超短脉冲激光光谱分析方法及其应用研究

• 作 者: 王凯
• 机 构: 南开大学
• 出 处: 南开大学
• 发表日期: 2007年期
• 关键词: 荧光光谱 小波分析 神经网络 空气污染 大气监测

随着工业的发展，大气污染已经成为人们关注的焦点问题。近几年来，相关的空气污染监测技术的研究已经取得了很大的进展，有些技术已经得到了实际应用。但已有的大气污染监测技术大都无法满足污染气体实时监测的要求。本文以超短脉冲激光与空气相互作用产生的非线性荧光光谱为基础，通过对该类光谱的分析研究，探讨了超快激光技术在污染气体实时监测领域应用的可行性。
本文主要在光谱数据压缩，污染气体定性识别以及污染物浓度定量分析三个方面作了深入的研究，具体内容如下：
第一方面，为了便于特征提取和提高数据分析速度，提出了自适应小波算法，对原始光谱数据进行压缩。该算法具有压缩比高，误差小以及窗口白适应调节三大特点，在高压缩比的情况下仍能保留原始数据的特征信息，其压缩比为32：1，而均方误差只有4.2％。另外由于结合了小波滤波算法，因此滤波窗口可以随着特征峰的宽度自适应调节，进而使最终的压缩误差减小0.1％。
第二方面，采用支持向量机神经网络对污染气体的成份进行了识别。支持向量机神经网络的学习是基于统计学的风险最小原理，因此它除了具有普通神经网络的容错性以外，还拥有更强大的推广能力。实验中对全部27个样本进行训练和识别的正确率为100％。
第三方面，提出了分段二项式拟合的光谱定量分析方法。针对实际光谱数据曲线的特点，采用变换坐标空间，对光谱数据进行了分段二项式拟合。原始数据的函数关系非常复杂，只能用很高阶数的二项式拟合，但是高阶二项式拟合容易出现过拟合现象。本文首先将原始数据进行对数变换，然后对数据进行适当的分段，从而降低多项式的阶数。使用上述方法对原始数据进行了4阶拟合，其误差在1％左右。如果增加样本点数量，并且抑制光谱测量中的噪声，那么还能进一步减小分析误差。