傅立叶变换红外(FTIR)光谱系统用He-Ne激光干涉信号作为参考信号,存在过零点采样误差。 基于光的干涉原理,通过傅里叶变换建立了FTIR光谱仪采样误差与光谱鬼线位置和强度之间的理论仿 真模型。为降低采样误差,采用三次样条插值法修正过零点误差,线性插值法重建红外光干涉信号 强度。结果表明该模型可以作为由采样误差引起光谱误差修正算法的理论依据,三次样条插值法 用于He-Ne信号过零点重建能减小采样误差,误差范围降低了93%,线性插值法用于红外光信号强 度重建能提高光谱信噪比,平均提高5.7%。

通过分析圆形通光孔径下动镜倾斜角度对干涉调制度和相位误差的影响,设计了定镜动态校正方案。传统的比例-积分-微分(PID)控制器 严格依赖于动态校正系统的数学模型,在实际的闭环系统中无法精确获取模型所有参数。系统采用了模糊PID控制策略,选择模糊输入输 出论域的隶属度函数,制定模糊规则库,再经过模糊推理、清晰化处理,给出了闭环控制系统实现方法。通过实验,验证了此种校 正方法的可行性,有效地摆脱了对校正系统准确的数学模型的依赖,能够将激光干涉调制度从0.6提升到0.99,相位差降低 到0.1°左右,且相对于传统PID控制,稳定性能较好、调整时间较短。

采用红外光谱技术对未知气体组分进行监测, 需要对气体组分进行定性识别分析。 基于多元线性回归模型的LASSO变量选择技术广泛应用于数据分析领域。 将LASSO方法引入到红外光谱分析领域, 提出一种LASSO变量选择技术结合循环线性最小二乘(LCLS)分析的定性识别方法, 并开展了相关的实验对其进行验证。 实验采集CO, C2H4, NH3, C3H8, C4H10和C6H14六种单组分傅里叶变换红外(FTIR)光谱吸光度谱以及一组C2H4和NH3混合组分的吸光度谱, 结合实验室自建光谱数据库, 先采用LASSO方法对采集的光谱进行初步定性分析, 然后使用LCLS方法剔除干扰组分。 实验结果表明, LASSO结合LCLS的方法能有效识别出光谱中的目标组分, 即使是在干扰严重的光谱波段也可以剔除掉大部分的干扰组分。

随着餐饮业的发展, 餐饮烟气已经成为某些城市三大空气污染源之一。 由于餐饮烟气对人体健康威胁很大, 近年来对餐饮烟气的研究愈来愈热。 餐饮烟气中包含有大量食用油加热过程中裂解而产生的不饱和烃类, 危害着人类健康。 不同食用油裂解出来的成分以及含量有所不同, 通过构建一定的分类识别数学模型, 从而实现对食用油分类识别。 采用自主研发的傅里叶变换红外光谱仪, 采集了不同食用油油烟烟气红外光谱数据。 同时构建了主成分分析(PCA)分别结合概率神经网络(PNN)以及误差反向传播人工神经网络(BPANN)的分类识别算法。 将两种分类识别算法对不同食用油油烟烟气的傅里叶变换红外光谱数据进行分析。 通过样本数据对数学模型进行训练, 将训练好的数学模型对未知光谱数据进行分析, 来确定产生油烟烟气的食用油种类。 实验结果表明, 两种算法都能对不同的油烟种类进行较好地分类识别。 在全波段识别时, 识别率分别达到90.25%和97.0%。 通过对烟气光谱数据的吸收波段进行分析, 提取大气窗口并且具有较强可挥发性有机物(VOCs)吸收特征的波段（1 300～700 cm-1以及3 000～2 600 cm-1）; 将吸光度数据分成两个分离的吸收波段, 两种算法在3 000～2 600 cm-1波段都有较好的识别效果, PCA-PNN算法识别率为90.25%, PCA-BPANN算法识别率为92.25%。 可见, 两种人工神经网络算法都能有效对食用油烟种类进行识别。