[go: up one dir, main page]

CN116663433B - 一种基于差分吸收光谱仪的差分优化方法 - Google Patents

一种基于差分吸收光谱仪的差分优化方法 Download PDF

Info

Publication number
CN116663433B
CN116663433B CN202310942708.8A CN202310942708A CN116663433B CN 116663433 B CN116663433 B CN 116663433B CN 202310942708 A CN202310942708 A CN 202310942708A CN 116663433 B CN116663433 B CN 116663433B
Authority
CN
China
Prior art keywords
differential
absorption
gas
spectrum
section
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310942708.8A
Other languages
English (en)
Other versions
CN116663433A (zh
Inventor
杜立彬
吕文洁
杨德旺
孔玲
袁一博
孟祥谦
刘少真
崔童
王子奕
柳佳浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202310942708.8A priority Critical patent/CN116663433B/zh
Publication of CN116663433A publication Critical patent/CN116663433A/zh
Application granted granted Critical
Publication of CN116663433B publication Critical patent/CN116663433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Immunology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开一种基于差分吸收光谱仪的差分优化方法，属于电数据处理技术领域，用于进行光数据的差分优化，包括通过差分吸收光谱仪获取吸收光谱的波长和光强信息，由光谱中的吸收光强推算出气体的浓度值，使用比尔朗伯定律，根据气体消光作用过滤掉对光谱中对波长依赖性低的慢变化部分，除掉慢变化部分以及瑞利散射和米散射消光系数，得到仅表示气体分子吸收的差分光学密度；利用福格特函数对各种气体对应特征波长段的吸收谱线进行展宽，将差分光学密度与参考谱进行最小二乘法拟合，反演获取当前测量环境中的最终气体浓度值。本发明通过改良优化传统的差分吸收算法，对求解多种气体浓度值提升了精度，同时可以适应多种复杂的环境。

