基于BP神经网络与方差补偿的光谱降噪方法及装置制造方法及图纸

本发明专利技术公开了一种基于BP神经网络与方差补偿的光谱降噪方法及装置。本发明专利技术能够解决激光光谱测量过程中由于温度、空气振动以及电磁噪声等影响而包含噪声和干扰信号使得测量灵敏度与分辨率受限的问题。

Spectral Noise Reduction Method and Device Based on BP Neural Network and Variance Compensation

【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。虽然卡尔曼滤波具有很多优于其他滤波算法的特点，但是由于经典卡尔曼滤波算法存在滤波参数固定、部分滤波结果发散等缺陷，而这些缺陷都是由于模型构建以及参数限制所致，很难通过卡尔曼滤波算法本身直接消除，从而使得经典卡尔曼滤波算法在激光光谱降噪的应用产生很大的阻碍。因此优化卡尔曼滤波算法存在的缺陷，提高滤波算法的精度与灵敏度成为了本领域技术人员迫切需要解决的技术问题。
技术实现思路
针对现有技术的不足，本专利技术公开一种基于BP神经网络与方差补偿的光谱降噪方法及装置，能够解决激光光谱测量过程中由于温度、空气振动以及电磁噪声等影响而包含噪声和干扰信号使得测量灵敏度与分辨率受限的问题。为实现以上目的，本专利技术通过以下技术方案予以实现：基于BP神经网络与方差补偿的光谱降噪方法，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。优选的，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。优选的，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)对应的预测光谱协方差矩阵。结合预测值和测量值，得到卡尔曼滤波器的光谱数据更新方程。更新卡尔曼增益：Kg(k)＝P(k|k-1)HT(HP(k|k-1)HT+R)-1更新光谱滤波向量：X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))更新误差协方差矩阵：P(k|k)＝(I-Kg(k)H)P(k|k-1)其中，Kg为卡尔曼增益，用来衡量光谱预测值与测量值的可信程度。针对每次滤波后得到的光谱滤波残差，基于方差补偿原理，定义预测残差为：其中，L(k)为光谱实测向量，为光谱最佳预测向量。针对每次滤波后得到的光谱滤波值，构建BP神经网络，对于神经网络输入层选取影响卡尔曼滤波误差的参数：光谱状态向量与预测状态向量的差距：X(k)-X(k|k-1)；光谱测量向量与测量预测向量的差距：Z(k)-HX(k|k-1)；卡尔曼滤波增益：Kg对每次最终得到BP神经网络优化后的滤波补偿向量ΔX(k)：ΔX(k)＝D-X(k)其中，D为光谱数据滤波光谱理论向量。优选的，包括QCL量子级联激光光源、聚焦准直系统、氟化钙镜片、长程吸收池、光电探测器、数据采集单元和终端计算机；所述QCL量子级联激光器电连接有QCL控制器，所述QCL量子级联激光光源发出的激光依次经过所述聚焦准直系统和所述氟化钙镜片进入所述长程吸收池；所述氟化钙镜片连接有用于发出可见光的可见光激光器，所述氟化钙镜片控制激光与可见光耦合成为耦合光束；在所述长程吸收池进气端连接有净化干燥装置和流量控制器，在所述长程吸收池出气端连接有压强控制器与真空泵，所述长程吸收池还设有用于测量压强的压力计；耦合光束经过所述长程吸收池进入光电探测器，所述光电探测器连接有探测驱动器，所述光电探测器将采集到的激光光谱数据传输到数据采集单元；所述终端计算机和所述压力计、所述数据采集单元、所述探测驱动器以及所述QCL激光控制器通讯连接以进行数据交互。优选的，还包括激光气体吸收光谱采集模块，用于获取检测气体的吸收光谱数据作为滤波初始数据和训练样本；BP神经网络构建和训练模块，用于根据训练样本构建和训练BP神经网络拓扑模型，调整BP神经网络拓扑模型中各个神经元权值；BP神经网络和方差补偿优化模块，用于优化经典卡尔曼滤波模型；BP神经网络和方差补偿双重优化自适应卡尔曼滤波模块，用于根据BP神经网络和方差补偿双重优化后的自适应卡尔曼滤波模型进行检测气体吸收光谱的降噪处理。本专利技术公开一种基于BP神本文档来自技高网...

【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