一种气-液多成分实时智能检测方法技术

本发明专利技术提供的一种气

【技术实现步骤摘要】
一种气
‑
液多成分实时智能检测方法


[0001]本专利技术属于成分检测
，具体涉及一种气
‑
液多成分实时智能检测方法。

技术介绍

[0002]气液的多成分检测目前技术仅在离线状况下可实现3
‑
5种实时检测，其难点主要在被检各种成分之间存在的信号弱、相互之间耦合、干扰强，因此各类信号的采集、处理、控制、对比归类等指标很难达到实用要求，这一难点目前是世界检测领域中技术瓶颈。日本、德国、和以色列目前已有相应的在线检测产品问世，检测成分不多于5种，且价格昂贵，仅用于实验研究行业，很难推广应用。

技术实现思路

[0003]本专利技术的目的在于提供一种气
‑
液多成分实时智能检测方法，解决了现有的气液多成分检测技术存在的效率低、成本高的缺陷。
[0004]为了达到上述目的，本专利技术采用的技术方案是：
[0005]本专利技术提供的一种气
‑
液多成分实时智能检测方法，包括以下步骤：
[0006]将待识别样本进行降维处理，得到k维数据；
[0007]利用预设的人工神经网络对k维数据进行处理，最终得到待识别样本中的组成成分及其对应的浓度。
[0008]优选地，利用PCA识别算法对待识别样本进行降维处理，得到k维数据。
[0009]优选地，将待识别样本进行降维处理，得到k维数据，具体方法是：
[0010]根据待识别样本构造得到样本矩阵，对样本矩阵的每一行数据进行零均值处理，得到标准化矩阵；
[0011]根据标准化矩阵得到协方差矩阵；
[0012]分别计算协方差矩阵的特征值和特征向量；
[0013]将特征向量按照特征值的大小从上到下按行进行排列，并选取前k行数据组成矩阵，得到k维数据。
[0014]优选地，根据标准化矩阵得到协方差矩阵，具体方法是：
[0015]利用下式得到协方差矩阵：其中，C为协方差矩阵；X为标准化矩阵；X
T
为标准化矩阵X的转置。
[0016]优选地，预设的人工神经网络的构建方法是：
[0017]构建人工神经网络，利用反向传播算法对构建得到的人工神经网络进行优化，得到优化后的人工神经网络。
[0018]优选地，利用反向传播算法对构建得到的人工神经网络进行优化，具体方法是：
[0019]选用平方和误差函数，初始化神经网络中各层的权值参数，得到神经网络的误差函数；
[0020]利用反向传播算法，正向计算得到误差函数，反向求导梯度下降，使得误差函数最小化；
[0021]利用梯度下降法，求出误差函数关于神经网络自身变量的偏导数，对神经网络中各层的权值参数进行更新，直至误差函数缩小至预设范围内，完成人工神经网络的优化。
[0022]一种气
‑
液多成分实时智能检测系统，该系统能够运行所述的一种气
‑
液多成分实时智能检测方法，包括数据处理模块和成分识别模块，其中：
[0023]数据处理模块，用于将待识别样本进行降维处理，得到k维数据；
[0024]成分识别模块，利用预设的人工神经网络对k维数据进行处理，最终得到待识别样本中的组成成分及其对应的浓度。
[0025]一种气
‑
液多成分实时智能检测设备，包括处理器、以及能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述方法的步骤。
[0026]与现有技术相比，本专利技术的有益效果是：
[0027]本专利技术提供的一种气
‑
液多成分实时智能检测方法，利用PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，从而提取数据的主要特征分量，通过人工神经网络的自学习功能，将不同的物质样板和对应的识别结果输入人工神经网络，算法通过自学习识别类似的物质；同时，利用人工神经网络，发挥计算机的高速运算能力，快速得到优化解；本专利技术通过应用PCA算法对检测到的数据进行处理，提出其中主要特征进行分析，去除了干扰，解决了各成分的信号弱和相互之间耦合的问题，并通过与神经网络相结合，提高了预测精度，增强了鲁棒性和容错性。
