[发明专利]基于多流形学习的气体浓度反演方法

摘要

本发明公开了一种基于多流形学习的气体浓度反演方法，1)采集光源发出的光通过不同已知浓度气体时的光谱数据；2)将采集的吸收光谱数据减去暗光谱并进行归一化处理；3)利用NPE算法对不同浓度的预处理后的数据分别进行特征提取；4)将得到的特征数据作为训练样本，并送入SVR分类器进行训练，构建反演模型；5)测试样本光谱数据采集；6)将测试样本光谱数据预处理后再进行特征提取，并将得到的特征数据送入构建好的反演模型中，反演得到待测气体浓度。本发明可以提高气体浓度反演精度，改善浓度反演算法的重复性和可移植性，尤其能够提高短光程条件下低浓度气体的反演精度，满足在线检测的精度要求。

主权项

基于多流形学习的气体浓度反演方法，其特征在于：步骤如下，1)训练样本光谱数据采集：通过光谱仪分别采集光源发出的光通过不同已知浓度的气体时的光谱数据，得到每种浓度气体对应的吸收光谱数据；每种浓度气体的吸收光谱数据进行同样次数的多次采集，使每种浓度气体对应着一组包含着其浓度特征信息的高维数据；2)光谱数据预处理：将采集的吸收光谱数据减去其中包含的暗光谱，并对相减后所得数据进行归一化处理；3)特征提取：利用邻域保持嵌入NPE算法对不同浓度的预处理后的数据分别进行特征提取，提取主成分；4)模型构建：将第3)步得到的不同浓度气体对应的特征数据作为训练样本，将训练样本数据送入支持向量回归SVR分类器进行训练，再基于对应的气体浓度构建反演模型；5)测试样本光谱数据采集：通过光谱仪多次采集光源发出的光通过待测浓度气体时的吸收光谱数据，得到待测浓度气体对应着的一组包含着其浓度特征信息的高维数据；6)将测试样本光谱数据按步骤2)进行预处理后再按步骤3)进行特征提取，并将得到的特征数据作为测试样本数据送入步骤4)构建好的反演模型中，反演得到待测气体浓度。