标,/>为第/>个参考红外光谱曲线中的第j+1个数据突变点的横坐标,/>为求绝对值函数,第f个数据区间为第j个数据突变点与第j+1个数据突变点之间包含的数据点组成的数据区间。
进一步地,所述所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第四可能性的计算公式为:
式中,为所有参考红外光谱曲线中第f个数据区间为目标数据区间的第四可能性,A为红外光谱曲线的总个数,/>和/>为参考红外光谱曲线的序号,a为第a种参考痕量级二氧化硫的红外光谱曲线的索引,b为第b种参考痕量级二氧化硫的红外光谱曲线的索引,/>为第/>个参考红外光谱曲线中第f个数据区间对应的幅值方差,/>为第/>个参考红外光谱曲线中第f个数据区间对应的幅值方差,/>为第/>个参考红外光谱曲线中第f个数据区间内所有极小值点的平均幅值,/>为第/>个参考红外光谱曲线中第f个数据区间内所有极小值点的平均幅值,/>为求绝对值函数。
进一步地,所述根据各个参考红外光谱曲线的目标数据区间中每个数据点的横坐标、纵坐标和幅值,确定各个参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度,包括:
计算各个参考红外光谱曲线的目标数据区间对应的幅值方差和幅值均值,选出最小幅值方差并计算所有幅值均值的均值;根据各个参考红外光谱曲线的目标数据区间中每个数据点的横坐标和纵坐标,统计各个参考红外光谱曲线的目标数据区间中极值点的个数和所有目标数据区间对应的极值点总数;
对于任意一个参考红外光谱曲线的目标数据区间,将目标数据区间对应的幅值方差与最小幅值方差之间的差值确定为第一影响因子;将目标数据区间对应的幅值均值与所有幅值均值的均值之间的差值绝对值确定为第二影响因子;将目标数据区间中极值点的个数与所有目标数据区间对应的极值点总数的比值确定为第三影响因子;将第二影响因子与第三影响因子的乘积确定为第四影响因子,将第一影响因子和第四影响因子相加后的数值确定为第五影响因子;
根据每个参考红外光谱曲线的第五影响因子,计算所有参考红外光谱曲线的第五影响因子的平均值;对所有参考红外光谱曲线的第五影响因子的平均值进行归一化处理,将归一化处理后的第五影响因子的平均值确定为各个参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度。
进一步地,所述待检测痕量级二氧化硫的浓度的计算公式为:
式中,为待检测痕量级二氧化硫的浓度,/>为任意一种浓度的参考痕量级二氧化硫的浓度,/>为去噪处理后的检测红外光谱曲线对应的目标数据区间的纵坐标均值,为任意一种浓度的去噪处理后的参考红外光谱曲线对应的目标数据区间的纵坐标均值,/>为每种浓度的参考痕量级二氧化硫两两组合对应的组数,A为参考痕量级二氧化硫的总个数,A也为红外光谱曲线的总个数,/>为第a种参考痕量级二氧化硫的浓度,/>为第b种参考痕量级二氧化硫的浓度,/>为第a种去噪处理后的参考红外光谱曲线对应的目标数据区间的纵坐标均值,/>为第b种去噪处理后的参考红外光谱曲线对应的目标数据区间的纵坐标均值,/>为求绝对值函数。
进一步地,所述根据噪声影响程度确定各个参考红外光谱曲线和检测红外光谱曲线的小波阈值,包括:
计算噪声影响程度与超参数的乘积,将噪声影响程度与超参数的乘积确定为各个参考红外光谱曲线和检测红外光谱曲线的小波阈值。
本发明具有如下有益效果:
本发明提供了一种空气中痕量级二氧化硫浓度测量方法,该浓度测量方法通过比较不同浓度的痕量级二氧化硫的光谱数据变化特征,确定噪声对光谱数据的影响程度,即噪声影响程度;基于噪声影响程度,通过小波变换对光谱数据进行自适应去噪,此时再利用光谱法测量空气中痕量级二氧化硫浓度时,可以有效提高痕量级二氧化硫浓度的测量准确性,主要应用于空气质量检测领域。获取检测红外光谱曲线和每种浓度的参考红外光谱曲线,获取检测红外光谱曲线是为了便于后续利用光谱法确定待检测痕量级二氧化硫的浓度;通过获取多种不同浓度的参考红外光谱曲线,有利于后续对不同浓度的参考红外光谱曲线的数据分布特征进行分析,以便于量化光谱数据受噪声的影响程度。通过各个参考红外光谱曲线中每个数据点的斜率、幅值以及横坐标,确定参考红外光谱曲线中属于二氧化硫产生的数据响应所在的数据区间,即确定各个参考红外光谱曲线的目标数据区间;确定目标数据区间是为了后续量化噪声对二氧化硫产生的数据响应的影响情况,提高后续计算的噪声影响程度的精确度,基于不同二氧化硫浓度下的光谱数据的变化获得的噪声影响程度,具有较好的适应能力,在不同空气质量进行监测时的准确性更高。基于精确度更高的噪声影响程度,利用小波变换,对同一实验装置下采集的检测红外光谱曲线和参考红外光谱曲线进行去噪处理,其有助于提高后续计算的待检测痕量级二氧化硫的浓度的准确性;在计算待检测痕量级二氧化硫的浓度时,考虑到多个不同方面的计算因素的影响,其克服了现有光谱数据受噪声影响的缺陷,同时增强了光谱数据的去噪效果,提升了痕量级二氧化硫浓度测量结果的准确性。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一种空气中痕量级二氧化硫浓度测量方法的流程图;
图2为本发明实施例中的二氧化硫采集装置的布设示意图;
图3为本发明实施例中的亚硫酸溶液加热示意图。
具体实施方式
一种空气中痕量级二氧化硫浓度测量方法实施例:
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明所针对的应用场景为:现有技术对空气中的二氧化硫进行测量时,主要是通过蒸发法并结合光谱分析,根据不同浓度的二氧化硫对特定波长的光的吸收情况进行浓度测量,但是在通过光谱法对气相二氧化硫进行分析时,采集获得的光谱数据极易受到噪声的干扰,使得二氧化硫所处的吸光频段产生形变,导致对空气中的二氧化硫的测量不准确。
为了提高空气中的二氧化硫浓度测量的准确性,具体,本实施例提供了一种空气中痕量级二氧化硫浓度测量方法,如图1所示,包括以下步骤:
S1,获取待检测痕量级二氧化硫的检测红外光谱曲线和第一预设数目种浓度的参考痕量级二氧化硫的参考红外光谱曲线。
第一步,采集待检测痕量级二氧化硫和第一预设数目种浓度的参考痕量级二氧化硫。