Description

一种基于差分吸收光谱仪的差分优化方法
技术领域
本发明公开一种基于差分吸收光谱仪的差分优化方法，属于电数据处理技术领域。
背景技术
一般的仪器只能检测单一的气体浓度，不能同时检测多种气体浓度，如何实时检测各种污染气体并根据当地空气质量标准进行报警是当前环境下的研究重点。差分吸收光谱技术，弥补传统仪器的不足，可以同时检测多种气体的浓度；差分吸收光谱技术以太阳散射光或人工引入探测光作为光源，获取散射光的波长和光强，在获取到光源信息后，通过差分吸收算法对多种气体浓度信息进行反演，从而获取多种气体实时的浓度值。差分吸收光谱仪具有平台易搭建、反演气体浓度种类多、可多平台观测等优点。对于传统的差分吸收技术，标准吸收截面的获取一般是由光谱数据库中紫外可见波段高分辨率标准吸收截面提供，该种吸收截面数据是由高分辨率光谱仪在常温下的气体吸收截面，实际情况中，想要获取多种不同的气体浓度，这些气体在不同温度下的吸收截面有所差异，这会导致数据误差的增大。另外在低浓度的测量环境下，由于光程、浓度和杂质等许多环境条件的影响，吸收光谱中包含待测气体浓度的信息量少，差分吸收算法求解的气体浓度值会产生较大的误差，这种误差甚至会在10%以上。针对以上差分吸收算法的缺陷，对传统算法进行优化改进，使其能够满足多条件、高精度的要求，在更复杂的条件下也可以更精确的求得多种待测气体的浓度。
发明内容
本发明的目的在于提供一种基于差分吸收光谱仪的差分优化方法，以解决现有技术中，差分吸收技术数据误差大的问题。
一种基于差分吸收光谱仪的差分优化方法，包括：
S1.通过差分吸收光谱仪获取吸收光谱的波长和光强信息，由光谱中的吸收光强推算出气体的浓度值，使用比尔朗伯定律，根据气体消光作用过滤掉光谱中的慢变化部分；
S2.通过数字滤波分离吸收光谱中快变化与慢变化部分；
S3.去除掉慢变化部分以及瑞利散射和米散射消光系数，得到仅表示气体分子吸收的差分光学密度；
S4.利用福格特函数对各种气体对应特征波长段的吸收谱线进行展宽；
S5.经过数据处理获取到有效吸收截面后，将有效吸收截面作为参考谱，将差分光学密度与参考谱进行最小二乘法拟合；
S6.反演出气体浓度后进行判断，基于遗传算法加入灾变周期自适应交叉操作进行优化；
S7.反演获取当前测量环境中的最终气体浓度值。
S1包括：
光谱中快变化与慢变化部分与透射光强的关系如下式：
；
式中，为某一波长处紫外光的透射光强，/>为某一波长处紫外光的入射光强，n为气体种类的数量，/>表示宽带结构光谱，即光谱中的慢变化部分，/>为差分吸收截面，即光谱中的快变化部分，/>表示第i种在传输光路s处的物质浓度，/>和/>分别为瑞利散射和米散射消光系数。
S2包括：
高通滤波采用六阶多项式拟合波段内的吸收光谱：
；
式中，为拟合后的光强，/>为系数，/>为波长。
S2包括：
低通滤波采用萨维茨基-戈莱平滑去噪：
；
式中，为平滑后的数据，/>为平滑系数，/>为平滑前数据。
S3包括：
。
S4包括：
福格特函数为：
；
其中表示多普勒展宽半宽，/>表示气体在波束/>处的吸收线强，根据温度对吸收截面的影响，F的温度相关性表示为：
；
表示参考温度/>时的吸收线强，/>为实际温度，/>为参考温度，/>为分子低能态能量，/>为普朗克常量，/>为光速，/>为玻尔兹曼常量，t表示可变常数；
x和y为中间系数：
，/>；
表示每条吸收线的中心波束，/>表示压力展宽半宽。
S4包括：
多普勒展宽半宽和压力展宽半宽/>的温度和压力相关性分别表示为：
，/>；
式中，为无量纲量，对称分子时取1，非对称分子取1.5；/>表示实际大气压，/>表示参考展宽值，/>表示参考大气压，M表示气体分子质量；
根据实际情况中的温度和大气压，对比参考温度和大气压，计算获得当前的高分辨率水汽吸收截面，再将获得的参考截面与光谱仪仪器函数曲线进行卷积，得到每种气体的当前有效吸收截面。
S5包括：
设表示第/>种气体反演浓度，根据/>的计算式，有：
，/>；
将的多项式改写为矩阵形式：
；
式中，表示第i行第m列对应的/>分量，/>第i行对应的/>分量，由此得到第/>种气体的差分光学密度/>和有效吸收截面/>，进而反演出气体的浓度/>。
S6包括：
