燕山大学电气工程学院, 河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
气溶胶光学厚度(AOD)是气溶胶浓度和大气浊度的重要表征参数。 通过遥感手段实现大气气溶胶光学厚度的反演是大气监测与治理过程中的重要方式, 其中遥感反演AOD的重点和难点是如何选择适合卫星传感器成像特点的方法和符合研究区域的气溶胶类型。 针对传统暗目标法无法直接应用于高分四号(GF-4)卫星多光谱遥感数据的问题, 通过研究得出了GF-4卫星多光谱数据中红、 蓝波段等效地表反射率的分布和两者之间的线性关系, 结合AOD反演原理改进暗目标法使其适用于GF-4卫星多光谱遥感数据; 分析6S辐射传输模型输入参数中气溶胶类型对AOD反演精度的影响, 结果表明气溶胶类型是影响AOD高精度反演的关键要素之一; 利用粒子群(PSO)聚类算法对京津冀地区气溶胶特性实测样本进行聚类分析, 通过分析各个气溶胶类型聚类结果的占比和半衰期变化情况, 最终确定聚类得到的C1、 C4型和6S模型内置的大陆型气溶胶类型进行京津冀地区的AOD反演。 为了验证不同气溶胶类型AOD反演结果的精度, 将反演结果与MODIS气溶胶产品和气溶胶自动观测网(AERONET)地基站点数据进行对比验证, 通过相关系数、 绝对误差等评价标准对不同气溶胶类型的适用性和特点进行评价。 实验结果表明, 以细粒子为主导的C4型气溶胶更满足京津冀地区夏秋两季的气溶胶特点, 与AERONET地基数据的一致性较好, 进一步证明了PSO聚类算法能够有效减小气溶胶类型的差异对AOD反演精度的影响。
气溶胶 GF-4卫星多光谱数据 京津冀地区 PSO聚类算法 Aerosol GF-4 satellite multispectral data Beijing-Tianjin-Hebei region PSO clustering algorithm 光谱学与光谱分析
2020, 40(11): 3321
1 燕山大学 电气工程学院 河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066044
2 汉中市质量技术检验检测中心, 陕西 汉中 723000
为了实现甲烷浓度的测量, 设计了基于差分吸收检测原理的甲烷浓度检测系统。检测系统中的气室部分使用了全反射棱镜配合凹面镜的方法来增加光程, 使光能够被气体充分吸收, 达到了提高测量精度的效果。在测量过程中, 受到环境因素的影响, 使得接受的信号中存在大量的噪声, 为此提出利用小波优化EEMD的方法对接收的信号进行去噪处理, 得到的信噪比为16.9925, 均方根误差为1.5447×10-4。实验结果表明相比于EEMD或小波的去噪方法, 使用小波优化后的EEMD具有更好的噪声抑制效果, 方法适用于甲烷收发谱信号的去噪处理。
光谱学 红外差分吸收法 甲烷收发谱信号 集合经验模态分解(EEMD) 小波去噪 spectroscopy infrared differential absorption method methane transmission and reception spectrum signal collective empirical mode decomposition (EEMD) wavelet denoising
燕山大学 电气工程学院, 河北 秦皇岛 066004
为了准确、快速地检测和预测甲烷气体的浓度, 设计了基于红外差分吸收法的甲烷浓度检测系统.为了降低系统部件不稳定带来的影响, 检测系统采用双气室结构, 气室的输入和输出接口处通过渐变折射率透镜连接到传输光纤, 以降低光强的损耗.系统对甲烷检测结果的平均误差为0.007 5.基于粒子群优化的误差反向传播神经网络算法构建了甲烷预测模型, 以浓度在0.2%~2.0%范围内的甲烷气体为研究对象.在样本训练过程中, 预测模型的精度达到10-4, 实际输出值与期望值线性回归的相关系数为0.998 8, 最大相对标准偏差为0.248%.实验结果表明, 在甲烷浓度预测中, 相对于误差反向传播神经网络预测模型, 粒子群优化误差反向传播神经网络的预测性能更优.