在本实施例中,已知不同空气区域的痕量级二氧化硫浓度,为了分析不同浓度的痕量级二氧化硫的光谱数据的噪声影响情况,需要采集多种不同浓度的痕量级二氧化硫作为参考数据,二氧化硫的浓度种类可以是5种;同时,对于待检测空气质量的空气区域,需要采集待检测痕量级二氧化硫。利用光谱分析法对不同空气区域中的参考痕量级二氧化硫和待检测痕量级二氧化硫进行空气质量检测时,需要获得二氧化硫气体。空气中含有的成分较多,包括:氧气、二氧化碳、氮气、水蒸气、二氧化硫、二氧化氮等,为了消除其他空气成分对二氧化硫检测时的影响,通过蒸发法采集空气中的二氧化硫,不同浓度的参考痕量级二氧化硫和待检测痕量级二氧化硫的采集方式可以保持一致。蒸发法的具体实现步骤可以包括:
首先,布设二氧化硫采集装置,如图2所示,将空气通过排气口排入到集气瓶中,由于二氧化硫气体易溶于水中,二氧化硫溶于集气瓶的水中形成亚硫酸溶液,而空气中的其他气体难溶于酸性溶液中,将会从排气口排出;其次,将获得的亚硫酸溶液进行加热,如图3所示,在加热过程中将生成二氧化硫气体,经过导管排出到集气瓶中,获得二氧化硫气体。
值得说明的是,同一个实验装置采集的不同浓度的参考痕量级二氧化硫和待检测痕量级二氧化硫受到的噪声影响相同,即后续的光谱数据受到的噪声影响程度一致。
第二步,获取检测红外光谱曲线和各个参考红外光谱曲线。
在本实施例中,为了便于后续对光谱曲线进行去噪处理,需要将二氧化硫气体转换为红外光谱曲线数据,具体为,将每种浓度的参考痕量级二氧化硫和待检测痕量级二氧化硫输送到红外光谱仪中,可以获得待检测痕量级二氧化硫和每种浓度的参考痕量级二氧化硫的红外光谱曲线,即检测红外光谱曲线和各个参考红外光谱曲线。红外光谱曲线的确定方式为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
至此,本实施获得了待检测痕量级二氧化硫的检测红外光谱曲线和每种浓度的参考痕量级二氧化硫的参考红外光谱曲线。
S2,根据各个参考红外光谱曲线中每个数据点的斜率和幅值,确定位于预设数据区间范围的每个目标数据点为数据突变点的可能程度。
需要说明的是,红外光谱曲线的横坐标是波数,纵坐标是吸光度。不同成分的气体对光的吸收度不同,对光的响应范围不同,而步骤S1在采集二氧化硫时,所采集的二氧化硫中含有少量的其他气体,例如,水蒸气、二氧化碳等,因此,在红外光谱曲线中存在不同的数据区间响应。在每种浓度的二氧化硫的红外光谱曲线中,不同含量的气体对应的吸光度存在变化,而水蒸气、二氧化碳以及其他气体本身含量较少,含量是比较相近。因此,根据不同二氧化硫浓度下的光谱数据的变化,可以获得二氧化硫在红外光谱曲线中产生的数据响应所在的数据区间,即目标数据区间。
本实施例所采集的二氧化硫包含了多种气体,对于任意一种浓度的二氧化硫的红外光谱曲线,不同气体在红外光谱曲线中均有其对应的响应数据区间。在获得目标数据区间之前,需要基于每个数据点的斜率和幅值,确定各个参考红外光谱曲线中每个数据点为数据突变点的可能程度,以便于后续确定各个参考红外光谱曲线中各数据突变点,具体的实现步骤可以包括:
第一步,对于任意一个参考红外光谱曲线,选取参考红外光谱曲线中预设数据区间范围内的各个目标数据点。
在本实施例中,参考痕量级二氧化硫在刚开始输入到红外光谱仪中时或红外光谱仪中参考痕量级二氧化硫反应即将结束时,均没有产生数据响应,其并不参与到不同气体对应的数据区间划分步骤中,故将只选取参考红外光谱曲线中预设数据区间范围内的数据点,预设数据区间范围即为参考红外光谱曲线中产生数据响应的数据区间范围,预设数据区间可以为排除红外光谱曲线中前第二预设数目个数据点和后第二预设数目个数据点之后形成的数据区间范围。设置预设数据区间范围,有助于减少计算量,提高参考痕量级二氧化硫的分析效率。第二预设数目的数值取经验值为10,实施者可以根据具体实际情况设置,不做具体限定。
第二步,对于参考红外光谱曲线中的每个目标数据点,在目标数据点的左侧和右侧分别选取第二预设数目个数据点为邻域数据点。
在本实施例中,每个目标数据点左侧对应的各个邻域数据点和右侧对应的各个邻域数据点的个数相同,邻域数据点为连续选取的数据点,确定邻域数据点有助于后续分析目标数据点邻域范围内的数值变化程度。
第三步,根据每个目标数据点的左侧和右侧第二预设数目个邻域数据点的斜率以及右侧邻域数据区间中每个数据点的幅值,确定每个目标数据点为数据突变点的可能程度。
在本实施例中,通过量化目标数据点的邻域范围的斜率变化程度和数据响应程度,可以获得目标数据点为数据突变点的可能程度,即目标数据点为数据突变点的概率,目标数据点为数据突变点的可能程度越大,目标数据点越有可能为数据突变点。确定目标数据点为数据突变点的可能程度的具体实现步骤可以包括:
第一子步骤,对于任意一个目标数据点,计算目标数据点的左侧第二预设数目个邻域数据点的平均斜率和右侧第二预设数目个邻域数据点的平均斜率。
第二子步骤,将目标数据点的左侧第二预设数目个邻域数据点的平均斜率和右侧第二预设数目个邻域数据点的平均斜率之间的差值绝对值,确定为目标数据点为数据突变点的第一可能性。
第三子步骤,根据目标数据点的右侧邻域数据区间中每个数据点的幅值,选取右侧邻域数据区间的最大幅值确定为目标数据点为数据突变点的第二可能性。其中,右侧邻域数据区间为目标数据点及其右侧第二预设数目个邻域数据点构成的数据区间。
第四子步骤,计算第一可能性和第二可能性的乘积,对第一可能性和第二可能性的乘积进行归一化处理,将归一化处理后的乘积确定为目标数据点为数据突变点的可能程度。
作为示例,第个参考红外光谱曲线中第/>个目标数据点为数据突变点的可能程度的计算公式可以为:
式中,为第/>个参考红外光谱曲线中第/>个目标数据点为数据突变点的可能程度,/>为归一化函数,/>为第/>个参考红外光谱曲线中第/>个目标数据点左侧/>个邻域数据点的平均斜率,/>为第/>个参考红外光谱曲线中第/>个目标数据点右侧/>个邻域数据点的平均斜率,/>为对/>求绝对值,/>为第/>个参考红外光谱曲线中第/>个目标数据点的右侧邻域数据区间的最大幅值,/>为第二预设数目,取经验值为10。
在数据点为数据突变点的可能程度的计算公式中,可以被用于表征第/>个目标数据点的左右侧邻域数据区间对应的斜率变化的差异程度,/>越大,第/>个目标数据点的左侧邻域数据区间和右侧邻域数据区间之间的斜率变化差异越大,第/>个参考红外光谱曲线中第/>个数据点为数据突变点的可能程度越大,第/>个参考红外光谱曲线中第/>个数据点越可能是数据突变点;/>可以被用于表征第/>个目标数据点的右侧邻域数据区间的数据响应程度,/>越大,数据响应程度越大,说明对应气体的含量越多;归一化函数/>可以使目标数据点为数据突变点的可能程度的取值范围限制在0到1之间;每个目标数据点为数据突变点的可能程度的计算过程相同,此处不再进行重复阐述。
至此,本实施例获得了位于预设数据区间范围的每个目标数据点为数据突变点的可能程度。
