贝叶斯神经网络与FTIR技术在多气体定量分析中的应用研究

论文摘要

大气污染对人类的健康及生活环境造成了巨大危害,也破坏了整个自然界的生态平衡。因此,为了地球的可持续发展,需要对污染源采取相关的监测手段进行分析预报,以便于展开相应的控制和治理工作。常规的气体检测技术在适用范围、灵敏度、使用寿命和可靠性等方面都有限制和不足,而傅里叶变换红外光谱技术（FTIR）以其应用范围广、灵敏度高、精度高和使用寿命长等特点成为较为理想的气体检测方法。本文对傅里叶变换红外光谱技术的应用和发展进行了阐述,并分析了红外定量分析方法的国内外研究现状,在此基础上搭建了多组分配气及光谱采集系统,选择了三种常见的有毒气体CO、NO、NO2进行分析。根据动态流量配气法,通过控制精密流量计配制了不同比例的混合气体,并通过光谱仪采集了大量光谱数据样本。针对多组分低浓度气体同时测定的复杂非线性关系,选择采用人工神经网络法进行建模分析。在研究了神经网络各种改进型算法优缺点的基础上,根据红外光谱数据量大以及定量精度要求高的特点,采用主成分分析与贝叶斯正则化方法对神经网络进行改进。首先对采集到的光谱区间进行合理选择,然后用主成分分析法对高维吸光度数据进行了降维,最后用贝叶斯正则化法对神经网络的误差目标函数进行了改进,通过MATLAB神经网络开发环境进行了建模并优化了模型参数。用预测样本集对模型进行了验证,结果表明对三种气体的定量拟合精度达到了0.974,预测均方根误差小于20ppm。对比常规未降维神经网络和目前应用广泛的LM神经网络,结果表明主成分-贝叶斯神经网络模型在红外定量分析应用中可以实现更好的建模速度和预测精度。

论文目录

• 摘要
• Abstract
• 1 引言
• 1.1 选题的背景、目的及意义
• 1.2 大气污染来源及危害
• 1.3 气体检测技术概述
• 1.3.1 常规检测方法
• 1.3.2 傅里叶变换红外光谱技术
• 1.4 红外光谱定量分析方法的国内外研究现状
• 1.5 本课题的研究目标及主要内容
• 2 傅里叶变换红外光谱原理
• 2.1 FTIR 基本原理
• 2.2 FTIR 谱图的获取
• 2.3 朗伯比尔定律
• 2.4 红外光谱定量分析过程
• 3 人工神经网络原理
• 3.1 BP 神经网络原理
• 3.1.1 人工神经元模型
• 3.1.2 BP 神经网络结构
• 3.1.3 BP 神经网络的优缺点分析
• 3.2 BP 神经网络设计的基本方法
• 3.3 BP 神经网络常用训练方法
• 4 改进的BP 神经网络
• 4.1 主成分分析
• 4.1.1 主成分分析的基本思想
• 4.1.2 主成分分析的计算方法
• 4.2 贝叶斯正则化
• 4.2.1 正则化神经网络
• 4.2.2 神经网络的贝叶斯学习方法
• 4.3 模型质量的评价方法
• 5 实验系统及定量分析模型的设计
• 5.1 实验系统及控制过程介绍
• 5.2 样本配比及采集过程
• 5.3 样本数据选择
• 5.4 定量分析模型的建立
• 5.4.1 主成分分析进行数据降维
• 5.4.2 降维后的神经网络
• 5.5 贝叶斯神经网络实验
• 5.6 结论
• 6 全文总结及展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文