支持向量机在多组混合气体定量分析中的应用研究

发布时间：2017-04-22 22:12

  本文关键词：支持向量机在多组混合气体定量分析中的应用研究，由笔耕文化传播整理发布。

【摘要】：随着中国实体经济不断提高,汽车的保有量在逐年提高,随之带来的环境污染问题也变得越来越严重,因此,做好尾气排放检测工作变得十分重要。排放检测工作应用汽车尾气传感器,利用不分光红外吸收法对排放的混合气中有害气体进行同时测量。当进行多组分气体同时测量时,多条待测组分气体的红外吸收谱线间存在严重的重叠交叉,即存在一定的吸收干扰;此外,环境中其它组分气体对待测气体也会产生交叉干扰(如H2O和O2)的影响。这种混合气体吸收干扰的非线性问题,如果不加以回归分析及修正,将严重影响测量的灵敏度和精度。本文以不分光红外法(NDIR)的多组分气体浓度传感器为研究对象,详细阐述了国内外多组分气体浓度检测技术发展状况以及交叉干扰修正技术。接着介绍了本检测系统的原理,包括不分光检测原理、红外吸收原理以及理论推导,特别阐述了非线性建模分析技术,以消除交叉干扰的影响。最后,本文通过引入SVM算法进行建模修正,并结合网格搜索法和粒子群优化算法对参数进行寻优,将模型用于多组分混合气体的定量分析中。将遗传算法(GA)优化的BP神经网络用于气体分析中,并与支持向量机建模方法进行比较,实验表明:支持向量机方法在处理交叉干扰问题上更为优越。
【关键词】：传感器应用 支持向量机 粒子群优化 遗传算法 定量分析
【学位授予单位】：中国计量学院
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：X831;TP18
【目录】：

• 致谢5-6
• 摘要6-7
• Abstract7-13
• 1 绪论13-30
• 1.1 研究背景、选题的科学依据及意义13-16
• 1.2 多组分气体浓度检测与交叉干扰修正技术研究进展16-19
• 1.2.1 国外多组分气体浓度检测与交叉干扰修正技术发展16-17
• 1.2.2 国内多组分气体浓度检测与交叉干扰修正技术发展17-19
• 1.3 多组分气体浓度检测技术概述19-27
• 1.3.1 独立成分分析技术19-20
• 1.3.2 傅里叶变换红外光谱技术20-21
• 1.3.3 人工神经网络技术21-24
• 1.3.4 小波分析技术24-25
• 1.3.5 支持向量机技术25-27
• 1.4 论文的主要研究内容及结构布局27-29
• 1.4.1 论文的主要研究内容27
• 1.4.2 论文的结构布局27-29
• 1.5 本章小结29-30
• 2 多组分气体检测系统原理30-39
• 2.1 不分光红外检测原理30-31
• 2.2 红外光谱吸收31-33
• 2.2.1 红外光谱吸收原理31-32
• 2.2.2 红外光谱吸收的优点32-33
• 2.3 红外光谱吸收波段的选择33-34
• 2.4 理论推导和计算34-37
• 2.5 红外光谱检测法的干扰修正37-38
• 2.6 本章小结38-39
• 3 干扰修正——非线性建模分析技术39-46
• 3.1 气体定量分析校正技术39
• 3.2 基于核函数的非线性建模39-41
• 3.2.1 核函数的基本原理39-40
• 3.2.2 核函数方法的特点40
• 3.2.3 不同的基于核函数的方法40-41
• 3.3 异常检测与稳健建模41-45
• 3.3.1 异常检测42-44
• 3.3.2 稳健建模44-45
• 3.4 本章小结45-46
• 4 支持向量机算法在混合气体定量分析中的应用46-56
• 4.1 支持向量机参数的优化46
• 4.2 GS—SVM算法的应用46-50
• 4.2.1 网格搜索（Grid Search，，GS）法的基本思想46
• 4.2.2 改进的网格搜索法46-47
• 4.2.3 样本选择及优化47-49
• 4.2.4 仿真与分析49-50
• 4.3 PSO—SVM算法的应用50-55
• 4.3.1 粒子群优化（Particle Swarm Optimization，PSO）的基本思想50-51
• 4.3.2 样本选择及优化51-53
• 4.3.3 仿真与分析53-55
• 4.4 本章小结55-56
• 5 人工神经网络算法在气体定量分析中的应用56-66
• 5.1 基于MATLAB的BP神经网络设计56-58
• 5.1.1 BP神经网络的创建56-57
• 5.1.2 BP神经网络的初始化57
• 5.1.3 BP神经网络的训练57-58
• 5.1.4 BP神经网络的预测58
• 5.1.5 BP神经网络的泛化能力58
• 5.2 遗传算法优化BP神经网络58-61
• 5.2.1 遗传算法原理58-59
• 5.2.2 遗传算法的基本操作59
• 5.2.3 算法流程59-60
• 5.2.4 算法实现60-61
• 5.3 样本选择及优化61-63
• 5.4 仿真与分析63-65
• 5.5 本章小结65-66
• 6 总结与展望66-68
• 6.1 论文总结66
• 6.2 未来展望66-68
• 参考文献68-73
• 作者简介73

【相似文献】

中国期刊全文数据库 前10条

1 张鸿雁;;基于树状结构的支持向量机多分类方法[J];煤矿机械;2008年06期

2 袁晓鹰;邵元海;王震;;基于支持向量机煤炭产地的鉴别研究[J];洁净煤技术;2011年04期

3 陈文杰,王晶;支持向量机在工业过程中的应用[J];计算机与应用化学;2005年03期

4 胡哲;郑诚;闵鹏鹏;;支持向量机及其应用研究[J];重庆科技学院学报(自然科学版);2008年02期

5 杨静;殷志祥;崔健中;;支持向量机的蛋白质远程同源检测方法分析[J];安徽理工大学学报(自然科学版);2009年03期

6 王永;程灿;戴明军;孙永;;一种半监督支持向量机优化方法[J];工矿自动化;2010年12期

7 丁胜锋;;一种改进的双支持向量机[J];辽宁石油化工大学学报;2012年04期

8 郑小霞;钱锋;;基于小波和支持向量机的故障趋势预报[J];计算机与应用化学;2008年01期

9 王平;;基于支持向量机的空气降尘预测[J];科技情报开发与经济;2009年02期

10 刘培胜;贾银山;韩云萍;;一种改进的简化支持向量机[J];辽宁石油化工大学学报;2009年01期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e

本文编号：321389