1 中北大学电子测试技术重点实验室, 山西 太原030051
2 山西省光电信息与仪器工程技术研究中心, 山西 太原030051
3 仪器科学与动态测试教育部重点实验室, 山西 太原030051
提出一种新的有效的FTIR光谱气体浓度反演的方法。 该方法将区间划分的思想用于红外光谱波长优化筛选, 即将红外光谱在给定波长范围内划分为若干个子区间, 在每个子区间中利用遗传算法(genetic algorithm, GA)优化后的极限学习机(extreme learning machine, ELM)建立浓度预测模型, 根据每个子区间测试集均方根误差RMSE和相关系数R2的大小评价模型的泛化性能, 筛选出最优子区间组合建立预测模型。 通过含干扰组分(CO2, N2O)的CO气体的 FTIR光谱对提出的算法进行了验证, 在波段为2 140~2 220 cm-1范围内利用区间法筛选出的最优组合作为变量, 应用GA-ELM建立的浓度反演模型, 其决定系数R2为0.987 4, 均方根误差RMSE为154.996 3, 建模时间仅为0.8 s, 表明该算法(Interval-GA-ELM, iGELM)的应用不仅缩短了建模时间, 而且在干扰组分存在的情况下, 依然可以准确筛选出特征波长, 从而提高了模型稳定性和预测精度, 为大气污染气体遥测分析提供了行之有效的方法。
区间划分 极限学习机 遗传算法 气体浓度反演 Interval dividing Extreme learning machine Genetic algorithm Concentration retrieval of gas FTIR spectra 光谱学与光谱分析
2014, 34(5): 1244