详情

原文传递基于深度学习的激光光谱气体浓度测量方法

专利名称：	基于深度学习的激光光谱气体浓度测量方法
摘要：	本发明涉及激光光谱技术领域，提供一种基于深度学习的激光光谱气体浓度测量方法，旨在解决激光光谱气体浓度测量过程中由于测量温度、压强、气体分子种类等参数影响而限制光谱浓度测量效率的问题，包括建立激光光谱数据采集模块，获取不同浓度下检测气体的吸收光谱数据；建立深度学习气体浓度测量模块，根据不同浓度下的激光光谱数据构建深度学习网络拓扑模型；建立气体浓度模型训练和检验模块，对构建的深度学习气体浓度测量模块进行训练，并进行性能检验；建立激光光谱气体浓度输出模块，对实测未知浓度的气体激光光谱数据进行浓度反演并输出测量结果。本发明尤其适用于激光吸收光谱浓度计算，具有较高的社会使用价值和应用前景。
专利类型：	发明专利
国家地区组织代码：	安徽;34
申请人：	安徽大学
发明人：	周胜;沈重阳;张磊;李劲松;俞本立;蒋童童
专利状态：	有效
申请日期：	2019-05-27T00:00:00+0800
发布日期：	2019-08-20T00:00:00+0800
申请号：	CN201910447246.6
公开号：	CN110146455A
代理机构：	合肥汇融专利代理有限公司
代理人：	赵宗海
分类号：	G01N21/31(2006.01);G;G01;G01N;G01N21
申请人地址：	230000 安徽省合肥市九龙路111号
主权项：	1.基于深度学习的激光光谱气体浓度测量方法，其特征在于，该方法包括以下步骤：步骤S1：建立激光光谱数据采集模块，用于获取不同浓度下检测气体的吸收光谱数据作为深度学习网络初始数据和训练样本；步骤S2：建立深度学习气体浓度测量模块，用于根据不同浓度下的激光光谱数据构建深度学习网络拓扑模型；步骤S3：建立气体浓度模型训练和检验模块，利用不同浓度下的激光光谱训练样本对构建的深度学习气体浓度测量模块进行训练，并对训练完的深度学习气体浓度测量模块进行性能检验；步骤S4：建立激光光谱气体浓度输出模块，利用训练并检验完的深度学习网络气体浓度模块对实测未知浓度的气体激光光谱数据进行浓度反演，输出深度学习气体浓度测量结果，用于实现深度学习的激光光谱气体浓度测量。 2.根据权利要求1所述基于深度学习的激光光谱气体浓度测量方法，其特征在于：所述步骤S1中，激光光谱数据采集模块中的初始数据与训练样本为采用激光光源采集的不同浓度的气体吸收光谱数据，获取不同浓度参数下检测气体的吸收光谱数据作为深度学习气体浓度测量模块的训练样本。 3.根据权利要求1所述基于深度学习的激光光谱气体浓度测量方法，其特征在于：所述步骤S2中，深度学习气体浓度测量模块包括以下单元：中心波长测量单元，用于对所测量不同浓度的激光光谱数据吸收峰的中心波长进行测量标定；温度测量单元，用于对所测量不同浓度的激光光谱数据的温度参数进行测量标定；压强测量单元，用于对所测量不同浓度的激光光谱数据的压强参数进行测量标定；光谱线型测量单元，用于对所测量不同浓度的激光光谱数据的不同光谱线型进行测量标定；气体分子种类测量单元，对于所测量不同浓度的激光光谱数据的不同气体分子种类进行测量标定；气体浓度测量单元，对于所测量不同浓度的激光光谱数据的气体浓度进行测量标定。 4.根据权利要求1所述基于深度学习的激光光谱气体浓度测量方法，其特征在于：所述步骤S2中，深度学习包括深度信念网络DBN、卷积神经网络CNN、循环神经网络RNN等网络结构。 5.根据权利要求1所述基于深度学习的激光光谱气体浓度测量方法，其特征在于：所述步骤S3中，气体浓度模型训练和检验模块将所述训练和检验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； S31：根据所述平稳无吸收趋势数据集合，对不同浓度参数下检测气体的吸收光谱数据训练样本进行所述深度学习气体浓度测量模块的学习； S32：根据所述弱吸收趋势数据集合，对不同浓度参数下检测气体的吸收光谱数据训练样本进行所述深度学习气体浓度测量模块的学习； S33：根据所述强吸收(吸收峰附近)趋势数据集合，对不同浓度参数下检测气体的吸收光谱数据训练样本进行所述深度学习气体浓度测量模块的学习。 6.根据权利要求1所述基于深度学习的激光光谱气体浓度测量方法，其特征在于：所述步骤S4中，激光光谱气体浓度输出模块所输出的数据包括：由深度学习气体浓度测量模块测量得到的中心波长数据；由深度学习气体浓度测量模块测量得到的温度数据；由深度学习气体浓度测量模块测量得到的压强数据；由深度学习气体浓度测量模块测量得到的光谱线型数据；由深度学习气体浓度测量模块测量得到的气体分子种类数据；由深度学习气体浓度测量模块测量得到的气体浓度数据。
所属类别：	发明专利