S6.1.采用十进制进行编码，编码中，每个个体包含个基因编码值/>,/>为编码后的气体浓度，每个群体由10个随机的初始化个体组成，并且满足：
；
S6.2.选取适应度函数为：
；
式中，为第/>个采样点，/>为光谱采样点波长的个数，/>为编码后的气体浓度，/>为差分吸收截面，/>为拟合后的曲线中第/>个采样点的吸光度值。
S6包括：
S6.3.选择操作，计算适应度的平均值，选取小于适应度的平均值的个体进入到下一代中；
S6.4.加入灾变周期自适应交叉操作，定义交叉概率为：
；
式中，表示交叉概率，/>表示当前已经发生的灾变次数，/>表示小于1的定值，/>表示用于调节交叉概率变化范围的整数，/>表示种群进行到第/>代遗传操作；
S6.5.终止操作，当最后个体的求解浓度值达到要求的阈值时，优化算法将适应值最小的个体作为真实值进行输出，优化算法最终求解的浓度值误差范围在阈值范围以内。
相对比现有技术，本发明具有以下有益效果：通过改良优化传统的差分吸收算法，对求解多种气体浓度值提升了精度，同时可以适应多种复杂的环境；
为了适应更多不同的环境，在不同温度下，可以有效精确标准吸收截面，通过Voigt函数对各种气体对应特征波长段的吸收谱线进行了展宽，再将获得的参考截面与光谱仪仪器函数曲线进行卷积，最终得到每种气体的当前有效吸收截面，从而降低了误差；
为适应浓度小、光程短的环境，将遗传算法融入最终的数据处理过程，通过编码、定义适应度函数、选择、遗传、终止，优化算法，提高数据的精确度；
为了降低遗传算法的“早熟”现象，在使用遗传算法优化中，加入灾变周期自适应交叉操作，通过对交叉概率进行自适应变化提高种群变异的全局搜索能力，增强算法的适应性和精确度。
附图说明
图1是本发明的技术流程图；
图2是数字滤波过程图；
图3为福格特函数获取有效吸收截面示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于差分吸收光谱仪的差分优化方法，包括：
S1.通过差分吸收光谱仪获取吸收光谱的波长和光强信息，由光谱中的吸收光强推算出气体的浓度值，使用比尔朗伯定律，根据气体消光作用过滤掉对光谱中对波长依赖性低的慢变化部分；
S2.通过数字滤波分离吸收光谱中快变化与慢变化部分；
S3.去除掉慢变化部分以及瑞利散射和米散射消光系数，得到仅表示气体分子吸收的差分光学密度；
S4.利用福格特函数对各种气体对应特征波长段的吸收谱线进行展宽；
S5.经过数据处理获取到有效吸收截面后，将有效吸收截面作为参考谱，将差分光学密度与参考谱进行最小二乘法拟合；
S6.反演出气体浓度后进行判断，如果在气体浓度较低的环境中测量，则测得的气体浓度误差比较大，此时基于遗传算法加入灾变周期自适应交叉操作进行优化；
S7.反演获取当前测量环境中的最终气体浓度值。
S1包括：
光谱中快变化与慢变化部分与透射光强的关系如下式：
；
式中，为某一波长处紫外光的透射光强，/>为某一波长处紫外光的入射光强，n为气体种类的数量，/>表示宽带结构光谱，即光谱中的慢变化部分，/>为差分吸收截面，即光谱中的快变化部分，/>表示第i种在传输光路s处的物质浓度，/>和/>分别为瑞利散射和米散射消光系数。
S2包括：
高通滤波采用六阶多项式拟合波段内的吸收光谱：
；
式中，为拟合后的光强，/>为系数，/>为波长。
S2包括：
低通滤波采用萨维茨基-戈莱平滑去噪：
；
式中，为平滑后的数据，/>为平滑系数，/>为平滑前数据。
S3包括：
。
S4包括：
福格特函数为：
；
其中表示多普勒展宽半宽，/>表示气体在波束/>处的吸收线强，根据温度对吸收截面的影响，F的温度相关性表示为：
；
表示参考温度/>时的吸收线强，/>为实际温度，/>为参考温度，/>为分子低能态能量，/>为普朗克常量，/>为光速，/>为玻尔兹曼常量，t表示可变常数；
x和y为中间系数：
，/>；
表示每条吸收线的中心波束，/>表示压力展宽半宽。
S4包括：
多普勒展宽半宽和压力展宽半宽/>的温度和压力相关性分别表示为：
，/>；
式中，为无量纲量，对称分子时取1，非对称分子取1.5；/>表示实际大气压，/>表示参考展宽值，/>表示参考大气压，M表示气体分子质量；
