本發(fā)明涉及殘余氣體分析的，具體為一種基于智能光譜擬合的殘余氣體分析方法及系統(tǒng)。

背景技術(shù)：

1、殘余氣體分析是一種技術(shù)，用于檢測和分析環(huán)境或工業(yè)過程中存在的殘留氣體成分。它在工業(yè)生產(chǎn)、環(huán)境監(jiān)測、醫(yī)療診斷等領(lǐng)域具有重要應(yīng)用。通過殘余氣體分析，可以確定氣體的成分及其濃度，進(jìn)而評估工藝過程、環(huán)境污染程度或健康狀況。

2、現(xiàn)階段殘余氣體分析技術(shù)面臨以下難題：

3、1.現(xiàn)有技術(shù)對于數(shù)據(jù)的處理速度較慢，無法滿足對于氣體實時監(jiān)測的需求；

4、2.現(xiàn)有技術(shù)對于氣體檢測靈敏度和精確度不足，容易受噪聲干擾；

5、3.現(xiàn)有技術(shù)對于多組分氣體分析時解析困難，光譜重疊導(dǎo)致信號干擾嚴(yán)重。

技術(shù)實現(xiàn)思路

1、鑒于上述存在的問題，提出了本發(fā)明。

2、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種基于智能光譜擬合的殘余氣體分析方法，包括以下步驟，

3、利用主成分分析技術(shù)實現(xiàn)光譜數(shù)據(jù)的特征提??；

4、通過自適應(yīng)濾波器完成對光譜信號的自適應(yīng)噪聲過濾，包括，

5、利用小波技術(shù)對降維后的光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)分解，將光譜數(shù)據(jù)分解到尺度系數(shù)和細(xì)節(jié)系數(shù)上，并通過正則化自適應(yīng)濾波器消除細(xì)節(jié)系數(shù)以及尺度系數(shù)上的噪聲，其中：

6、所述正則化自適應(yīng)濾波器是在誤差函數(shù)中引入正則化項來對噪聲執(zhí)行過濾消除，并由此重新得到光譜數(shù)據(jù)；

7、基于非線性最小二乘擬合技術(shù)實現(xiàn)對殘余氣體的成分解析。

8、作為本發(fā)明所述基于智能光譜擬合的殘余氣體分析方法的一種優(yōu)選方案，其中：所述利用主成分分析技術(shù)實現(xiàn)光譜數(shù)據(jù)的特征提取是先利用快速傅里葉變換技術(shù)對光譜數(shù)據(jù)進(jìn)行頻域轉(zhuǎn)換，實現(xiàn)快速提取主要頻率成分，然后利用主成分分析技術(shù)對高維數(shù)據(jù)進(jìn)行降維處理，實現(xiàn)光譜數(shù)據(jù)的特征提??；

9、所述利用快速傅里葉變換技術(shù)對光譜數(shù)據(jù)進(jìn)行頻域轉(zhuǎn)換是通過使用快速傅里葉變換技術(shù)對收集到的離散的光譜信號進(jìn)行快速傅里葉變換，將離散的光譜信號從時域轉(zhuǎn)換為頻域，具體實現(xiàn)如下：

10、將離散的光譜信號劃分成多個數(shù)據(jù)塊，每個劃分的數(shù)據(jù)塊包含連續(xù)的一段波長范圍內(nèi)的光譜數(shù)據(jù)，并將快速傅里葉變換任務(wù)分配給不同的cpu以及gpu；

11、根據(jù)當(dāng)前設(shè)備的cpu以及gpu的資源占用情況，動態(tài)選擇最優(yōu)的計算路徑，當(dāng)cpu資源充足且數(shù)據(jù)規(guī)模小時，選擇利用cpu進(jìn)行快速傅里葉變換計算；當(dāng)gpu資源充足且數(shù)據(jù)規(guī)模大時，選擇利用gpu進(jìn)行快速傅里葉變換計算；

