专利名称：多组分气体傅立叶变换光谱分析的多分析模型信息融合方法
技术领域：
本发明涉及光谱在线定量分析领域，涉及一种多组分气体傅立叶变换红外光谱多分析模型的信息融合方法。
背景技术：
傅立叶变换红外光谱分析是多组分气体在线定量分析的重要方法之一。气体分析涉及到科学研究、矿井安全、环境保护、设备的故障诊断、产品质量的检测、天然气与石油勘探录井等多个领域。在这些领域中，组分气体的在线定量分析发挥着非常重要的作用。如变压器的故障诊断方法中，有一种就是通过检测变压器油中乙炔等气体的含量来识别的，天然气的燃烧值是通过检测天然气中甲烷、乙烷等组分的含量来确定的。虽然气体吸 收光谱的光谱分析是气体定量分析的一种重要方法，但这种方法还存在一些没有解决的问题，其中之一就是光谱基线的漂移，待分析气体中可能存的干扰气体，谱线的噪声会给分析结果带来偏差。在存在多种具有相同分子基团的组分情况下，如丙烷、异丁烷、正丁烷等烷烃气体都具有-CH2-基团，由于其吸收光谱严重交叠，光谱所形成的矩阵条件数大，光谱中一点小的干扰就可能引入大的偏差。为了尽可能得到更为准确的分析结果，需要想办法降低这些偏差的水平。此外，光谱线的灵敏度与气体的大浓度分析范围总是一对矛盾的问题。如何在大浓度范围与灵敏度之间进行无缝连接，在小浓度范围时能实用高吸光度谱线进行气体分析，而在大浓度范围时，考虑到高吸光度谱线已经吸收饱和，能用合适吸光度的谱线进行分析。
发明内容
本发明的目的在于，提供一种多组分气体傅立叶变换红外光谱分析的多模型信息融合方法，提高分析结果准确性。为了实现上述任务，本发明采用如下技术解决方案—种多组分气体傅立叶变换红外光谱分析的多模型信息融合方法，该方法为每种气体的提取多个特征变量，然后根据特征变量之间的不同组合建立多个分析模型，并估计各模型在不同气体浓度时的噪声水平，在实际的多组分气体光谱在线分析过程中，根据各模型的分析结果及噪声水平，对其分析结果进行加权平均，以获得更为准确的分析结果。特征变量提取的方法是Tikhonov正则化方法或者是前向选择法；对于以吸光度为输出的光谱图，Tikhonov正则化法是基于式(I)的线性模型的Yi = XBj+E (Ia)式中X包含m个标定样本在w条谱线上的光谱Ji是mXl的向量，它包含了第i种被分析气体的浓度信息办是wX I的回归向量，表示第i种气体的特征变量系数；E也是mX I的向量,表不随机误差；对于以透射率为输出的光谱图，模型修改为Yi = -In(X)BJE (Ib)
式中ln( )是表示自然对数运算。是将⑴式转化为式⑵最优化问题求解min(||XB-y|[+A||LB|￡)(2)式中Il Il p表示回归向量的p-模，p = 2时就是欧几里模；I彡a, b L表示一个正则化算子，它迫使B的估计值属于相应的特性良好的函数的子空间；X表示控制第2项相对于第I项的权值;min( )表示最小值求取算子；明显地，式(3)中的第一项是最小化式(2)中的随机误差E，而第2项则是为了最小化回归向量B，以获得灵敏度高、信噪比高的特征谱线，以提高标定模型分析结果的准确性；对于前向选择法，其方法是观察并比对相同浓度的各组分气体的吸收光谱，估计各组分气体吸收光谱的交叠程度，并按照交叠程度将这些光谱图进行排序，首先为交叠度最低的气体选择特征变量，然后依次为每种气体提取特征变量；其步 骤如下(I)为第一种气体寻找两条或多条谱线的组合，使得其对该种气体的灵敏度最高，而对其它气体的灵敏度尽可能得低；(2)为第二种气体的寻找两条或多条谱线的组合，使得它对该种气体的灵敏度大于第三种及以后的气体的灵敏度；(3)为第三种气体的寻找两条或多条谱线的组合，使得它对该种气体的灵敏度大于第四种及以后的气体的灵敏度。第四种及以后的气体，以此类推。各组分气体的分析模型采用多项式偏最小二乘法，或者采用前向神经网络法来建立；每个模型的输入集合中，包含每种气体的一个特征变量；特征变量组合中存在某个空间，所有的特征变量所包含的谱线均没有吸收饱和，即透射率在0. I以上；采用偏最小二乘法建模的模型时，其形式为
