1 太原理工大学, 新型传感器与智能控制教育部重点实验室, 山西 太原 030024
2 太原理工大学机械与运载工程学院, 山西 太原 030024
红外光谱分析在自然科学、 工程技术等诸多领域发挥着重要作用。 随着计算机和人工智能技术的不断发展, 对红外/近红外光谱分析提出了更高的要求。 深度学习以人工神经网络为架构, 通过对数据进行分层特征提取完成特征/表征学习, 在解析数据细节特征方面具有独特的优势, 在计算机视觉、 语音识别、 疾病诊断等多领域得到成功应用。 尽管深度学习在图像、 音频、 文字分析方面获得了较好的效果, 但是在红外/近红外光谱数据分析中的应用还十分有限。 针对深度学习的卷积运算, 首先将一维傅里叶变换(Fourier transform infrared spectroscopy, FTIR)红外光谱数据通过对称点模式(symmetrized dot patterns, SDP)变换为二维RGB彩色图像, 然后将SDP变换得到的彩色图像数据作为VGG(oxford visual geometry group)深度卷积神经网络的输入进行深度学习, 建立基于红外光谱数据的分类识别模型。 对不同浓度甲烷(CH4)、 乙烷(C2H6)、 丙烷(C3H8)、 正丁烷(C4H10)、 异丁烷(iso-C4H10)、 正戊烷(C5H12)、 异戊烷(iso-C5H12)七种单组分烷烃及其混合气体SDP转化获得的224×224彩色(RGB)图像, 呈现出显著差别, 且更符合VGG卷积运算的数据格式。 将SDP-VGG方法应用于气测录井中甲烷浓度范围的识别: 气测录井气体为上述七组分烷烃气体的混合气体, 其中主要成分甲烷的浓度范围按照<20%, 20%～40%, 40%～60%, 60%～80%, 80%～100%分为5类, 不同七组分烷烃混合气体样本的红外光谱由红外光谱仪在波数范围为4 000～400 cm-1、 间隔12 nm的条件下扫描获得。 在未经过特殊预处理和特征提取的情况下, 采用随机选择的4 500个样本, 由SDP-VGG法建立的七组分混合气体甲烷浓度范围识别模型, 对5种甲烷浓度范围的识别准确率达到91.2%, 优于相同红外光谱数据所建立支持向量机(support vector machine, SVM)和随机森林(random forest, RF)模型的识别准确率88.7%和86.2%。 研究表明, SDP结合深度学习可以准确提取红外光谱数据的关键特征, 提高了红外光谱识别的准确率, 是一种更为有效的红外光谱分析方法, 具有广阔的应用前景。
对称点模式图像 VGG深度卷积神经网络 光谱分析 SDP VGG deep convolutional neural network FTIR Infrared spectrum Spectral analysis
西安交通大学电力设备电气绝缘国家重点实验室, 陕西 西安710049
特征变量选取与模型的建立是光谱定量分析的两个主要研究内容。 首先讨论了Tikhonov正则化特征光谱选取算法在多组分烷烃气体分析应用中的参数确定方法, 然后针对甲烷、 乙烷、 丙烷、 异丁烷、 正丁烷、 异戊烷和正戊烷七种烃烷的小浓度分析, 从中红外吸收光谱中提取了七组特征光谱, 并用这些特征光谱作为输出, 用神经网络建立了七种烃烷气体的分析模型。 为克服神经网络的过训练问题, 提出根据误差处理的方式从多个训练好的网络中选择最优网络的网络最优参数选择法。 最后给出了分析模型的标气检验结果表明, 在各种烃烷气体1%范围内, 提出的分析方法有效消除了各种烷烃之间的交叉敏感, 交叉干扰小于0.5%; 分辨率高, 达20×10-6。
多组分气体定量分析 特征光谱选择 Tikhonov正则化 交叉敏感 神经网络 Multi-component gas quantitative analysis Feature spectra selection Tikhonov regularization Cross-sensitivity Neural network 光谱学与光谱分析
2011, 31(6): 1673
1 西安交通大学 电力设备电气绝缘国家重点实验室, 陕西 西安 710049
2 太原钢铁公司自动化公司, 山西 太原 030003
为进一步提高FTIR光谱法实现特征吸收光谱严重重叠的甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊 烷七组分混合气体定量分析的精度和速度, 提出一种核偏最小二乘(Kernel Partial Least Square, KPLS)特征提取耦 合支持向量回归机(Support Vector Regression Machine, SVR)的红外光谱定量分析新方法.首先采用KPLS方法对上 述七组分混合气体的FTIR光谱进行特征提取, 然后将特征提取得到的特征组分作为SVR的输入建立混合气体的 定量分析模型.对标准混合气体进行定量分析的结果显示:KPLS-SVR模型的预测精度高于未进行特征提取SVR 模型预测的精度, 同时预测时间也减少了一半.研究表明, KPLS法可以很好地提取隐含在混合气体FTIR光谱数据 与其组分浓度之间的非线性特征并有效地消除光谱数据噪声, 大幅度降低数据维数, 与SVR耦合可以提高红外光 谱分析的精度和速度, 是一种有效的红外光谱定量分析方法.
核偏最小二乘 支持向量回归机 特征提取 多变量校正模型 红外傅里叶变换(FTIR) kernel partial least squares support vector regression machine feature extraction multivariable calibration model FTIR
1 西安交通大学电气工程学院， 陕西 西安710049
2 太原钢铁公司， 山西 太原030003
3 美国Brimrose公司， 美国 巴尔的摩21152-9201
探索了以声光可调滤波器（acousto-optic tunable filter， AOTF）为分光器件的新一代近红外（NIR）光谱仪用于气体检测的可行性， 并提出一种多组分混合气体近红外光谱分析的新方法。 将一个自制的气室与AOTF-NIR光谱仪配接， 从而实现了当前仅限于固体和液体检测的AOTF-NIR光谱仪对气体的检测。 实验首先获取并比较了甲烷在不同浓度下的近红外光谱。 结果显示， 当浓度大于0.1%时， 甲烷的吸光度明显地随其浓度的增加而增加。 随后参照仪器对甲烷的检测低限设计了甲烷、 乙烷和丙烷三组分混合气体样本， 并采集了它们的近红外光谱。 三种组分气体的定量分析模型由核偏最小二乘（kernel partial least squares， KPLS）回归法建立， 模型的预测能力采用检验集的预测均方根误差（root mean square error of prediction， RMSEP）评定。 与偏最小二乘（PLS）回归分析效果的对比研究表明， KPLS回归较PLS回归在NIR光谱数据的分析上更具优越性。
声光可调滤波器 近红外光谱 核偏最小二乘回归 气体混合物 定量分析 AOTF Near infrared spectroscopy KPLS regression Gaseous mixture Quantitative analysis 光谱学与光谱分析
2009, 29(8): 2087