S3,根据可能程度确定各个参考红外光谱曲线中各个数据突变点的位置;根据各个数据突变点的位置将对应的参考红外光谱曲线划分为各数据区间。
第一步,根据可能程度确定各个参考红外光谱曲线中各个数据突变点的位置。
根据各个参考红外光谱曲线中每个目标数据点为数据突变点的可能程度和预先获得的可能程度阈值,将可能程度大于可能程度阈值的目标数据点确定为数据突变点,从而获得各个参考红外光谱曲线中各个数据突变点的位置。
在本实施例中,预先获得可能程度阈值可以为0.82,可能程度阈值可以由实施者根据具体实际情况设置,不做具体限定。当某个目标数据点为数据突变点的可能程度大于可能程度阈值0.82时,说明对应的目标数据点的左右两侧邻域数据的变化程度相差较大,可以将对应的目标数据点确定为数据突变点。为了便于后续划分红外光谱曲线,需要确定每个数据突变点的位置。
第二步,根据各个数据突变点的位置将对应的参考红外光谱曲线划分为各数据区间。
在本实施例中,每个参考红外光谱曲线均有其对应的各个数据突变点,对于任意一个参考红外光谱曲线,根据红外光谱曲线中各个数据突变点的位置,将每两个连续的数据突变点之间的数据点组成数据区间,也就是利用数据突变点将红外光谱曲线划分为不同的数据区间。其中,不同的数据区间可以表征不同含量的气体所产生的数据响应所在的数据区间。
至此,本实施例获得了各个参考红外光谱曲线中的各数据区间。
S4,根据各个参考红外光谱曲线中各数据区间中每个数据点的横坐标和幅值,确定各个参考红外光谱曲线的目标数据区间。
在本实施例中,目标数据区间为参考痕量级二氧化硫在参考红外光谱曲线中产生的数据响应所在的数据区间。由于在采集不同浓度的参考痕量级二氧化硫时,参考痕量级二氧化硫内含有的其他气体的含量和组成部分基本保持一致,各个参考红外光谱曲线对应的数据区间个数相同,所以不同浓度的痕量级二氧化硫在红外光谱曲线中产生的数据响应所在的数据区间的位置相同,但数据区间所包含的数据范围不同,即各个参考红外光谱曲线的目标数据区间的位置相同。根据不同浓度下的各个参考红外光谱曲线中数据区间的分布和变化,可以获得数据区间为目标数据区间的可能程度,进而获得各个参考红外光谱曲线的目标数据区间,具体实现步骤可以包括:
第一步,对于任意两个参考红外光谱曲线中相同位置的数据区间,根据任意两个参考红外光谱曲线中相同位置的数据区间的两个数据突变点的横坐标,确定所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第三可能性。
作为示例,所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第三可能性的计算公式可以为:
式中,为所有参考红外光谱曲线中第f个数据区间为目标数据区间的第三可能性,/>为以自然常数为底的指数函数,A为红外光谱曲线的总个数,/>和/>为参考红外光谱曲线的序号,a为第a种参考痕量级二氧化硫的红外光谱曲线的索引,b为第b种参考痕量级二氧化硫的红外光谱曲线的索引,/>为第/>个参考红外光谱曲线中的第j个数据突变点的横坐标,/>为第/>个参考红外光谱曲线中的第j个数据突变点的横坐标,/>为第/>个参考红外光谱曲线中的第j+1个数据突变点的横坐标,/>为第/>个参考红外光谱曲线中的第j+1个数据突变点的横坐标,/>为求绝对值函数,第f个数据区间为第j个数据突变点与第j+1个数据突变点之间包含的数据点组成的数据区间。
在第三可能性的计算公式中,和/>可以表示两条光谱曲线在时序上相同位置的数据突变点的横坐标的差异,/>、与第三可能性/>为负相关关系,/>、越大,/>越小,第f个数据区间为目标数据区间的可能性越小;将第三可能性作为计算数据区间为目标数据区间的可能程度的计算因素的原因在于,在不同浓度的红外光谱曲线中,相同气体的数据响应范围相同,而对于不同浓度的痕量级二氧化硫的数据响应程度不同;通过对比较为相同数据突变点在时序上的差异可以量化当前数据区间为目标数据区间的可能程度,差异越小,不同浓度的参考红外光谱曲线中同一位置的数据区间越有可能是目标数据区间。
第二步,根据任意两个参考红外光谱曲线中相同位置的数据区间对应的幅值方差以及数据区间内所有极小值点的平均幅值,确定所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第四可能性。
作为示例,所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第四可能性的计算公式可以为:
式中,为所有参考红外光谱曲线中第f个数据区间为目标数据区间的第四可能性,A为红外光谱曲线的总个数,/>和/>为参考红外光谱曲线的序号,a为第a种参考痕量级二氧化硫的红外光谱曲线的索引,b为第b种参考痕量级二氧化硫的红外光谱曲线的索引,/>为第/>个参考红外光谱曲线中第f个数据区间对应的幅值方差,/>为第/>个参考红外光谱曲线中第f个数据区间对应的幅值方差,/>为第/>个参考红外光谱曲线中第f个数据区间内所有极小值点的平均幅值,/>为第/>个参考红外光谱曲线中第f个数据区间内所有极小值点的平均幅值,/>为求绝对值函数。
在第四可能性的计算公式中,可以表示第/>个参考红外光谱曲线与第/>个参考红外光谱曲线中相同位置的第f个数据区间的波动程度差异,不同浓度的红外光谱曲线在其对应的数据区间内的幅值变化存在差异,通过计算数据区间的幅值方差可以表示幅值波动差异,差异越大,说明相同位置的数据区间越有可能是痕量级二氧化硫对应的光谱数据区间;当存在噪声影响时,数据的变化幅度会发生变化,故不同浓度的数据突变点不一定是相同数据响应范围的数据变化点,痕量级二氧化硫的浓度相对于其他气体来说含量较高,在红外光谱曲线中的频率响应就会越大;/>可以表示第/>个参考红外光谱曲线与第/>个参考红外光谱曲线中相同位置的第f个数据区间的极值差异,不同浓度的痕量级二氧化硫在红外光谱曲线上的频率响应不同,极值点变化也会存在差异,故两个参考红外光谱曲线中相同位置的数据区间内极值点的平均幅值的差异程度越大,对应位置的数据区间为目标数据区间的可能性就会越大。
第三步,将所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第三可能性和第四可能性的乘积,确定为数据区间为目标数据区间的可能程度;将可能程度的最大值对应位置的数据区间确定为各个参考红外光谱曲线的目标数据区间。