附图说明
[0028]图1是人工神经网络结构图。
具体实施方式
[0029]下面对本专利技术进一步详细说明。
[0030]本专利技术提供的一种气
‑
液多成分实时智能检测方法，包括以下步骤：
[0031]将待识别样本进行降维处理，得到k维数据；
[0032]从得到的k维数据中提取特征分量；
[0033]利用构建的人工神经网络对提取到的特征分量进行处理，最终得到所采集到的供识别和测试的样本中的组成成分及其浓度。
[0034]具体地：
[0035]将待识别样本进行降维处理，得到k维数据，具体方法是：
[0036]利用主成分分析(PCA)的识别算法对n维的原始数据进行降维处理，得到k维数据；其中：
[0037]步骤1，采集样本，构造样本阵Z，并对样本矩阵Z的每一行数据进行零均值处理，得到标准化矩阵X；
[0038]步骤2，根据标准化矩阵X得到协方差矩阵：
[0039][0040]其中，C为协方差矩阵；X为标准化矩阵；X
T
为标准化矩阵X的转置。
[0041]步骤3，分别计算协方差矩阵的特征值和特征向量；
[0042]步骤4，将特征向量按照特征值的大小从上到下按行进行排列，并选取前k行数据组成矩阵P；
[0043]步骤5，将得到的矩阵P按照下式进行降维，得到降维后的矩阵：
[0044]Y＝PX
[0045]其中，Y为降维后的矩阵，即降维到k维后的特征分量形成的矩阵。
[0046]利用构建的人工神经网络对k维数据进行处理，具体方法是：
[0047]人工神经网络分为三层，输入层、隐藏层和输出层，其中，第N层的每个神经元都与第N
‑
1层的所有神经元连接，第N
‑
1层神经元的输出就是第N层神经元的输入。
[0048]神经网络算法能够提供一种复杂且非线性的假设模型h
W,b
(x),可以以此拟合数据，其中，若神经元是一个以x1,x2,x3为输入的运算单元，其输出为：
[0049][0050]其中，f(x)为激活函数。
[0051]在训练神经网络时，使用反向传播算法，正向计算得到误差函数，反向求导梯度下降，使得定义的误差函数最小化。
[0052]选用平方和误差函数，初始化神经网络中各层的权值参数(w,b0,θ,b1)，得到神经网络的误差函数如式(4)所示：
[0053][0054]接着更新神经网络的自身变量，使得神经网络的误差函数在更新之后的自身变量下缩小。使用梯度下降法，求出误差函数关于神经网络自身变量(w,b0,θ,b1)的偏导数，然后通过式(5)进行变量的更新。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气
‑
液多成分实时智能检测方法，其特征在于，包括以下步骤：将待识别样本进行降维处理，得到k维数据；利用预设的人工神经网络对k维数据进行处理，最终得到待识别样本中的组成成分及其对应的浓度。2.根据权利要求1所述的一种气
‑
液多成分实时智能检测方法，其特征在于，利用PCA识别算法对待识别样本进行降维处理，得到k维数据。3.根据权利要求2所述的一种气
‑
液多成分实时智能检测方法，其特征在于，将待识别样本进行降维处理，得到k维数据，具体方法是：根据待识别样本构造得到样本矩阵，对样本矩阵的每一行数据进行零均值处理，得到标准化矩阵；根据标准化矩阵得到协方差矩阵；分别计算协方差矩阵的特征值和特征向量；将特征向量按照特征值的大小从上到下按行进行排列，并选取前k行数据组成矩阵，得到k维数据。4.根据权利要求3所述的一种气
‑
液多成分实时智能检测方法，其特征在于，根据标准化矩阵得到协方差矩阵，具体方法是：利用下式得到协方差矩阵：其中，C为协方差矩阵；X为标准化矩阵；X
T
为标准化矩阵X的转置。5.根据权利要求1所述的一种气
‑
液多成分实时智能检测方法，其特征在于，预设的人工神经网络的构建方法是：构建人工神经网络，利用反向传...

【专利技术属性】
技术研发人员：王飚，杨雨仪，陈东瑞，吕亚泽，柯吉，林少军，赵微微，武飞，马雨庆，霍梁，崔冰晶，郑乐，
申请(专利权)人：长安大学，
类型：发明
国别省市：