0
关键词：
白酒工业,科技进步,技术创新
发表时间：
2012-12-21 08:48:34
摘 要 针对混合气体组分浓度分析中海量训练样本的获取、分析精度及实时在线分析等问题, 将支持向量机这一新的信息处理方法和红外光谱分析法结合, 提出了混合气体分布模式的概念。在此基础上, 采用先进行混合气体分布模式识别, 然后再进行混合气体分析的思路, 在大量调查的基础上, 研究探索了实际应用中可能出现的混合气体分布模式, 确定60 种混合气体分布模式, 共计6 000 个混合气体红外光谱数据样本用于模型的训练与检验。采用SM O 算法实现了减量和增量的在线学习, 最终建立了基于SVM 的混合气体分布模式红外光谱在线识别模型。模型由模式识别和结果输出2 层组成, 模式识别层完成混合气体模式分布模式识别任务; 结果输出层由60 个SVM 校正模型组成, 完成具体的浓度分析任务。实验结果表明, 该方法对混合气体分布模式的正确识别率不低于98 8%, 可在小样本条件下对混合气体的分布模式进行在线识别, 可在线实时加入新的混合气体分布模式, 具有实际应用价值。
混合气体红外光谱分析在天然气、石油、化工、烟气、汽车尾气、垃圾燃烧场废气监测等方面有着广泛的应用, 越来越受到人们的重视[13] 。
由于混合气体组分浓度的分布具有随意性, 若要实现在较大分布范围内的混合气体分析, 必须构造数量足够多, 分布合理的混合气体样本供训练使用。例如, 有一混合气体,由七种组分气体组成, 如果每种组分气体浓度按1% 的间隔标定100 个点, 则7 组分混合气体需1007 个样本。但实际工
作中, 构造数量足够多且分布合理、组分浓度范围大的混合气体样本是不容易实现的, 无法获得如此多海量混合气体样本。
在混合气体红外光谱分析的实验中发现, 将全部的训练样本用来训练一个大的校正模型, 其结果输出误差较大; 如果将全部的训练样本根据混合气体分布模式分为几个小的校正模型, 其结果输出误差较小。
传统的混合气体组分浓度红外光谱分析方法有曲线拟合法、K 矩阵法、P 矩阵法、多元线性回归法、经典最小二乘法、偏最小二乘回归[4] 等。这些方法由于偏重线性问题、分析精度依赖海量的红外光谱数据样本, 因而不能有效地解决上述问题。人工神经网络( a rtificial neural netw or k, ANN) 虽然在混合气体红外光谱分析中有应用[ 5, 6] , 但由于输入数据的维数、过学习等问题的限制, 在实际应用中还是有一定的局限性。
为了解决上述的问题, 本文将支持向量机( suppor t v ecto r machine, SVM) 这一新的信息处理方法[ 79] , 用于处理混合气体红外光谱数据样本。利用SVM 的在线模式识别模型,先进行混合气体分布模式识别, 根据模式识别模型的结果输出, 确定对应的校正模型, 然后再进行混合气体组分浓度分析, 进而输出结果。
本文以含烃类混合气体为例, 在大量调查的基础上, 研究探索了实际应用中可能出现的混合气体分布模式, 最后确定为60 种分布模式, 共计6 000 个混合气体红外光谱数据样本用于训练与检验。在此基础上, 通过动态调整混合气体分布模式与红外光谱数据样本分类规则知识的积累, 采用SMO 算法实现了减量和增量的在线学习, 从而完成混合气体分布模式红外光谱在线识别, 为后续的混合气体组分浓度分析奠定了基础。
由于混合气体组分浓度的分布具有随意性, 若要实现在较大分布范围内的混合气体分析, 必须构造数量足够多, 分布合理的混合气体样本供训练使用。例如, 有一混合气体,由七种组分气体组成, 如果每种组分气体浓度按1% 的间隔标定100 个点, 则7 组分混合气体需1007 个样本。但实际工
作中, 构造数量足够多且分布合理、组分浓度范围大的混合气体样本是不容易实现的, 无法获得如此多海量混合气体样本。
在混合气体红外光谱分析的实验中发现, 将全部的训练样本用来训练一个大的校正模型, 其结果输出误差较大; 如果将全部的训练样本根据混合气体分布模式分为几个小的校正模型, 其结果输出误差较小。
传统的混合气体组分浓度红外光谱分析方法有曲线拟合法、K 矩阵法、P 矩阵法、多元线性回归法、经典最小二乘法、偏最小二乘回归[4] 等。这些方法由于偏重线性问题、分析精度依赖海量的红外光谱数据样本, 因而不能有效地解决上述问题。人工神经网络( a rtificial neural netw or k, ANN) 虽然在混合气体红外光谱分析中有应用[ 5, 6] , 但由于输入数据的维数、过学习等问题的限制, 在实际应用中还是有一定的局限性。
为了解决上述的问题, 本文将支持向量机( suppor t v ecto r machine, SVM) 这一新的信息处理方法[ 79] , 用于处理混合气体红外光谱数据样本。利用SVM 的在线模式识别模型,先进行混合气体分布模式识别, 根据模式识别模型的结果输出, 确定对应的校正模型, 然后再进行混合气体组分浓度分析, 进而输出结果。
本文以含烃类混合气体为例, 在大量调查的基础上, 研究探索了实际应用中可能出现的混合气体分布模式, 最后确定为60 种分布模式, 共计6 000 个混合气体红外光谱数据样本用于训练与检验。在此基础上, 通过动态调整混合气体分布模式与红外光谱数据样本分类规则知识的积累, 采用SMO 算法实现了减量和增量的在线学习, 从而完成混合气体分布模式红外光谱在线识别, 为后续的混合气体组分浓度分析奠定了基础。
李辉发布的其他共享资料
-
-
关键词： 模型传递,近红外,支持向量回归机 发表时间： 2011-12-16 14:46:25
-
关键词： 支持向量机,红外光谱,校正模型,模式识别 发表时间： 2011-12-16 14:40:38
-
关键词： 纳米复合器件,MEHPPV/ZnSe,电致发光 发表时间： 2011-12-16 14:37:43
-
关键词： 光谱学,腔增强吸收光谱,LED光源 发表时间： 2011-12-16 14:34:23
-
关键词： 液晶可调谐滤光片,CCD,高光谱遥感 发表时间： 2011-12-16 14:31:53