在本实施例中,结合两个角度对所有参考红外光谱曲线中相同位置的数据区间的分析,可以获得所有参考红外光谱曲线中每个位置的数据区间为目标数据区间的可能程度,此时计算的数据区间为目标数据区间的可能程度的准确性更高,获得的目标数据区间的可靠程度更高。当取最大值时,对应的数据区间为目标数据区间,各个参考红外光谱曲线的目标数据区间位置相同,例如,各个参考红外光谱曲线中的第f个数据区间为目标数据区间的可能程度为最大值时,各个参考红外光谱曲线的目标数据区间均为第f个数据区间。
至此,本实施例获得了各个参考红外光谱曲线的目标数据区间。
S5,根据各个参考红外光谱曲线的目标数据区间中每个数据点的横坐标、纵坐标和幅值,确定各个参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度。
需要说明的是,目标数据区间可以表示通过光谱法检测空气中痕量级二氧化硫浓度时,在红外光谱曲线中产生频率响应的数据区间。对于获取数据时产生的随机噪声,主要是因为仪器发热等原因产生的噪声影响,那么在获得不同浓度的痕量级二氧化硫对应的光谱数据时,噪声的影响程度是近似相同的,而红外光谱曲线产生的不同幅度变化主要是由于痕量级二氧化硫的不同浓度造成的。因此,在对噪声程度进行量化时,需要根据所有参考红外光谱曲线的目标数据区间的数据特征,分析噪声影响程度,已知待检测痕量级二氧化硫和参考痕量级二氧化硫使用同一组气体采集设备,故检测红外光谱曲线对应的噪声影响程度和各个参考红外光谱曲线的噪声影响程度相等。确定各个参考红外光谱曲线对应的噪声影响程度即为确定检测红外光谱曲线对应的噪声影响程度,确定各个参考红外光谱曲线对应的噪声影响程度的具体实现步骤可以包括:
第一步,计算各个参考红外光谱曲线的目标数据区间对应的幅值方差和幅值均值,选出最小幅值方差并计算所有幅值均值的均值;根据各个参考红外光谱曲线的目标数据区间中每个数据点的横坐标和纵坐标,统计各个参考红外光谱曲线的目标数据区间中极值点的个数和所有目标数据区间对应的极值点总数。
第二步,对于任意一个参考红外光谱曲线的目标数据区间,将目标数据区间对应的幅值方差与最小幅值方差之间的差值确定为第一影响因子;将目标数据区间对应的幅值均值与所有幅值均值的均值之间的差值绝对值确定为第二影响因子;将目标数据区间中极值点的个数与所有目标数据区间对应的极值点总数的比值确定为第三影响因子;将第二影响因子与第三影响因子的乘积确定为第四影响因子,将第一影响因子和第四影响因子相加后的数值确定为第五影响因子。
第三步,根据每个参考红外光谱曲线的第五影响因子,计算所有参考红外光谱曲线的第五影响因子的平均值;对所有参考红外光谱曲线的第五影响因子的平均值进行归一化处理,将归一化处理后的第五影响因子的平均值确定为各个参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度。
作为示例,各个参考红外光谱曲线对应的噪声影响程度的计算公式可以为:
式中,K为各个参考红外光谱曲线对应的噪声影响程度,为归一化函数,A为红外光谱曲线的总个数,/>为红外光谱曲线的序号,/>为第/>个参考红外光谱曲线的目标数据区间对应的幅值方差,/>为所有参考红外光谱曲线的目标数据区间对应的最小幅值方差,/>为第/>个参考红外光谱曲线的目标数据区间中极值点的个数,/>为所有参考红外光谱曲线的目标数据区间的极值点总数,/>为第/>个参考红外光谱曲线的目标数据区间对应的幅值均值,/>为所有参考红外光谱曲线的目标数据区间对应的幅值均值的均值;/>为第/>个参考红外光谱曲线的第一影响因子,为第/>个参考红外光谱曲线的第三影响因子,/>为第/>个参考红外光谱曲线的第二影响因子,/>为第/>个参考红外光谱曲线的第四影响因子,/>为第/>个参考红外光谱曲线的第五影响因子。
在噪声影响程度的计算公式中,不同浓度的参考痕量级二氧化硫和待检测痕量级二氧化硫受到的噪声影响程度相同,故所有参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度相同;第一影响因子可以表示不同二氧化硫浓度下的光谱数据受到的噪声影响程度,不同二氧化硫浓度的参考红外光谱曲线受到的噪声的影响程度相似,而影响幅值方差的差异大小的主要因素是二氧化硫浓度,参考红外光谱曲线中目标数据区间的幅值方差与最小幅值方差之间的差异即为参考红外光谱曲线受到噪声的影响程度;第三影响因子/>可以表示单个参考红外光谱曲线与所有参考红外光谱曲线对应的目标数据区间内极值点数量的差异,极值点可以表征数据发生的突变程度,极值点越多,说明数据区间的数据变化程度越大,受到噪声的影响程度就会越大;第二影响因子可以表示单个参考红外光谱曲线与所有参考红外光谱曲线对应的目标数据区间的幅值均值差异,第二影响因子越大,说明单个参考红外光谱曲线的数据变化程度越大;在对光谱数据的噪声进行量化时,对不同二氧化硫浓度下的红外光谱曲线数据受到的噪声影响进行整体评价,故计算所有参考红外光谱曲线的第五影响因子的平均值来表示噪声的影响程度;归一化函数/>可以使噪声影响程度的取值范围限制在0到1之间,其便于后续进行浓度计算;所有参考红外光谱曲线对应的噪声影响程度即为各个参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度。
至此,本实施例获得了各个参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度。
S6,根据噪声影响程度确定各个参考红外光谱曲线和检测红外光谱曲线的小波阈值;根据小波阈值,利用小波变换对各个参考红外光谱曲线和检测红外光谱曲线进行去噪处理,获得去噪处理后的各个参考红外光谱曲线和检测红外光谱曲线。
需要说明的是,在对空气中的痕量级二氧化硫浓度进行测量时,不同浓度的二氧化硫的红外光谱曲线存在差异,而噪声影响程度是对不同二氧化硫浓度下的光谱数据受噪声影响的整体量化指标,具有较好的自适应能力,可以用于对同一实验装置下不同的空气质量进行检测,尽量避免噪声因素对二氧化硫光谱数据的影响,有助于提高空气质量检测的准确性。
第一步,根据噪声影响程度确定各个参考红外光谱曲线和检测红外光谱曲线的小波阈值。
本实施例在根据噪声影响程度对光谱数据进行去噪时,利用小波变换进行自适应去噪,小波变换在进行去噪时,需要确定合适的小波阈值,通过噪声影响程度可以获得合适的小波阈值,各个参考红外光谱曲线和检测红外光谱曲线的小波阈值保持一致,小波阈值的计算公式可以为:
式中,T为小波阈值,K为噪声影响程度,R为超参数,超参数R可以取经验阈值为5。超参数R可以由实施者根据具体实际情况设置,不做具体限定。
第二步,根据小波阈值,利用小波变换对各个参考红外光谱曲线和检测红外光谱曲线进行去噪处理,获得去噪处理后的各个参考红外光谱曲线和检测红外光谱曲线。