NNNNN yim = J ajfjm +X S Pkjfkmfjm + S S+e(3)
J=I^=1 J=Ik = \ J=I式中Xm表示第m个样本的光谱值向量；yim表示第i种气体的第m个估计浓度；fim=XmBi表示第i种气体的第m个样本的特征变量值；e表示模型的残差；N表示气体的种类数；apPw和qw是模型的待定系数，其估计公式为Pi = inv (Fi A Fi1) Fi1 A Yi (4)式中Pi = [aj, pkJ, qw]，表示第i种气体多项式偏最小二乘法模型的系数向量，Fi=[fi f2r，&]，A为用户设定的权值，Yi = [yn, yi2,…，yiM]T，上标T表示转置算子，M表示样本的数量。采用前向神经网络法进行分析模型建模时，网络的隐层节点响应函数为S型函数Si =-—-I f, = X，0=1,2,-,S)(5)
\ + e~ly=i式中Si表不隐层第i个节点的输出，h表不隐层第i个节点的总输入，Wji表不隐层第i个节点与输入层第j个节点的连接权值，隐层一共有S个节点，S > N ;输出层节点响应函数为线性函数Yi = T^d1Jt=yZvPsJ ' 0=1,2,-,N)(6)
__ j=i
式中!Ti表不输出层第i个节点的总输入，Vji表不隐层第j个节点与输出层第i个节点的连接权值，Yi表示输出层第i个节点的输出，Cli表示输出层第i个节点截长，网络的参数Wy Vji和Cli学习算法采用动量法Wji (k+1) = Wji (k) - a (i) [ (I-入)A Wji (k) + 入 A Wji (k_l) ] (7a)
Vji (k+1) = Vji (k) - ^ ⑴[(I-入)A VjiQO +入 AVji(H)] (7b)Cli (k+1) = Cli (k) - y (i) [ (I-入)A Cli (k) + 入 A Cli (k_l) ] (7c)式中a (i)、@⑴和Y⑴分别为气体权值Wp Vji和截长Cli的学习率，\为动量因子，且0彡A ( I ;对于AWy AVji 八屯分别用下式
]le
AF； = g(Vfl,…,Vp+e,…,VJN,Wp,…,Vp,…,VJN,Wp,Cii)
]leAd - g(%Oi，...,4 + ...A)-SjWjnVj^dl,-..,4,...,0
]le式中e是一个足够小的量，可取e=0. 001，函数f( )是由附图2的前向神经网络结构在式(5)和(6)响应函数情况下形成的函数。各组分气体的每个模型的信噪比采用如下步骤估计I)估计每条谱线的噪声水平；在气室中充满氮气，并连续扫描光谱8 15次左右，求每条谱线的均方根。对于以透射率为输出的光谱，按式(9)计算~xi)
^ =^2-JTTl —(9)式中L表示扫描的次数，Axi表示第i条谱线的均方差，Xu表示第j次扫描第i条谱线的谱线值，S表示L次光谱扫描结果中第i条谱线的均值；而对于以吸光度为输出的光谱，每条谱线值进行指数运算exp (-Vu)后代入式(9)进行计算；2)估计特征变量&的噪声水平，对于以透射率和吸光度为输出的光谱图，给定光谱数据X以后，特征变量的噪声分别由式(IOa)和(IOb)估计，或者分别由式(Ila)和(Ilb)估计Afi = 2^ I 如；/ xj(I Oa)
；=1A/； = I*,J Ax; /exp(-x;)(IOb)
；=iAfi = 2^(b~Ax~/x~f(lla)4/； =2^(^ Ax;/exp(-x;))2(Hb)式中bj是由特征变量提取算法确定的向量Bi的第j个元素，这里R表述Bi的长度；3)估计每个分析模型的噪声水平。首先估计每组分气体分析模型对每个输入A的微分Ag.，…，人(儿…， ^，…，人)(12)