12、根據(jù)選擇的計算路徑，對每個數(shù)據(jù)塊的光譜數(shù)據(jù)進(jìn)行快速傅里葉變換計算，得到相應(yīng)的頻域數(shù)據(jù)；

13、最后將數(shù)據(jù)塊計算得到的頻域數(shù)據(jù)合并，得出最終的頻域結(jié)果，具體實現(xiàn)公式如下：

14、

15、其中，表示第個數(shù)據(jù)塊的光譜數(shù)據(jù)，表示劃分的數(shù)據(jù)塊的總數(shù)，表示采樣點的總數(shù)，為記錄的波長的總數(shù)，表示時域中第個波長處的光譜數(shù)據(jù)，表示旋轉(zhuǎn)因子，用于將光譜數(shù)據(jù)從時域信號轉(zhuǎn)換成頻域信號。

16、作為本發(fā)明所述基于智能光譜擬合的殘余氣體分析方法的一種優(yōu)選方案，其中：所述利用主成分分析技術(shù)對高維數(shù)據(jù)進(jìn)行降維處理是利用主成分分析技術(shù)對經(jīng)過快速傅里葉變換計算的光譜數(shù)據(jù)的頻域結(jié)果，進(jìn)行降維處理，所述降維處理是通過計算數(shù)據(jù)的協(xié)方差矩陣的特征值和特征向量，并確定數(shù)據(jù)中特征方向，將數(shù)據(jù)投影到確定的方向上，進(jìn)而完成數(shù)據(jù)降維處理，具體如下：

17、將經(jīng)過快速傅里葉變換的數(shù)據(jù)轉(zhuǎn)換成頻域數(shù)據(jù)矩陣，且維度為，為數(shù)據(jù)樣本的數(shù)量，為每個樣本數(shù)據(jù)中的特征數(shù)目，為頻域數(shù)據(jù)的維度；

18、然后，通過計算數(shù)據(jù)的均值向量，并將數(shù)據(jù)矩陣中的每個特征減去對應(yīng)的均值，完成數(shù)據(jù)中心化，具體公式如下：

19、

20、

21、其中，表示不同的特征，表示計算的均值向量，表示中心化之后的數(shù)據(jù)矩陣；

22、接著，通過計算數(shù)據(jù)的協(xié)方差矩陣，并完成特征值分解，具體實現(xiàn)公式如下：

23、

24、

25、其中，表示中心化之后的數(shù)據(jù)矩陣，且維度為，為數(shù)據(jù)樣本的數(shù)量，為每個樣本數(shù)據(jù)中的特征數(shù)目，表示的轉(zhuǎn)置矩陣，用于將的行和列交換，得到的矩陣，表示得到的特征值，表示對應(yīng)的特征向量；

26、然后，引入稀疏向量,并將稀疏向量初始化為零向量，將特征向量初始化為隨機向量，利用交替更新的方法，在每一步中分別固定稀疏向量以及特征向量，以實現(xiàn)對另一個變量的更新，具體更新如下：

27、

28、

29、其中，表示中心化之后的數(shù)據(jù)矩陣，且維度為，為數(shù)據(jù)樣本的數(shù)量，為每個樣本數(shù)據(jù)中的特征數(shù)目，表示的轉(zhuǎn)置矩陣，用于將的行和列交換，得到的矩陣，表示的范數(shù)，表示稀疏向量，表示特征向量，表示控制參數(shù)，通過調(diào)整控制參數(shù)的大小，對引入的稀疏向量以及特征向量進(jìn)行迭代更新，直到更新后的特征向量滿足實際應(yīng)用需求為止；

30、最后按照需求選擇主成分構(gòu)建投影矩陣，并將原始數(shù)據(jù)投影至低維空間，進(jìn)而完成數(shù)據(jù)的降維處理，具體實現(xiàn)公式如下：