在本实施例中,各个参考红外光谱曲线和检测红外光谱曲线在小波变换去噪处理过程中小波阈值相同,小波变换去噪处理的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
至此,本实施例可以获得去噪处理后的各个参考红外光谱曲线和检测红外光谱曲线。
S7,根据去噪处理后的各个参考红外光谱曲线和检测红外光谱曲线对应的目标数据区间中每个数据点的纵坐标、每种参考痕量级二氧化硫的浓度,确定待检测痕量级二氧化硫的浓度。
在测量待检测痕量级二氧化硫的浓度时,检测红外光谱曲线对应的目标数据区间与参考红外光谱曲线的目标数据区间的确定过程一致,此处不再重复描述,可以直接获取检测红外光谱曲线对应的目标数据区间。根据光谱数据中的吸光度变化可以反映浓度变化,红外光谱曲线的纵坐标为吸光度,待检测痕量级二氧化硫的浓度的计算公式可以为:
式中,为待检测痕量级二氧化硫的浓度,/>为任意一种浓度的参考痕量级二氧化硫的浓度,/>为去噪处理后的检测红外光谱曲线对应的目标数据区间的纵坐标均值,为任意一种浓度的去噪处理后的参考红外光谱曲线对应的目标数据区间的纵坐标均值,/>为每种浓度的参考痕量级二氧化硫两两组合对应的组数,A为参考痕量级二氧化硫的总个数,A也为红外光谱曲线的总个数,/>为第a种参考痕量级二氧化硫的浓度,/>为第b种参考痕量级二氧化硫的浓度,/>为第a种去噪处理后的参考红外光谱曲线对应的目标数据区间的纵坐标均值,/>为第b种去噪处理后的参考红外光谱曲线对应的目标数据区间的纵坐标均值,/>为求绝对值函数。
在待检测痕量级二氧化硫的浓度的计算公式中,和/>为同一种浓度的参考数据,/>可以被用于表征待检测痕量级二氧化硫对应的吸光度均值与参考痕量级二氧化硫对应的吸光度均值之间的比例关系,将/>作为参考痕量级二氧化硫的浓度/>的系数,/>越大,/>越大,待检测痕量级二氧化硫的浓度/>越大;/>可以被用于表征任意两种参考痕量级二氧化硫的浓度吸光度的比例关系之间的差异,以不同浓度的痕量级二氧化硫作为参考来确定二氧化硫浓度与对应的光谱数据之间的变化关系,导致再通过光谱法进行测量时存在一定的误差,需要利用/>对待检测痕量级二氧化硫的浓度进行修正,以提高待检测痕量级二氧化硫的浓度测量的精确度;表示每种浓度的参考痕量级二氧化硫两两组合对应的组数,例如,当红外光谱曲线的总个数为5时,组数/>等于10。
至此,本实施例获得了测量准确性更高的待检测痕量级二氧化硫的浓度。
本发明提供了一种空气中痕量级二氧化硫浓度测量方法,该浓度测量方法通过分析不同浓度的痕量级二氧化硫的光谱数据信息,获得了二氧化硫的光谱数据对应的噪声影响程度,通过噪声影响程度可以获得去噪处理后的光谱数据;将去噪处理后的光谱数据作为待检测痕量级二氧化硫在测量浓度时的参考数据,其避免噪声对光谱数据的影响,有助于提高待检测痕量级二氧化硫的浓度测量的准确性。
一种光谱数据去噪处理方法实施例:
光谱分析法是以辐射能与物质组成和结构之间的内在联系的表现形式为基础,利用光谱来分析样品的物质组成,属性或物态信息的技术,光谱分析法在越来越多的领域得到应用,对于样品,例如二氧化硫、甲醛、苯等。由于在光谱测量进程中受仪器、样品背景、各类干扰等随机因素的阻碍,采集的光谱数据中不可幸免的含有噪声,若不加以处理,会阻碍基于光谱数据分析结果的准确性。现有对光谱数据的去噪方法通常为傅里叶变换滤波法,傅里叶变换滤波法的核心是将含噪的光谱信号由时域转换到频域,利用噪声和信号在频域分布上的差别来设计低通、高通或带通滤波器,从而滤除噪声,该方法有一定的除噪效果,但信噪比较低,造成除噪效果差。
为了解决现有光谱数据去噪方法信噪比较低,导致除噪效果差的技术问题,本发明的目的在于提供一种光谱数据去噪处理方法,所采用的技术方案具体如下:
S1,获取待检测痕量级二氧化硫的检测红外光谱曲线和第一预设数目种浓度的参考痕量级二氧化硫的参考红外光谱曲线。
S2,根据各个参考红外光谱曲线中每个数据点的斜率和幅值,确定位于预设数据区间范围的每个目标数据点为数据突变点的可能程度。
S3,根据可能程度确定各个参考红外光谱曲线中各个数据突变点的位置;根据各个数据突变点的位置将对应的参考红外光谱曲线划分为各数据区间。
S4,根据各个参考红外光谱曲线中各数据区间中每个数据点的横坐标和幅值,确定各个参考红外光谱曲线的目标数据区间。
S5,根据各个参考红外光谱曲线的目标数据区间中每个数据点的横坐标、纵坐标和幅值,确定各个参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度。
S6,根据噪声影响程度确定各个参考红外光谱曲线和检测红外光谱曲线的小波阈值;根据小波阈值,利用小波变换对各个参考红外光谱曲线和检测红外光谱曲线进行去噪处理,获得去噪处理后的各个参考红外光谱曲线和检测红外光谱曲线。
本发明实施例提供一种光谱数据去噪处理方法具有如下技术效果:
通过比较不同浓度的痕量级二氧化硫的光谱数据变化特征,确定噪声对光谱数据的影响程度,即噪声影响程度;基于噪声影响程度,通过小波变换对光谱数据进行自适应去噪。通过获取多种不同浓度的参考红外光谱曲线,有利于后续对不同浓度的参考红外光谱曲线的数据分布特征进行分析,以便于量化光谱数据受噪声的影响程度。通过各个参考红外光谱曲线中每个数据点的斜率、幅值以及横坐标,确定参考红外光谱曲线中属于二氧化硫产生的数据响应所在的数据区间,即确定各个参考红外光谱曲线的目标数据区间;确定目标数据区间是为了后续量化噪声对二氧化硫产生的数据响应的影响情况,提高后续计算的噪声影响程度的精确度,基于不同二氧化硫浓度下的光谱数据的变化获得的噪声影响程度,具有较好的适应能力,在不同空气质量进行监测时的准确性更高。基于精确度更高的噪声影响程度,利用小波变换,对同一实验装置下采集的检测红外光谱曲线和参考红外光谱曲线进行去噪处理,可以获得去噪效果更好的光谱数据。
其中,步骤S1-S6在上述一种空气中痕量级二氧化硫浓度测量方法实施例中已给出了详细说明,不再赘述。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种空气中痕量级二氧化硫浓度测量方法,其特征在于,包括以下步骤:
获取待检测痕量级二氧化硫的检测红外光谱曲线和第一预设数目种浓度的参考痕量级二氧化硫的参考红外光谱曲线;
根据各个参考红外光谱曲线中每个数据点的斜率和幅值,确定位于预设数据区间范围的每个目标数据点为数据突变点的可能程度;
根据可能程度确定各个参考红外光谱曲线中各个数据突变点的位置;根据各个数据突变点的位置将对应的参考红外光谱曲线划分为各数据区间;