根据实际情况中的温度和大气压，对比参考温度和大气压，计算获得当前的高分辨率水汽吸收截面，再将获得的参考截面与光谱仪仪器函数曲线进行卷积，得到每种气体的当前有效吸收截面。
S5包括：
设表示第/>种气体反演浓度，根据/>的计算式，有：
，/>；
将的多项式改写为矩阵形式：
；
式中，表示第i行第m列对应的/>分量，/>第i行对应的/>分量，由此得到第/>种气体的差分光学密度/>和有效吸收截面/>，进而反演出气体的浓度/>。
S6包括：
S6.1.采用十进制进行编码，编码中，每个个体包含个基因编码值/>,/>为编码后的气体浓度，每个群体由10个随机的初始化个体组成，并且满足：
；
S6.2.选取适应度函数为：
；
式中，为第/>个采样点，/>为光谱采样点波长的个数，/>为编码后的气体浓度，/>为差分吸收截面，/>为拟合后的曲线中第/>个采样点的吸光度值。
S6包括：
S6.3.选择操作，根据适应度函数，选取具有较小的适应度值的个体进入到下一代中；
S6.4.加入灾变周期自适应交叉操作，定义交叉概率为：
；
式中，表示交叉概率，/>表示当前已经发生的灾变次数，/>表示小于1的定值，/>表示用于调节交叉概率变化范围的整数，/>表示种群进行到第/>代遗传操作；
S6.5.终止操作，当最后个体的求解浓度值达到要求的阈值时，优化算法将该适应值最小的个体作为真实值进行输出，优化算法最终求解的浓度值误差范围在阈值范围以内。
本发明的技术流程如图1所示，包括获取光谱信息、高通滤波和低通滤波、获取差分光学密度、获取气体有效吸收截面、最小二乘法拟合，然后根据不同情况，正常浓度环境直接输出浓度值，低浓度环境，进行灾变遗传算法，输出满足阈值的最优个体。
通常大气散射包括瑞利散射和米散射，差分吸收光谱技术计算时将瑞利散射和米散射作为吸收过程，结合瑞利散射、米散射消光作用以及朗伯比尔定律得到发射光强和接收光强之间的关系。差分吸收算法根据气体消光作用对波长的依赖性将其分为对波长依赖性高的快变化和对波长依赖性低的慢变化两个部分，在光谱分析中需要过滤掉对波长依赖性低的慢变化部分，过滤掉慢变化部分后得到仅表示气体分子吸收的差分光学密度，将差分光学密度与气体分子参考吸收截面进行最小二乘法拟合，得到各种气体的浓度。将吸收光谱中的“快变化”和“慢变化”部分分离通常采用数字滤波的方法，采用高通数字滤波例如多项式回归滤波去除光谱的“慢变化”部分，再使用低通滤波例如三角滤波减小高频噪声的影响。参考吸收截面的选取通常直接使用标准截面进行处理，根据标准吸收截面中不同气体在某一段波长的特征吸收谱峰，记录下其对应的波长，将差分吸收截面中波长对应的数据与标准吸收截面的数据进行最小二乘法拟合，数字滤波过程如图2所示。
基于光谱数据库提供的气体吸收参数，在不同温度条件下，利用福格特函数拟合对多种气体进行了特征波长段的特征吸收谱线进行了展宽，在拟合中发现，对于某种气体对应的特征波段内存在多种干扰气体，因此为提高精度，首先选取气体特征波长段中干扰气体存在少的，然后对于该波长段存在其他干扰气体的，将波长段范围内存在的所有干扰气体进行展宽，然后将展宽后获取到的吸收截面参与光谱拟合。对于低浓度等一些复杂条件下，尝试将遗传算法与传统差分吸收算法结合改进，根据气体吸收特性、浓度值等定义适应度函数，通过遗传算法的选择、交叉和变异等操作，生成初始数据集合，并对这些数据进行迭代优化，在每一代中根据适应度函数对其进行评估，选择适应度较高的个体作为下一代的种群，并进行遗传操作，生成新的个体，重复多代的迭代操作，直到找到适应度最高的个体，从而减小数据误差，福格特函数获取有效吸收截面如图3所示。
以上实施例仅用于说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种基于差分吸收光谱仪的差分优化方法，其特征在于，包括：
S1.通过差分吸收光谱仪获取吸收光谱的波长和光强信息，由光谱中的吸收光强推算出气体的浓度值，使用比尔朗伯定律，根据气体消光作用过滤掉光谱中的慢变化部分；
S2.通过数字滤波分离吸收光谱中快变化与慢变化部分；
S3.去除掉慢变化部分以及瑞利散射和米散射消光系数，得到仅表示气体分子吸收的差分光学密度；
；