31、將前個最大的特征值對應(yīng)的特征向量組成特征向量矩陣，且滿足組成公式，，表示原始頻域數(shù)據(jù)矩陣，表示降維后的數(shù)據(jù)矩陣，包含原始數(shù)據(jù)矩陣在特征向量矩陣方向上的投影。

32、作為本發(fā)明所述基于智能光譜擬合的殘余氣體分析方法的一種優(yōu)選方案，其中：所述利用小波技術(shù)對降維后的光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)分解是利用離散小波變換技術(shù)對降維后的數(shù)據(jù)矩陣中每一行的光譜數(shù)據(jù)進(jìn)行分解，通過將光譜數(shù)據(jù)分解為代表低頻成分的尺度系數(shù)以及代表高頻成分的細(xì)節(jié)系數(shù)，具體分解過程如下：

33、首先，將降維后的數(shù)據(jù)矩陣中的每行數(shù)據(jù)分解為奇數(shù)項以及偶數(shù)項，且滿足公式，，其中，表示數(shù)據(jù)矩陣中的每行數(shù)據(jù)組成；

34、然后，利用預(yù)測算子完成細(xì)節(jié)系數(shù)的自適應(yīng)預(yù)測，具體預(yù)測公式如下：

35、

36、

37、

38、其中，表示第層的細(xì)節(jié)系數(shù)，表示預(yù)測算子，表示自適應(yīng)參數(shù)，通過梯度下降法進(jìn)行動態(tài)調(diào)整，表示預(yù)測誤差，表示預(yù)測誤差對自適應(yīng)參數(shù)的梯度；

39、接著，利用更新算子完成尺度系數(shù)的自適應(yīng)更新，具體更新公式如下：

40、

41、

42、

43、其中，表示第層的尺度系數(shù)，表示更新算子，表示自適應(yīng)參數(shù)，通過梯度下降法進(jìn)行動態(tài)調(diào)整，表示更新誤差，表示更新誤差對自適應(yīng)參數(shù)的梯度；

44、最后，將得到的尺度系數(shù)以及細(xì)節(jié)系數(shù)按照從大到小的順序進(jìn)行整合為以及，則表示將降維后的數(shù)據(jù)矩陣成功分解為代表低頻成分的尺度系數(shù)以及代表高頻成分的細(xì)節(jié)系數(shù)。

45、作為本發(fā)明所述基于智能光譜擬合的殘余氣體分析方法的一種優(yōu)選方案，其中：所述通過正則化自適應(yīng)濾波器消除細(xì)節(jié)系數(shù)以及尺度系數(shù)上的噪聲的具體步驟為：

46、在原始誤差函數(shù)基礎(chǔ)上引入正則化項，對誤差函數(shù)進(jìn)行動態(tài)修正，具體修正公式如下：

47、

48、

49、其中，、表示正則化參數(shù)，用于控制正則化項的權(quán)重，、分別表示預(yù)測算子以及更新算子參數(shù)的范數(shù)；

50、利用濾波器權(quán)重對尺度系數(shù)以及細(xì)節(jié)系數(shù)進(jìn)行修正，具體修正公式如下：

51、

52、

53、其中，表示第次迭代時的誤差，、分別表示尺度系數(shù)上濾波器的權(quán)重以及細(xì)節(jié)系數(shù)上濾波器的權(quán)重；

54、根據(jù)更新的權(quán)重進(jìn)行各個尺度上的噪聲消除，具體如下：

55、對于尺度系數(shù)上的數(shù)據(jù)進(jìn)行噪聲消除，

56、對于細(xì)節(jié)系數(shù)上的數(shù)據(jù)進(jìn)行噪聲消除，

57、最后，將得到的尺度系數(shù)以及細(xì)節(jié)系數(shù)按照從大到小的順序進(jìn)行整合為以及，并重新組合成去噪后的光譜數(shù)據(jù)，表示降維后的光譜數(shù)據(jù)完成自適應(yīng)去噪。