根据各个参考红外光谱曲线中各数据区间中每个数据点的横坐标和幅值,确定各个参考红外光谱曲线的目标数据区间;其中,所述目标数据区间为参考痕量级二氧化硫在参考红外光谱曲线中产生的数据响应所在的数据区间;
根据各个参考红外光谱曲线的目标数据区间中每个数据点的横坐标、纵坐标和幅值,确定各个参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度;
根据噪声影响程度确定各个参考红外光谱曲线和检测红外光谱曲线的小波阈值;根据小波阈值,利用小波变换对各个参考红外光谱曲线和检测红外光谱曲线进行去噪处理,获得去噪处理后的各个参考红外光谱曲线和检测红外光谱曲线;
根据去噪处理后的各个参考红外光谱曲线和检测红外光谱曲线对应的目标数据区间中每个数据点的纵坐标、每种参考痕量级二氧化硫的浓度,确定待检测痕量级二氧化硫的浓度。
2.根据权利要求1所述的一种空气中痕量级二氧化硫浓度测量方法,其特征在于,所述根据各个参考红外光谱曲线中每个数据点的斜率和幅值,确定位于预设数据区间范围的每个目标数据点为数据突变点的可能程度,包括:
对于任意一个参考红外光谱曲线,选取参考红外光谱曲线中预设数据区间范围内的各个目标数据点;其中,所述预设数据区间范围为参考红外光谱曲线中产生数据响应的数据区间范围;
对于参考红外光谱曲线中的每个目标数据点,在目标数据点的左侧和右侧分别选取第二预设数目个数据点为邻域数据点;
根据每个目标数据点的左侧和右侧第二预设数目个邻域数据点的斜率以及右侧邻域数据区间中每个数据点的幅值,确定每个目标数据点为数据突变点的可能程度;其中,所述右侧邻域数据区间为目标数据点及其右侧第二预设数目个邻域数据点构成的数据区间。
3.根据权利要求2所述的一种空气中痕量级二氧化硫浓度测量方法,其特征在于,所述根据每个目标数据点的左侧和右侧第二预设数目个邻域数据点的斜率以及右侧邻域数据区间中每个数据点的幅值,确定每个目标数据点为数据突变点的可能程度,包括:
对于任意一个目标数据点,计算目标数据点的左侧第二预设数目个邻域数据点的平均斜率和右侧第二预设数目个邻域数据点的平均斜率;将目标数据点的左侧第二预设数目个邻域数据点的平均斜率和右侧第二预设数目个邻域数据点的平均斜率之间的差值绝对值,确定为目标数据点为数据突变点的第一可能性;根据目标数据点的右侧邻域数据区间中每个数据点的幅值,选取右侧邻域数据区间的最大幅值确定为目标数据点为数据突变点的第二可能性;计算第一可能性和第二可能性的乘积,对第一可能性和第二可能性的乘积进行归一化处理,将归一化处理后的乘积确定为目标数据点为数据突变点的可能程度。
4.根据权利要求3所述的一种空气中痕量级二氧化硫浓度测量方法,其特征在于,所述根据可能程度确定各个参考红外光谱曲线中各个数据突变点的位置,包括:
根据各个参考红外光谱曲线中每个目标数据点为数据突变点的可能程度和预先获得的可能程度阈值,将可能程度大于可能程度阈值的目标数据点确定为数据突变点,从而获得各个参考红外光谱曲线中各个数据突变点的位置。
5.根据权利要求1所述的一种空气中痕量级二氧化硫浓度测量方法,其特征在于,所述根据各个参考红外光谱曲线中各数据区间中每个数据点的横坐标和幅值,确定各个参考红外光谱曲线的目标数据区间,包括:
对于任意两个参考红外光谱曲线中相同位置的数据区间,根据任意两个参考红外光谱曲线中相同位置的数据区间的两个数据突变点的横坐标,确定所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第三可能性;
根据任意两个参考红外光谱曲线中相同位置的数据区间对应的幅值方差以及数据区间内所有极小值点的平均幅值,确定所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第四可能性;
将所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第三可能性和第四可能性的乘积,确定为数据区间为目标数据区间的可能程度;将可能程度的最大值对应位置的数据区间确定为各个参考红外光谱曲线的目标数据区间。
6.根据权利要求5所述的一种空气中痕量级二氧化硫浓度测量方法,其特征在于,所述所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第三可能性的计算公式为:
式中,为所有参考红外光谱曲线中第f个数据区间为目标数据区间的第三可能性,为以自然常数为底的指数函数,A为红外光谱曲线的总个数,/>和/>为参考红外光谱曲线的序号,a为第a种参考痕量级二氧化硫的红外光谱曲线的索引,b为第b种参考痕量级二氧化硫的红外光谱曲线的索引,/>为第/>个参考红外光谱曲线中的第j个数据突变点的横坐标,/>为第/>个参考红外光谱曲线中的第j个数据突变点的横坐标,/>为第/>个参考红外光谱曲线中的第j+1个数据突变点的横坐标,/>为第/>个参考红外光谱曲线中的第j+1个数据突变点的横坐标,/>为求绝对值函数,第f个数据区间为第j个数据突变点与第j+1个数据突变点之间包含的数据点组成的数据区间。
7.根据权利要求5所述的一种空气中痕量级二氧化硫浓度测量方法,其特征在于,所述所有参考红外光谱曲线中相同位置的数据区间为目标数据区间的第四可能性的计算公式为:
式中,为所有参考红外光谱曲线中第f个数据区间为目标数据区间的第四可能性,A为红外光谱曲线的总个数,/>和/>为参考红外光谱曲线的序号,a为第a种参考痕量级二氧化硫的红外光谱曲线的索引,b为第b种参考痕量级二氧化硫的红外光谱曲线的索引,/>为第/>个参考红外光谱曲线中第f个数据区间对应的幅值方差,/>为第/>个参考红外光谱曲线中第f个数据区间对应的幅值方差,/>为第/>个参考红外光谱曲线中第f个数据区间内所有极小值点的平均幅值,/>为第/>个参考红外光谱曲线中第f个数据区间内所有极小值点的平均幅值,/>为求绝对值函数。
8.根据权利要求1所述的一种空气中痕量级二氧化硫浓度测量方法,其特征在于,所述根据各个参考红外光谱曲线的目标数据区间中每个数据点的横坐标、纵坐标和幅值,确定各个参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度,包括:
计算各个参考红外光谱曲线的目标数据区间对应的幅值方差和幅值均值,选出最小幅值方差并计算所有幅值均值的均值;根据各个参考红外光谱曲线的目标数据区间中每个数据点的横坐标和纵坐标,统计各个参考红外光谱曲线的目标数据区间中极值点的个数和所有目标数据区间对应的极值点总数;