式中，为某一波长处紫外光的透射光强，/>为某一波长处紫外光的入射光强，n为气体种类的数量，/>为差分吸收截面，即光谱中的快变化部分，/>表示第i种在传输光路s处的物质浓度；
S4.利用福格特函数对各种气体对应特征波长段的吸收谱线进行展宽；
福格特函数为：
；
其中表示多普勒展宽半宽，/>表示气体在波束/>处的吸收线强，根据温度对吸收截面的影响，F的温度相关性表示为：
；
表示参考温度/>时的吸收线强，/>为实际温度，/>为参考温度，/>为分子低能态能量，/>为普朗克常量，/>为光速，/>为玻尔兹曼常量，t表示可变常数；
x和y为中间系数：
，/>；
表示每条吸收线的中心波束，/>表示压力展宽半宽；
多普勒展宽半宽和压力展宽半宽/>的温度和压力相关性分别表示为：
，/>；
式中，为无量纲量，对称分子时取1，非对称分子取1.5；/>表示实际大气压，/>表示参考展宽值，/>表示参考大气压，M表示气体分子质量；
根据实际情况中的温度和大气压，对比参考温度和大气压，计算获得当前的高分辨率水汽吸收截面，再将获得的参考截面与光谱仪仪器函数曲线进行卷积，得到每种气体的当前有效吸收截面；
S5.经过数据处理获取到有效吸收截面后，将有效吸收截面作为参考谱，将差分光学密度与参考谱进行最小二乘法拟合；
S6.反演出气体浓度后，基于遗传算法加入灾变周期自适应交叉操作进行优化；
S6.1.采用十进制进行编码，编码中，每个个体包含个基因编码值/>,/>为编码后的气体浓度，每个群体由10个随机的初始化个体组成，并且满足：
；
S6.2.选取适应度函数为：
；
式中，为第/>个采样点，/>为光谱采样点波长的个数，/>为编码后的气体浓度，/>为差分吸收截面，/>为拟合后的曲线中第/>个采样点的吸光度值；
S7.反演获取当前测量环境中的最终气体浓度值。
2.根据权利要求1所述的一种基于差分吸收光谱仪的差分优化方法，其特征在于，S1包括：
光谱中快变化与慢变化部分与透射光强的关系如下式：
；
式中，表示宽带结构光谱，即光谱中的慢变化部分，/>和/>分别为瑞利散射和米散射消光系数。
3.根据权利要求1所述的一种基于差分吸收光谱仪的差分优化方法，其特征在于，S2包括：
高通滤波采用六阶多项式拟合波段内的吸收光谱：
；
式中，为拟合后的光强，/>为系数，/>为波长。
4.根据权利要求1所述的一种基于差分吸收光谱仪的差分优化方法，其特征在于，S2包括：
低通滤波采用萨维茨基-戈莱平滑去噪：
；
式中，为平滑后的数据，/>为平滑系数，/>为平滑前数据。
5.根据权利要求1所述的一种基于差分吸收光谱仪的差分优化方法，其特征在于，S5包括：
设表示第/>种气体反演浓度，根据/>的计算式，有：
，/>；
将的多项式改写为矩阵形式：
；
式中，表示第i行第m列对应的有效吸收截面分量，/>第i行对应的/>分量，由此得到第/>种气体的差分光学密度/>和有效吸收截面，进而反演出气体的浓度/>。
6.根据权利要求1所述的一种基于差分吸收光谱仪的差分优化方法，其特征在于，S6包括：
S6.3.选择操作，计算适应度的平均值，选取小于适应度的平均值的个体进入到下一代中；
S6.4.加入灾变周期自适应交叉操作，定义交叉概率为：
；
式中，表示交叉概率，/>表示当前已经发生的灾变次数，/>表示小于1的定值，/>表示用于调节交叉概率变化范围的整数，/>表示种群进行到第/>代遗传操作；
S6.5.终止操作，当最后个体的求解浓度值达到要求的阈值时，优化算法将适应值小的个体作为真实值进行输出，优化算法最终求解的浓度值误差范围在阈值范围以内。
CN202310942708.8A 2023-07-31 2023-07-31 一种基于差分吸收光谱仪的差分优化方法 Active CN116663433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310942708.8A CN116663433B (zh) 2023-07-31 2023-07-31 一种基于差分吸收光谱仪的差分优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310942708.8A CN116663433B (zh) 2023-07-31 2023-07-31 一种基于差分吸收光谱仪的差分优化方法