58、作為本發(fā)明所述基于智能光譜擬合的殘余氣體分析方法的一種優(yōu)選方案，其中：所述基于非線性最小二乘擬合技術(shù)實現(xiàn)對殘余氣體的成分解析是利用非線性最小二乘技術(shù)將經(jīng)過去噪之后的光譜數(shù)據(jù)與氣體標(biāo)準(zhǔn)光譜數(shù)據(jù)進(jìn)行擬合分析，得出不同的氣體濃度，最后根據(jù)得到的氣體濃度解析殘余氣體的成分及其濃度；

59、所述不同的氣體濃度是根據(jù)氣體成分的疊加原理，對照氣體標(biāo)準(zhǔn)光譜數(shù)據(jù)分析可得，具體如下：

60、

61、其中，表示去噪后的光譜數(shù)據(jù)，表示第種氣體的標(biāo)準(zhǔn)光譜，表示氣體成分的種類數(shù)量，表示第種氣體的濃度，表示誤差項。

62、作為本發(fā)明所述基于智能光譜擬合的殘余氣體分析方法的一種優(yōu)選方案，其中：所述利用非線性最小二乘技術(shù)將經(jīng)過去噪之后的光譜數(shù)據(jù)與氣體標(biāo)準(zhǔn)光譜數(shù)據(jù)進(jìn)行擬合分析是通過最小化誤差項，并對氣體濃度進(jìn)行最小二乘擬合，具體實現(xiàn)公式如下：

63、

64、

65、

66、其中，表示濃度向量，表示雅可比矩陣，且滿足，表示殘差對濃度的偏導(dǎo)數(shù)，表示殘差向量，表示單位矩陣，表示調(diào)節(jié)參數(shù)；

67、所述最小化誤差項是通過多次迭代計算，直到誤差項達(dá)到最小值為止，則可完成氣體對應(yīng)濃度的計算，具體迭代如下：

68、初始化濃度向量，計算當(dāng)前濃度向量對應(yīng)的誤差項;

69、根據(jù)濃度迭代公式，迭代更新計算濃度向量以及對應(yīng)的誤差項；

70、通過調(diào)節(jié)參數(shù)的值實現(xiàn)對濃度向量以及誤差項的更新，若公式成立，則表示當(dāng)前誤差項達(dá)到最小化，若不成立，則表示當(dāng)前誤差項未到達(dá)最小化，繼續(xù)對誤差項進(jìn)行更新迭代，直到公式成立為止。

71、作為本發(fā)明所述基于智能光譜擬合的殘余氣體分析系統(tǒng)的一種優(yōu)選方案，其中：包括，特征提取模塊，噪聲過濾模塊以及殘余氣體分析模塊；所述特征提取模塊，用于利用主成分分析技術(shù)實現(xiàn)對光譜數(shù)據(jù)的特征提取；所述噪聲過濾模塊，用于利用自適應(yīng)過濾器實現(xiàn)對光譜數(shù)據(jù)的噪聲過濾；所述殘余氣體分析模塊，用于利用非線性最小二乘擬合技術(shù)實現(xiàn)對殘余氣體的成分分析。

72、本發(fā)明的有益效果：本發(fā)明通過動態(tài)選擇數(shù)據(jù)計算路徑，能夠提高快速傅里葉變換的計算效率，實現(xiàn)了光譜數(shù)據(jù)的快速提取主要頻率成分；通過在對高維數(shù)據(jù)進(jìn)行降維處理時引入稀疏向量，并對后續(xù)特征向量進(jìn)行稀疏性約束，提高了主成分分析技術(shù)的降維效率；通過在自適應(yīng)濾波器的基礎(chǔ)上，引入正則化技術(shù)，不僅提升了去噪效果，還增加了魯莽性和穩(wěn)定性；通過在擬合技術(shù)中加入迭代計算規(guī)則，能夠?qū)崿F(xiàn)對殘余氣體的精確分析，提高了氣體分析的精確度。