Jkie式中gjk( )表示由步骤2)的前向神经网络或多项式确定的第j组分气体的第k个分析模型，e是一个很小的量，直接设定为0. 0005 0. 005之间的数；然后按式(13)进行该模型的噪声的估计(AgjklAfl)2(13)
式中5 Jk表示第j组分气体的第k个分析模型的噪声水平。各组分气体的最终分析结果的信息融合按式(14)进行少j= hk 上(14)式中表示第j组分气体的第k个分析模型的分析结果，叉表示第j组分气体的融合结果，K表示第j组分气体的分析模型个数，^和h是由分模型噪声水平估计的系数，由式(15)估计
K 辱OS)。
k=l Ujk该方法为每种气体的提取多个特征变量，然后根据特征变量之间的不同组合建立多个分析模型，并估计各模型在不同气体浓度时的噪声水平，在实际的多组分气体光谱在线分析过程中，根据各模型的分析结果及噪声水平，对其分析结果进行加权平均，以获得更为准确的分析结果。本方法可用于石油、天然气勘探的气测录井，矿井安全，产品质量检查与故障诊断、五金、化工、环境保护等涉及多组分气体光谱定量分析的应用领域中。
图1(a)是浓度均为I %的甲烷、乙烷、丙烷、异丁烷和正丁烷五组分气体的傅立叶变换中红外吸收光谱图；图1(b)是浓度均为IOOOppm的甲烷、乙烷、丙烷、异丁烷和正丁烷五组分气体在2800 3100波数段的吸收光谱图；图1(c)是浓度均为I %的甲烷、乙烷、丙烷、异丁烷和正丁烷五组分气体的低波数段傅立叶变换中红外吸收光谱图；图2(a)多输出两层前向神经网络结构图；图2(b)单输出两层前向神经网络结构图。
具体实施例方式以下以甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷和正戊烷的傅立叶变换中红外吸收光谱在线分析为例，来说明本发明的
具体实施例方式
不失一般性，本发明以石油、天然气勘探气测录井过程中所需要的分析的气体的光谱分析为例，结合本发明的原理对本发明的实施方式作进一步的详细说明。气测录井所要分析的气体包括甲烷、乙烷、丙烷、异丁烷和正丁烷，其傅立叶变换中红外吸收光谱图如图I所示。I)在不同的波数段范围内为每种气体提取不同特征变量。提取的方法可以是Tikhonov正则化方法,也可以使是前向选择法。对于以吸光度为输出的光谱图，Tikhonov正则化法是基于式(I)的线性模型的Yi = XBj+E (Ia)式中X包含m个标定样本在w条谱线上的光谱Ji是mXl的向量，它包含了第i种被分析气体的浓度信息办是wX I的回归向量，表示第i种气体的特征变量系数；E也是mX I的向量,表不随机误差。对于以透射率为输出的光谱图，模型修改为 Yi = -In (X) Bj+E (Ib)式中ln( )是表示自然对数运算。是将⑴式转化为式⑵最优化问题求解min(||XB-y|[+A||LB|￡)(2)式中Il Il p表示回归向量的p-模，p = 2时就是欧几里模；I彡a, b L表示一个正则化算子，它迫使B的估计值属于相应的特性良好的函数的子空间；X表示控制第2项相对于第I项的权值;min( )表示最小值求取算子。明显地，式(3)中的第一项是最小化式(2)中的随机误差E，而第2项则是为了最小化回归向量B，以获得灵敏度高、信噪比高的特征谱线，以提高标定模型分析结果的准确性；对于前向选择法，其方法是观察并比对相同浓度的各组分气体的吸收光谱，估计各组分气体吸收光谱的交叠程度，并按照交叠程度将这些光谱图进行排序，首先为交叠度最低的气体选择特征变量，然后依次为每种气体提取特征变量。