Publications (2)

Publication Number Publication Date
CN116663433A CN116663433A (zh) 2023-08-29
CN116663433B true CN116663433B (zh) 2023-10-24

Family

ID=87722775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310942708.8A Active CN116663433B (zh) 2023-07-31 2023-07-31 一种基于差分吸收光谱仪的差分优化方法

Country Status (1)

Country Link
CN (1) CN116663433B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226095A (zh) * 2013-04-08 2013-07-31 南京国电环保科技有限公司 一种光谱仪波长快速校准方法
CN106526614A (zh) * 2016-10-25 2017-03-22 中国科学院合肥物质科学研究院 一种优化激光雷达探测大气成分谱线分析的方法
CN111572729A (zh) * 2020-04-07 2020-08-25 哈尔滨工程大学 一种基于改进遗传算法的船舶动力定位系统推力分配方法
CN115523958A (zh) * 2022-10-15 2022-12-27 浙江大学 基于光谱快慢分离原理的气体温度和浓度同步测量方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9305257B2 (en) * 2013-05-20 2016-04-05 International Business Machines Corporation Adaptive cataclysms in genetic algorithms

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226095A (zh) * 2013-04-08 2013-07-31 南京国电环保科技有限公司 一种光谱仪波长快速校准方法
CN106526614A (zh) * 2016-10-25 2017-03-22 中国科学院合肥物质科学研究院 一种优化激光雷达探测大气成分谱线分析的方法
CN111572729A (zh) * 2020-04-07 2020-08-25 哈尔滨工程大学 一种基于改进遗传算法的船舶动力定位系统推力分配方法
CN115523958A (zh) * 2022-10-15 2022-12-27 浙江大学 基于光谱快慢分离原理的气体温度和浓度同步测量方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LED光源DOAS方法的夜间NO_2气体浓度遥测研究;杨雷 等;光谱学与光谱分析(第05期);全文 *
Maintaining Healthy Population Diversity Using Adaptive Crossover, Mutation, and Selection;Brian McGinley .etal;IEEE;第15卷(第5期);全文 *
差分吸收光谱技术在工业污染源烟气排放监测中的应用;孙友文 等;物理学报;第62卷(第01期);第2-4页第2-5节 *
差分吸收光谱检测H2S气体的反演算法;陈书旺 等;太赫兹科学与电子信息学报;第18卷(第4期);第735页第1节；第736页第2.2节，图3 *
改进灾变遗传算法在无功优化规划中的应用;林广明 等;电网技术;第34卷(第4期);第129页第2.1节；第130页第2.2节 *

Also Published As

Publication number Publication date
CN116663433A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN104089911B (zh) 基于一元线性回归的光谱模型传递方法
CN103940767B (zh) 基于多流形学习的气体浓度反演方法
CN109187392B (zh) 一种基于分区建模的锌液痕量金属离子浓度预测方法
CN107643252B (zh) Wms检测瓶内氧气浓度的实时扣背景非线性校正方法
CN107271392A (zh) 一种基于气体差分吸收截面特征测量低浓度so2的方法
CN106918567B (zh) 一种测量痕量金属离子浓度的方法和装置
CN113049507A (zh) 多模型融合的光谱波长选择方法
CN102305772A (zh) 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法
CN111965140B (zh) 基于特征峰的波长点重组方法
CN111859695A (zh) 基于高分五号卫星紫外可见高光谱的大气污染成分反演方法
CN114112935A (zh) 大气污染物垂直分布的实时反演方法、装置、计算机设备和存储介质
CN112666104A (zh) 一种基于doas的气体浓度反演方法
CN106153561A (zh) 基于波长筛选的紫外可见光谱多金属离子检测方法
CN114067169A (zh) 一种基于卷积神经网络的拉曼光谱分析方法
CN109060716B (zh) 基于窗口竞争性自适应重加权采样策略的近红外特征光谱变量选择方法
CN116663433B (zh) 一种基于差分吸收光谱仪的差分优化方法
CN117169146A (zh) 一种NOx和SO2烟气监测方法
CN111198167B (zh) 一种溶液金属离子浓度检测方法、终端设备及存储介质
CN105136688A (zh) 一种用于分析分子光谱的改进可变移动窗偏最小二乘法
CN115080905B (zh) 一种高原湖泊叶绿素a浓度遥感反演方法
CN114062306B (zh) 一种近红外光谱数据分段预处理方法
CN119125082A (zh) 基于辐射传输模型的土壤有机质和铁氧化物联合反演方法
CN118310984A (zh) 一种光谱法高盐度梯度环境海水亚硝酸盐氮快速测量方法
CN108120694A (zh) 用于晒红烟化学成分分析的多元校正方法及系统
CN115656058B (zh) 一种基于doas的no2浓度测量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant