[发明专利]分析模型建立方法、气体分析装置及方法

权利要求书

1.一种分析模型建立方法，其特征在于，应用于录井气体分析，所述方法包括：

获取Z个原始样本，所述Z个原始样本中每个原始样本均包含一组混合气体对应的光谱信息及该组混合气体中待测气体的浓度信息；

根据预设的第一小波系数和分解尺度N分别对每个所述原始样本的光谱信息进行分解，获得2*N+1层第二小波系数；

依次将每个所述原始样本作为目标样本，根据每层所述第二小波系数对目标样本的光谱信息进行重构，得到所述目标样本与每层所述第二小波系数对应的重构光谱；

从所述Z个原始样本中选择W个原始样本，分别将所述W个原始样本中的每个原始样本在同一层所述第二小波系数上的重构光谱以及该原始样本对应的待测气体的浓度信息作为一个子训练样本进行机器学习训练，获得对应每层所述第二小波系数的子模型；

计算每层第二小波系数对应的子模型的均方根误差；根据每个子模型的均方根误差确定该子模型的权重系数；

根据每个子模型的权重系数获得融合模型，计算融合模型的均方根误差；

重复选取第一小波系数和分解尺度N的步骤，得到与第一小波系数以及分解尺度N对应的融合模型；

选取所有融合模型中融合模型均方根误差最小的融合模型作为最终模型；

将原始样本以外的混合气体的光谱信息及该混合气体中待测气体的浓度信息输入融合模型以对最终模型进行修正。

2.根据权利要求1所述的分析模型建立方法，其特征在于，计算每层子模型对应的均方根误差的方法为留一交叉验证法，所述留一交叉验证法的步骤为：

将Z个原始样本中，每个原始样本与所述子模型对应的重构光谱以及该原始样本对应的待测气体的浓度信息作为一个重构样本，Z个原始样本共得到Z个重构样本；

从Z个重构样本中选择一个重构样本作为第一测试样本，其余的重构样本作为第一训练样本，将该第一训练样本输入预设的分类模型进行训练，得到一个子分类模型，将所述第一测试样本输入该子分类模型，得到该重构样本中待测气体的预测浓度，计算该重构样本对应的待测气体的浓度信息与预测浓度的差值，即第一子误差；

依次重复Z次选择第一测试样本的步骤，得到Z个第一子误差；

根据Z个第一子误差计算该子模型的均方根误差。

3.根据权利要求1所述的分析模型建立方法，其特征在于，所述根据每个子模型的权重系数获得融合模型的方法为，

对每个子模型与每个子模型对应的权重系数的乘积的结果求和，获得融合模型。

4.一种气体分析装置，其特征在于，应用于录井气体分析，所述气体分析装置包括，

获取模块，所述获取模块用于获取Z个原始样本，所述Z个原始样本中每个原始样本均包含一组混合气体对应的光谱信息及该组混合气体中待测气体的浓度信息；

分解模块，所述分解模块用于根据预设的第一小波系数和分解尺度N分别对每个所述原始样本的光谱信息进行分解，获得2*N+1层第二小波系数；

重构模块，所述重构模块用于依次将每个所述原始样本作为目标样本，根据每层所述第二小波系数对目标样本的光谱信息进行重构，得到所述目标样本与每层所述第二小波系数对应的重构光谱；

模型生成模块，所述模型生成模块用于从所述Z个原始样本中选择W个原始样本，分别将所述W个原始样本中的每个原始样本在同一层所述第二小波系数上的重构光谱以及该原始样本对应的待测气体的浓度信息作为一个子训练样本进行机器学习训练，获得对应每层所述第二小波系数的子模型；

计算每层第二小波系数对应的子模型的均方根误差；根据每个子模型的均方根误差确定该子模型的权重系数；

根据每个子模型的权重系数获得融合模型，计算融合模型的均方根误差；

重复选取第一小波系数和分解尺度的步骤，得到与第一小波系数以及分解尺度N对应的融合模型；

选择模块，所述选择模块用于选取所有融合模型中融合模型均方根误差最小的融合模型作为最终模型；

修正模块，所述修正模块用于将原始样本以外的混合气体的光谱信息及该混合气体中待测气体的浓度信息输入融合模型以对融合模型进行修正。