对于任意一个参考红外光谱曲线的目标数据区间,将目标数据区间对应的幅值方差与最小幅值方差之间的差值确定为第一影响因子;将目标数据区间对应的幅值均值与所有幅值均值的均值之间的差值绝对值确定为第二影响因子;将目标数据区间中极值点的个数与所有目标数据区间对应的极值点总数的比值确定为第三影响因子;将第二影响因子与第三影响因子的乘积确定为第四影响因子,将第一影响因子和第四影响因子相加后的数值确定为第五影响因子;
根据每个参考红外光谱曲线的第五影响因子,计算所有参考红外光谱曲线的第五影响因子的平均值;对所有参考红外光谱曲线的第五影响因子的平均值进行归一化处理,将归一化处理后的第五影响因子的平均值确定为各个参考红外光谱曲线和检测红外光谱曲线对应的噪声影响程度。
9.根据权利要求1所述的一种空气中痕量级二氧化硫浓度测量方法,其特征在于,所述待检测痕量级二氧化硫的浓度的计算公式为:
式中,为待检测痕量级二氧化硫的浓度,/>为任意一种浓度的参考痕量级二氧化硫的浓度,/>为去噪处理后的检测红外光谱曲线对应的目标数据区间的纵坐标均值,/>为任意一种浓度的去噪处理后的参考红外光谱曲线对应的目标数据区间的纵坐标均值,为每种浓度的参考痕量级二氧化硫两两组合对应的组数,A为参考痕量级二氧化硫的总个数,A也为红外光谱曲线的总个数,/>为第a种参考痕量级二氧化硫的浓度,/>为第b种参考痕量级二氧化硫的浓度,/>为第a种去噪处理后的参考红外光谱曲线对应的目标数据区间的纵坐标均值,/>为第b种去噪处理后的参考红外光谱曲线对应的目标数据区间的纵坐标均值,/>为求绝对值函数。
10.根据权利要求1所述的一种空气中痕量级二氧化硫浓度测量方法,其特征在于,所述根据噪声影响程度确定各个参考红外光谱曲线和检测红外光谱曲线的小波阈值,包括:
计算噪声影响程度与超参数的乘积,将噪声影响程度与超参数的乘积确定为各个参考红外光谱曲线和检测红外光谱曲线的小波阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300714.XA CN117030654B (zh) | 2023-10-10 | 2023-10-10 | 一种空气中痕量级二氧化硫浓度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300714.XA CN117030654B (zh) | 2023-10-10 | 2023-10-10 | 一种空气中痕量级二氧化硫浓度测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117030654A true CN117030654A (zh) | 2023-11-10 |
CN117030654B CN117030654B (zh) | 2023-12-29 |
Family
ID=88623128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311300714.XA Active CN117030654B (zh) | 2023-10-10 | 2023-10-10 | 一种空气中痕量级二氧化硫浓度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117030654B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117538491A (zh) * | 2024-01-09 | 2024-02-09 | 武汉怡特环保科技有限公司 | 一种站房空气质量智能监测方法及系统 |
CN117825601A (zh) * | 2024-03-05 | 2024-04-05 | 山东润达检测技术有限公司 | 一种食品中二氧化硫的测定方法 |
CN117825601B (zh) * | 2024-03-05 | 2024-05-24 | 山东润达检测技术有限公司 | 一种食品中二氧化硫的测定方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09281042A (ja) * | 1996-04-18 | 1997-10-31 | Yokogawa Electric Corp | 近赤外分光分析計 |
CN103637820A (zh) * | 2013-11-27 | 2014-03-19 | 华南理工大学 | 基于超声rf时间序列的肝纤维化程度相对偏差识别方法 |
CN106290243A (zh) * | 2015-06-29 | 2017-01-04 | 西克股份公司 | 用于确定气体组分浓度的方法和光谱仪 |
CN108171400A (zh) * | 2017-12-06 | 2018-06-15 | 浙江大学 | 一种基于异常点及离群点检测的风机功率曲线数据预处理方法 |
CN108918760A (zh) * | 2018-07-27 | 2018-11-30 | 王飞 | 化学反应光谱的CIELAB色空间的a*值与物质量关系计算方法 |
CN112378881A (zh) * | 2020-10-21 | 2021-02-19 | 山东省科学院自动化研究所 | 一种基于太赫兹光谱的药物辨识方法 |
JP2022150584A (ja) * | 2021-03-26 | 2022-10-07 | 住鉱テクノリサーチ株式会社 | Icp発光分光分析測定の結果の解析方法及びicp発光分光分析測定の結果の解析システム |
CN115579876A (zh) * | 2022-10-25 | 2023-01-06 | 中广核(东至)新能源有限公司 | 一种风机功率特性曲线的辨识方法及系统 |
CN115901666A (zh) * | 2022-12-30 | 2023-04-04 | 佐今明制药股份有限公司 | 一种基于红外光谱检测金银花中绿原酸的方法 |
-
2023
- 2023-10-10 CN CN202311300714.XA patent/CN117030654B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09281042A (ja) * | 1996-04-18 | 1997-10-31 | Yokogawa Electric Corp | 近赤外分光分析計 |
CN103637820A (zh) * | 2013-11-27 | 2014-03-19 | 华南理工大学 | 基于超声rf时间序列的肝纤维化程度相对偏差识别方法 |