其步骤如下(I)为第一种气体寻找两条或多条谱线的组合，使得其对该种气体的灵敏度最高，而对其它气体的灵敏度尽可能得低；(2)为第二种气体的寻找两条或多条谱线的组合，使得它对该种气体的灵敏度大于第三种及以后的气体的灵敏度；(3)为第三种气体的寻找两条或多条谱线的组合，使得它对该种气体的灵敏度大于第四种及以后的气体的灵敏度。其它依次类推。2)采用多项式偏最小二乘法、前向神经网络法为每种目标气体在不同的浓度范围段内采用在不同波数段提取的特征变量组合进行分析模型建模，每个模型的输入集合中，包含每种气体的一个特征变量。特征变量组合中存在某个空间，所有的特征变量所包含的谱线均没有吸收饱和，即透射率在0. I以上；采用偏最小二乘法建模的模型时，其形式为
NNNNNyim = J ajfjm +X S Pkjfkmfjm +ES+e(3)
J=I^=1 J=Ik = \ J=I式中Xm表示第m个样本的光谱值向量；yim表示第i种气体的第m个估计浓度；fim=XmBi表示第i种气体的第m个样本的特征变量值；e表示模型的残差；N表示气体的种类数；apPw和qw是模型的待定系数，其估计公式为
权利要求
1.一种多组分气体傅立叶变换红外光谱分析的多模型信息融合方法，其特征在于，该方法为每种气体的提取多个特征变量，然后根据特征变量之间的不同组合建立多个分析模型，并估计各模型在不同气体浓度时的噪声水平，在实际的多组分气体光谱在线分析过程中，根据各模型的分析结果及噪声水平，对其分析结果进行加权平均，以获得更为准确的分析结果。
2.根据权利要求I所述的多模型信息融合方法，其特征在于，特征变量提取的方法是Tikhonov正则化方法或者是前向选择法； 对于以吸光度为输出的光谱图，Tikhonov正则化法是基于式(I)的线性模型的 Yi = XBj+E (Ia) 式中X包含m个标定样本在w条谱线上的光谱Ji是mXl的向量，它包含了第i种被分析气体的浓度信息屯是wX I的回归向量，表示第i种气体的特征变量系数；E也是mX I的向量，表不随机误差；对于以透射率为输出的光谱图，模型修改为 Yi = -In(X)BfE (Ib) 式中ln( )是表示自然对数运算。是将(I)式转化为式(2)最优化问题求解
3.根据权利要求I所述的多模型信息融合方法，其特征在于，各组分气体的分析模型采用多项式偏最小二乘法，或者采用前向神经网络法来建立；每个模型的输入集合中，包含每种气体的一个特征变量；特征变量组合中存在某个空间，所有的特征变量所包含的谱线均没有吸收饱和，即透射率在0. I以上； 采用偏最小二乘法建模的模型时，其形式为
4.根据权利要求I所述的多模型信息融合方法，其特征在于，各组分气体的每个模型的信噪比采用如下步骤估计 I)估计每条谱线的噪声水平；在气室中充满氮气，并连续扫描光谱8 15次左右，求每条谱线的均方根；对于以透射率为输出的光谱，按式(9)计算
5.根据权利要求I所述的多模型信息融合方法，其特征在于，各组分气体的最终分析结果的信息融合按式(14)进行 (14)
全文摘要
本发明公开了一种多组分气体傅立叶变换红外光谱在线分析的信息融合方法，该方法首先采用常规多组分气体的特征变量提取方法、分析模型建立方法，为每种目标气体建立多个分析模型，然后建立每个模型的噪声水平估计模型。对于给定的光谱图，计算每个模型的结果，估计其噪声水平，并根据各模型的噪声水平估计其权值系数。最后对同一种目标气体的分析模型进行加权平均，计算该组分气体的最终分析结果，以提高多组分气体光谱分析结果的准确度。本方法可用于石油、天然气勘探的气测录井，矿井安全，产品质量检查与故障诊断、五金、化工、环境保护等涉及多组分气体光谱定量分析的应用领域中。
文档编号G01N21/35GK102680425SQ20121007650
公开日2012年9月19日 申请日期2012年3月21日 优先权日2012年3月21日
发明者刘君华, 张钟华, 朱凌建, 李玉军, 汤晓君, 赵安新 申请人:西安交通大学