基于红外光谱主成分和神经网络的生物质氮含量测量与建模方法技术

本发明专利技术公开了一种基于红外光谱主成分和神经网络的生物质氮含量测量与建模方法，主要包括以下步骤：(1)生物质红外光谱数据的获取及预处理；(2)记录红外光谱数据采集时的环境状态参数；(3)依据国家或行业标准测得生物质样本的氮含量测量值数据；(4)对红外光谱数据和氮含量测量值做两两相关性计算；(5)采用主成分分析的方法对数据降维；(6)以主成分数据和环境状态参数为输入，氮含量测量值为输出，建立神经网络模型，使用训练集进行训练至误差小于0.1％；(7)输入验证集数据，模型计算获得氮含量数据，与测量值数据比较，得出预测偏差。该方法无需破碎或接触生物质，是一种可以实现在线测量、充分考虑测量环境影响、非接触式快速测量方法。

【技术实现步骤摘要】
基于红外光谱主成分和神经网络的生物质氮含量测量与建模方法
本专利技术属于生物质和大数据分析
，涉及一种高效、精确的生物质氮含量测量方法。
技术介绍
生物质(biomass)狭义上认为是农林业种植、生产过程中产生的秸秆、树木、废弃物等等，因此广泛存在于农田、森林、城市绿化等地。其储量巨大且自身可作为能源用于发电或提取高附加值化合物。物质的氮元素含量的现有检测方法多为氧化方法，中华人民共和国电力行业标准(DL/T568—2013)中指出，其测量原理为：样品在高纯氧气中高温燃烧，燃烧产物中的硫氧化物及卤化物由试剂去除，气态NOx进入储气罐，再从储气罐中定量抽取气体有高纯氦气作为载气携带经热铜还原成N2。最后送入红外检测池测量N2含量，从而计算出氮含量。这些方法虽然较准确，但因其需要温度较高、时间较长，因此需要探索其他更简便的方法。国内外具有采用红外分析进行氮测量的研究及专利。如专利技术专利CN201710439731.X中提供了一种利用近红外光谱检测油菜茎秆氮含量的方法，其采用的方法为将油菜茎秆的7个截面红外数据与氮含量本文档来自技高网...

【技术保护点】
1.基于红外光谱主成分和神经网络的生物质氮含量测量与建模方法，其特征在于包含以下步骤：/n(1)生物质样本数据的获取：包括生物质的红外光谱数据的获取和平滑去噪等预处理；红外光谱数据采集时的环境温度、压力、红外传感器探头距离样品的距离、环境光强等状态参数数据的获取及预处理；依据标准(如：电力行业标准DL/T 568—2013)方法测量生物质的氮含量，记录氮含量测量值数据；/n(2)样本集的划分：采用随机分类的方法，将所得样本数据的20％～80％作为训练集，其余样本数据作为验证集；/n(3)相关性和主成分分析：通过相关性计算公式对生物质样本红外光谱数据和氮含量测量值进行两两相关性计算，得到相关系数...

【技术特征摘要】
1.基于红外光谱主成分和神经网络的生物质氮含量测量与建模方法，其特征在于包含以下步骤：
(1)生物质样本数据的获取：包括生物质的红外光谱数据的获取和平滑去噪等预处理；红外光谱数据采集时的环境温度、压力、红外传感器探头距离样品的距离、环境光强等状态参数数据的获取及预处理；依据标准(如：电力行业标准DL/T568—2013)方法测量生物质的氮含量，记录氮含量测量值数据；
(2)样本集的划分：采用随机分类的方法，将所得样本数据的20％～80％作为训练集，其余样本数据作为验证集；
(3)相关性和主成分分析：通过相关性计算公式对生物质样本红外光谱数据和氮含量测量值进行两两相关性计算，得到相关系数；采用主成分分析的方法对相关的红外光谱数据做降维处理，获得累积贡献率高于80％的主成分表达式和相关数值；
(4)BP神经网络的建立和训练：以步骤(3)获取的主成分数据和步骤(1)获取的红外分析仪所处环境状态参数为输入参数，步骤(1)获取的生物质氮含量测量值为输出参数，建立BP神经网络模型，并采用训练集数据对BP神经网络模型进行优化训练，当误差小于0.1％时，完成优化训练过程；
(5)验证及完成建模：输入验证集生物质的红外数据和红外分析仪状态参数，通过神经网络计算获得输出的氮含量数据，将该数据与氮含量测量值的数据比较，得出预测偏差。


2.根据权利要求1所述基于红外光谱主成分和神经网络的生物质氮含量...

【专利技术属性】
技术研发人员：王晓东，吕海洋，李鑫磊，王风启，董长青，张俊姣，梁慧，胡笑颖，
申请(专利权)人：国能生物发电集团有限公司，华北电力大学，
类型：发明
国别省市：北京;11