基于FTIR的污染气体预处理与神经网络模式识别研究

摘要

随着大气污染问题的加剧，环境问题越来越受到人们的关注，快速、准确地预测出大气污染气体，对环境保护有着巨大的作用。傅里叶变换红外光谱技术以测量迅速，分辨率高，测量精度高等优点，在气体检测领域得到越来越广泛的应用。
　　本文从傅里叶变换红外光谱技术的应用和傅里叶变换红外光谱仪的优点出发，分析了光谱数据预处理和模式识别的国内外研究现状，搭建了红外光谱数据采集系统，并对CO、NO2和NO三组分混合气体进行建模分析。通过质量流量控制器精密控制三种气体进行不同比例的混合，并通过傅里叶变换红外光谱仪采集大量的数据样本。针对红外光谱数据易受噪声的影响和呈现复杂非线性关系，选择小波去噪和神经网络进行建模，并对两种方法进行改进，能够有效的预测出光谱的成分组成。
　　首先对采集到的红外光谱数据进行预处理，用改进小波去噪方法消除高频噪声，之后选择主成分分析对样本的波段进行降维，降维之后只用三个主成份就可以完全覆盖原样本数据的99％的信息量，减少了运算时间和计算量。使用四种典型神经网络和优化后的神经网络对样本数据进行模式识别建模，并用预测样本数据对所建立的模型进行验证分析，分析结果表明优化后的神经网络的分类精度达到97.78%，均方误差为0.0222，相比四种典型神经网络模型，优化后的神经网络模型分类精度更好。

目录

封面

声明

中文摘要

英文摘要

目录

1 引 言

1.1 选题的背景、目的及意义

1.2 大气环境污染

1.3 气体检测技术概述

1.4 国内外研究现状

1.5 本课题主要内容

2 FTIR光谱技术

2.1 FTIR基本原理

2.2 FTIR技术发展

2.3 WQF-520简介

2.4 红外光谱模式识别步骤

3 红外光谱数据预处理

3.1 化学计量学方法

3.2 小波阈值滤波

3.3 改进的阈值去噪方法

3.3 实验方法对比

3.4 结论

4 神经网络模式识别

4.1 典型神经网络

4.2 改进神经网络

4.3 神经网络模式识别过程

5 实验系统与结果分析

5.1 实验系统构建

5.2 样本配比及采集过程

5.3 样本数据预处理

5.4 典型神经网络建模

5.5 改进神经网络建模

5.6 结论

6 总结与展望

参考文献

硕士期间发表论文

致谢