SVR在红外瓦斯检测技术中的应用研究

发布时间：2017-09-25 22:23

  本文关键词：SVR在红外瓦斯检测技术中的应用研究

  更多相关文章： 红外气体检测技术 差分吸收模型 SVR 萤火虫算法 步长因子

【摘要】：瓦斯浓度的准确检测对人们的生活和工业生产具有重要意义。相比传统的检测方法,红外气体检测技术因其具有灵敏高、测量范围宽、响应迅速等优点,成为气体检测领域中的研究热点。然而该技术易受环境因素影响,在实际中直接使用会产生较大的测量误差。双波长单光路差分吸收模型可以一定程度上消除部分误差,但是这种补偿能力是有限的。为了提高测量精度,本文在差分吸收模型的基础上,提出了基于SVR(Support Vector Regression, SVR)的测量误差预测模型。在研究SVR的相关理论过程中,发现SVR的回归性能与参数值的选取紧密相关。为提高SVR的拟合效果,又提出了基于萤火虫算法的参数选取方法,并且针对基本萤火虫算法存在因固定步长导致收敛速度较慢、求解精度不高的问题,引入步长因子使步长大小能够自适应调整。通过对标准函数的测试和housing数据集的回归实验,验证了改进方法的有效性。最后,本文构建了红外瓦斯检测系统,并在此基础上应用误差预测模型对瓦斯浓度进行了检测,实验结果表明基于SVR的误差预测模型可以提高红外瓦斯检测技术的测量精度。
【关键词】：红外气体检测技术 差分吸收模型 SVR 萤火虫算法 步长因子
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TD712;TP18
【目录】：

• 致谢7-8
• 摘要8-9
• ABSTRACT9-14
• 第一章 绪论14-21
• 1.1 背景与现实意义14-15
• 1.2 红外气体检测技术在传感器中的应用发展15-16
• 1.3 建立基于SVR的误差预测模型的必要性16-18
• 1.3.1 统计学习理论概述16
• 1.3.2 支持向量机的优点16-17
• 1.3.3 误差预测模型的必要性17-18
• 1.4 常见的支持向量机的参数选取优化算法18-19
• 1.5 本文的主要工作19-21
• 第二章 红外气体检测技术在瓦斯测量中的应用研究21-28
• 2.1 气体分子的红外选择吸收理论21-22
• 2.2 Lambert-Beer气体吸收定律22
• 2.3 气体差分吸收检测模型22-25
• 2.3.1 单波长双光路23-24
• 2.3.2 双波长单光路24-25
• 2.4 红外瓦斯传感器的主要部件介绍25-27
• 2.4.1 红外光源25-26
• 2.4.2 气室26
• 2.4.3 红外探测器26-27
• 2.5 本章小结27-28
• 第三章 基于SVR的误差预测模型的相关理论研究28-47
• 3.1 统计学习理论28-31
• 3.1.1 机器学习28-29
• 3.1.2 经验风险最小化原则29-30
• 3.1.3 VC维与推广性的界30-31
• 3.1.4 结构风险最小化原则31
• 3.2 支持回归机向量机31-39
• 3.2.1 支持向量分类机32-36
• 3.2.2 ε不敏感损失函数36-37
• 3.2.3 核技巧37-38
• 3.2.4 支持向量回归机38-39
• 3.3 萤火虫算法及其改进39-46
• 3.3.1 群智能优化算法39-41
• 3.3.2 基本的萤火虫算法41-44
• 3.3.3 萤火虫算法的改进44
• 3.3.4 改进的萤火虫算法在函数优化中的实验44-46
• 3.4 本章小结46-47
• 第四章 误差预测模型及实验47-59
• 4.1 支持向量回归机的参数选取研究47-52
• 4.1.1 惩罚系数C和核参数g对SVR性能影响的实验47-49
• 4.1.2 改进的萤火虫算法在SVR参数选取中的应用49-52
• 4.2 误差预测模型的建立52
• 4.3 实验系统构建52-56
• 4.3.1 系统硬件设计53-54
• 4.3.2 系统软件设计54-56
• 4.4 基于SVR误差预测模型的瓦斯浓度测量实验及结果分析56-58
• 4.5 本章小结58-59
• 第五章 总结与展望59-61
• 5.1 本文主要工作59
• 5.2 进一步工作59-61
• 参考文献61-63
• 攻读硕士论文期间发表的论文及参与的科研项目63-64

【相似文献】

中国期刊全文数据库 前10条

1 童敏明;恒温瓦斯检测的动态分析[J];中国矿业大学学报;2000年03期

2 赵广新,董凤宝;测定瓦斯检测仪器数据误差的规律探讨[J];水力采煤与管道运输;2005年04期

3 苏玉娜;向阳;;井下瓦斯检测与人员定位系统一体化研究[J];科技咨询导报;2007年09期

4 张早春;马以武;王正宏;;恒温瓦斯检测模型动态分析及控制[J];传感技术学报;2007年10期

5 张旭辉;毛清华;陈磊;姜俊英;;智能瓦斯检测系统的可视化标定[J];煤矿机械;2009年03期

6 陈庆陆;柳增运;;便携式矿用瓦斯检测系统设计[J];山西电子技术;2011年01期

7 谢建民;再谈数理统计在瓦斯检测中的应用[J];煤炭工程师;1990年01期

8 徐瑛;500新型高灵敏瓦斯检测系统[J];煤矿自动化;1991年01期

9 王如良;;一种智能型瓦斯检测系统[J];炼油化工自动化;1993年05期

10 赫淑坤;分子筛做瓦斯检测仪器选气装置的研究[J];河北煤炭;1996年03期

中国重要会议论文全文数据库 前2条

1 肖鸣;;智能光干涉瓦斯检测仪器的设计与研究[A];赣闽皖苏湘五省煤炭学会联合学术交流会论文集[C];2004年

2 李雯;陈国民;;光谱吸收在瓦斯检测中的应用[A];煤矿机电一体化新技术学术会议论文集[C];2010年

中国重要报纸全文数据库 前1条

1 本报记者 冯淮河 杨晓东;责任让我守规章[N];中国安全生产报;2006年

中国硕士学位论文全文数据库 前10条

1 汤世祥;SVR在红外瓦斯检测技术中的应用研究[D];合肥工业大学;2016年

2 王晶;双光束嵌入式瓦斯检测系统研究[D];西北大学;2009年

3 陈磊;智能瓦斯检测系统的研制[D];西安科技大学;2010年

4 陈新军;基于催化燃烧型瓦斯检测的设计与实现[D];北京交通大学;2007年

5 王昕;高性能红外瓦斯检测系统的硬件设计[D];西北大学;2008年

6 张秉涛;Duffing混沌系统理论在煤矿瓦斯检测中的应用研究[D];西安科技大学;2011年

7 毕宜栋;在线式瓦斯检测员考勤系统[D];山东科技大学;2008年

8 瞿明;红外吸收式瓦斯检测系统开发[D];兰州理工大学;2011年

9 高宗丽;基于自适应干扰抑制技术的红外瓦斯检测系统的研究[D];吉林大学;2015年

10 张宪栋;煤矿瓦斯检测作业跟踪与智能管理系统[D];山东科技大学;2006年

，

本文编号：919917