【技术实现步骤摘要】
基于BP神经网络与方差补偿的光谱降噪方法及装置
本专利技术涉及激光光谱
,具体涉及一种基于BP神经网络与方差补偿的光谱降噪方法及装置。
技术介绍
激光光谱技术作为一种非接触式探测技术逐渐成为工业过程气、口腔呼吸气以及环境污染气中的衡量气体成分识别与检测的重要方法。但是由于测量过程中诸如温度、空气振动以及电磁噪声等影响,探测到的光谱数据往往包含噪声和干扰信号,严重限制了测量灵敏度与分辨率的提高。因此需要对含噪声的光谱信号进行去噪处理,尽可能还原探测气体的特征光谱,减弱或消除噪声再后续光谱识别和拟合过程中的干扰,提高光谱分析的精准度。目前激光光谱技术常见的去噪方法一般分为两类:基于硬件的滤波技术和软件的滤波技术。基于硬件的降噪技术尽管实现方式多样,但普遍存在系统结构复杂、总体成本较高、兼容性差等问题;因此,系统结构简单、成本较低的软件降噪方式成为了一个更合理的选择。多信号平均是一种算法相对简单、广泛采用的降噪方法,但这种方法耗时较长且只能抑制白噪声;近年来兴起的小波及小波包变换去噪技术虽然功能强大,但该算法依赖较多的参数,存在去噪计算复杂,阈值附近小波系数不连续等问题;SavitzkyGolay(SG)平滑滤波器虽然依赖参数较少,只存在两个影响参数(平滑窗口宽度和平滑多项式阶数),但固定的窗口宽度削弱了信号中的波峰信息,同时对低频噪声也不能很好滤除。卡尔曼滤波作为一种高效率的自回归滤波算法,无需贮存大量的观测数据且不需要在时域频域之间转化,能够实时快速高效的进行滤波处理,因而被广泛应用于信号处理、GPS定位导航、卫星测控、生物医学等领域。虽然卡尔曼滤波具 ...
【技术保护点】
1.基于BP神经网络与方差补偿的光谱降噪方法,其特征在于:包括以下步骤,S1:采用可调谐激光光源的气体激光吸收光谱实验装置采集吸收光谱数据,获取不同滤波参数下检测气体的吸收光谱数据作为BP神经网络训练样本;S2:根据光谱数据训练样本建立BP神经网络拓扑模型,选取最优滤波参数组合;S3:采用卡尔曼滤波算法按照优化后的滤波参数进行自适应滤波;S3:利用方差补偿原理对滤波方差进行动态调整,同时构建的BP神经网络对滤波值进行动态校正;S5:根据双重优化后的自适应卡尔曼算法进行光谱数据的降噪处理。
【技术特征摘要】
1.基于BP神经网络与方差补偿的光谱降噪方法,其特征在于:包括以下步骤,S1:采用可调谐激光光源的气体激光吸收光谱实验装置采集吸收光谱数据,获取不同滤波参数下检测气体的吸收光谱数据作为BP神经网络训练样本;S2:根据光谱数据训练样本建立BP神经网络拓扑模型,选取最优滤波参数组合;S3:采用卡尔曼滤波算法按照优化后的滤波参数进行自适应滤波;S3:利用方差补偿原理对滤波方差进行动态调整,同时构建的BP神经网络对滤波值进行动态校正;S5:根据双重优化后的自适应卡尔曼算法进行光谱数据的降噪处理。2.如权利要求1所述基于BP神经网络与方差补偿的光谱降噪方法,其特征在于:所述步骤S2包括以下步骤,S21:将所述训练样本分为平稳无吸收趋势数据集合、弱吸收趋势数据集合、强吸收(吸收峰附近)趋势数据集合;S22:根据所述平稳无吸收趋势数据集合,对不同卡尔曼滤波参数下检测气体的吸收光谱数据训练样本进行所述BP神经网络拓扑模型的学习;或者,S23:根据所述弱吸收趋势数据集合,对不同卡尔曼滤波参数下检测气体的吸收光谱数据训练样本进行所述BP神经网络拓扑模型的学习;或者,S24:根据所述强吸收(吸收峰附近)趋势数据集合,对不同卡尔曼滤波参数下检测气体的吸收光谱数据训练样本进行所述BP神经网络拓扑模型的学习。3.如权利要求1所述基于BP神经网络与方差补偿的光谱降噪方法,其特征在于:设k时刻气体吸收光谱状态向量为X(k),该时刻光谱系统控制向量为U(k),则该时刻光谱滤波状态系统可表示为:X(k)=AX(k-1)+BU(k)+W(k)其中,A、B为光谱状态转移矩阵,W(k)和表示过程噪声,其协方差由Q(k)表示。通过实验装置测量得到的气体吸收光谱向量为Z(k),则有Z(k)=HX(k)+V(k)其中,H为光谱测量参数,V(k)表示测量噪声,其协方差R(k)表示。利用光谱系统过程模型,得到卡尔曼滤波器时间更新方程。时间递推状态变量:根据光谱系统模型,由k-1时刻的光谱状态向量递推得到k时刻预测的光谱状态向量:X(k|k-1)=AX(k-1|k-1)+BU(k)其中,X(k|k-1)是预测的光谱状态向量,X(k-1|k-1)是之前的光谱状态向量。向前递推误差协方差:根据光谱系统模型,由k-1时刻的光谱协方差矩阵递推得到k时刻预测的协方差矩阵:P(k|k-1)=AP(k-1|k-1)AT+Q(k-1)其中,(·)T为转置运算,P(k|k-1)是X(k|k-1)对应的光谱协方差矩阵,P(k-1|k-1)是X(k-1|k-1)对应的预...
【专利技术属性】
技术研发人员:周胜,沈重阳,张磊,李劲松,俞本立,
申请(专利权)人:安徽大学,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。