CN106290243A (zh) * | 2015-06-29 | 2017-01-04 | 西克股份公司 | 用于确定气体组分浓度的方法和光谱仪 |
CN108171400A (zh) * | 2017-12-06 | 2018-06-15 | 浙江大学 | 一种基于异常点及离群点检测的风机功率曲线数据预处理方法 |
CN108918760A (zh) * | 2018-07-27 | 2018-11-30 | 王飞 | 化学反应光谱的CIELAB色空间的a*值与物质量关系计算方法 |
CN112378881A (zh) * | 2020-10-21 | 2021-02-19 | 山东省科学院自动化研究所 | 一种基于太赫兹光谱的药物辨识方法 |
JP2022150584A (ja) * | 2021-03-26 | 2022-10-07 | 住鉱テクノリサーチ株式会社 | Icp発光分光分析測定の結果の解析方法及びicp発光分光分析測定の結果の解析システム |
CN115579876A (zh) * | 2022-10-25 | 2023-01-06 | 中广核(东至)新能源有限公司 | 一种风机功率特性曲线的辨识方法及系统 |
CN115901666A (zh) * | 2022-12-30 | 2023-04-04 | 佐今明制药股份有限公司 | 一种基于红外光谱检测金银花中绿原酸的方法 |
Non-Patent Citations (1)
Title |
---|
BITING LEI ET AL.: "A SVD-Based Signal De-noising method with fitting threshold for emat", 《IEEE》, pages 21123 - 21131 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117538491A (zh) * | 2024-01-09 | 2024-02-09 | 武汉怡特环保科技有限公司 | 一种站房空气质量智能监测方法及系统 |
CN117538491B (zh) * | 2024-01-09 | 2024-04-05 | 武汉怡特环保科技有限公司 | 一种站房空气质量智能监测方法及系统 |
CN117825601A (zh) * | 2024-03-05 | 2024-04-05 | 山东润达检测技术有限公司 | 一种食品中二氧化硫的测定方法 |
CN117825601B (zh) * | 2024-03-05 | 2024-05-24 | 山东润达检测技术有限公司 | 一种食品中二氧化硫的测定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117030654B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117030654B (zh) | 一种空气中痕量级二氧化硫浓度测量方法 | |
CN108108889A (zh) | 一种水质监测数据在线处理方法及装置 | |
CN105466927B (zh) | 一种比浊法异常反应曲线的识别、修正及报警方法 | |
CN101825567A (zh) | 一种近红外光谱和拉曼光谱波长的筛选方法 | |
CN113109317B (zh) | 基于背景扣除提取峰面积的拉曼光谱定量分析方法及系统 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
CN105784672A (zh) | 一种基于双树复小波算法的毒品检测仪标准化方法 | |
CN113008805A (zh) | 基于高光谱成像深度分析的白芷饮片质量预测方法 | |
CN113758890A (zh) | 一种气体浓度计算方法、装置、设备及存储介质 | |
CN111898744A (zh) | 基于池化lstm的tdlas痕量气体浓度检测方法 | |
CN109283153B (zh) | 一种酱油定量分析模型的建立方法 | |
CN117194902B (zh) | 一种光谱测量过程中噪声数据滤除方法 | |
CN117269109B (zh) | 基于近红外光谱的混凝土结构中氯离子含量检测方法 | |
CN117405622A (zh) | 一种燕窝中亚硝酸盐含量智能检测方法 | |
CN116136518B (zh) | 色谱仪 | |
CN112666104A (zh) | 一种基于doas的气体浓度反演方法 | |
CN111141809B (zh) | 一种基于非接触式电导信号的土壤养分离子含量检测方法 | |
CN112748140A (zh) | 一种基于迭代离散小波背景扣除的痕量元素xrf测定方法 | |
CN112630180A (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 | |
CN112014344A (zh) | 一种污水在线监测方法 | |
CN110823966A (zh) | 一种基于电子鼻的葡萄酒so2浓度的快速测定方法 | |
CN115586159A (zh) | 基于中红外光谱检测技术的白酒陈化缔合程度评定方法 | |
CN110553988B (zh) | 一种基于叠加态思想的no低浓度信号提取方法 | |
CN106483087B (zh) | 一种二氧化硫检测方法及系统 | |
CN109507120A (zh) | 基于标准加入法结合小波变换的溶液阴极辉光放电发射光谱分析方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A measurement method for trace level sulfur dioxide concentration in the air Granted publication date: 20231229 Pledgee: Agricultural Bank of China Limited Hubei pilot Free Trade Zone Wuhan Area Branch Pledgor: WUHAN YITE ENVIRONMENTAL PROTECTION TECHNOLOGY Co.,Ltd. Registration number: Y2024980015200 |