气体 吸收光谱 误差反向传播 神经网络 甲烷 浓度预测 Gases Absorption spectroscopy Error back propagation neural network Methane Concentration prediction
燕山大学河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
胭脂红是一种应用广泛的食品色素, 在各种食品、 饮料的添加剂里都有它的身影, 过量食用人工合成色素会严重危害健康。 食物中色素一般都是多种联用, 各种色素之间会相互产生干扰, 这加大了对食品中色素检测的难度, 模拟食品中多种色素共存的环境, 采用荧光光谱技术, 结合PSO-SVM算法, 建立一种测定混合溶液中胭脂红含量的方法。 从试剂公司购买胭脂红和苋菜红固体粉末, 选择胭脂红为待检测色素, 苋菜红为干扰色素, 配成不同浓度的胭脂红单色溶液以及加入苋菜红后的混合溶液样本, 其中胭脂红的浓度在0.1~30 μg·mL-1之间, 干扰色素苋菜红的浓度在0.1~10 μg·mL-1之间随意添加。 运用Edinburgh Instruments 公司生产的FS920稳态荧光光谱仪, 测得胭脂红单色溶液与加入苋菜红后混合溶液的荧光光谱图, 分析得到胭脂红的最佳激发波长为λex=326 nm, 最佳发射波长为λem=430 nm。 各选取6组不同浓度的单色样本以及混合色素样本, 其中, 胭脂红的物质浓度同为3, 4, 5, 6, 7和8 μg·mL-1, 苋菜红的物质浓度都定在2 μg·mL-1。 观察6组样本在激发波长λex=326 nm时的发射光谱和荧光强度的关系。 单色样本中, 胭脂红浓度与荧光强度线性关系良好; 而在混合溶液中, 随着胭脂红浓度的增加, 荧光强度呈现出先降后增再降的过程, 光谱线型、 强度与各组分浓度间存在复杂的非线性关系, 得以证明混合溶液的荧光光谱并不是由各组分光谱简单的叠加, 而是在吸收光谱的过程中, 胭脂红溶液与苋菜红溶液存在竞争和相互影响。 配取25组胭脂红、 苋菜红混合溶液, 从中选择7个作为预测样本, 其余18组作为训练样本。 7 个预测样本中胭脂红的浓度分别为 1.0, 2.0, 4.0, 6.0, 9.0, 12和15 μg·mL-1, 干扰物质苋菜红的物质浓度在0.1~10 μg·mL-1之间。 选择各组样本在最佳激发波长λex=326 nm 下对应的荧光强度, 作为检测模型的输入, 以胭脂红的预测浓度作为输出。 对PSO参数初始化设置后, 训练输出SVM的最佳参数c和g, 将所得的最佳参数输入PSO-SVM模型, 得到7组预测样本的浓度预测结果分别为: 1.146 9, 1.860 6, 3.854 4, 6.146 9, 9.133 8, 11.857 6和14.859 8 μg·mL-1。 分析PSO-SVM的预测结果, 得到胭脂红平均回收率为100.84%, 预测均方根误差(RMSEP)为1.03×10-4, 模型输出与真实值之间的相关系数是0.999。 在同等条件下, 采用误差逆向传播算法(BP)预测得到的7组样本浓度分别为: 1.140 1, 2.139 8, 3.188 2, 6.436 2, 8.882 7, 11.860 1和12.664 3 μg·mL-1, 其平均回收率为98.56%, 均方根误差为4.65×10-3, 输出值与真实值之间的相关系数为0.972。 与误差逆向传播算法(BP)的预测结果相比较, PSO-SVM 相关系数高出2.7%, 平均回收率高出0.6%, 均方根误差降低了将近一个数量级。 分析结果表明, 通过荧光光谱技术与PSO-SVM相结合的方法, 能够有效的避开干扰色素的影响, 准确的测定混合溶液中胭脂红的含量, 并且效果相比较于BP更加理想。
荧光光谱 胭脂红 粒子群优化算法 支持向量机 Fluorescence spectroscopy Carmine Particle swarm optimization algorithm Support vector machine