[发明专利]分析模型建立方法、气体分析装置及方法

说明书

本申请公开了一种分析模型建立方法、气体分析装置及方法。所述分析模型建立方法包括：获取Z个原始样本，所述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；根据每层第二小波系数生成对应的子模型，计算每个子模型的均方根误差以及权重系数，根据所述权重系数计算融合模型。多次重复选择第二小波系数即分解尺度，获得多个融合模型。选择均方根误差最小的融合模型作为最终模型。本申请实施例所提供的方案具有分析精确、稳定性高的特点。

技术领域

本申请涉及油气勘探技术领域，具体而言，涉及一种分析模型建立方法、气体分析装置及方法。

背景技术

在拉曼光谱的数据采集过程中，往往会伴随着严重的基质干扰和荧光背景干扰，待测气体组分的拉曼光谱强度较小，有可能会淹没在基质及背景干扰中。传统的拉曼光谱技术中，常常只能分析入射光波长范围内的光谱信息，难以有效规避基质和背景干扰，因此，复杂气体体系的拉曼光谱分析尚存在严重的准确性和可靠性等问题。

发明内容

为了克服现有技术中的上述不足，本申请的目的在于提供一种分析模型建立方法，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。

可选地，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。

可选地，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的权重系数的乘积的结果求和，获得融合模型。

可选地，所述方法还包括，

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。