本文選題：紫外可見光譜 + 近紅外光譜��； 參考：《光譜學與光譜分析》2017年02期

【摘要】：采用紫外可見(ultraviolet/visible,UV-Vis)光譜技術和近紅外(near-infrared,NIR)光譜技術及信息融合技術對乙醇汽油中乙醇含量進行了檢測。首先采用組合區(qū)間偏最小二乘(synergy interval PLS,SiPLS)算法作為特征提取方法,分別建立了基于UV-Vis和NIR光譜的偏最小二乘(PLS)回歸模型;再根據(jù)油品的實際情況,運用信息融合理論將UV-Vis和NIR光譜信息進行融合,建立了數(shù)據(jù)級融合(low level data fusion,LLDF)和特征級融合(mid-level data fusion,MLDF)模型,并與單譜源模型效果進行了比較,確定了最優(yōu)模型為數(shù)據(jù)級融合后再進行矢量歸一化的模型(LLDF-VN1);最后分別用高乙醇含量樣品和市售汽油樣品的光譜數(shù)據(jù)對該最優(yōu)模型進行了通用性檢驗。結果表明:UV-Vis和NIR光譜數(shù)據(jù)單獨建模均能很好的檢測并提供較好的預測結果;而UV-Vis和NIR光譜數(shù)據(jù)直接融合在基于校正集的回歸模型中效果最好,其校正集相關系數(shù)rc=0.999 9,校正集交叉驗證均方差RMSECV=0.125 8,校正集整體評價偏差Bias_c=0.000 6;而采用數(shù)據(jù)級融合后再進行矢量歸一化的模型(LLDF-VN1)的預測效果為最佳,其r_p=0.999 1,RMSEP=0.352 7,Bias_p=-0.073 8;自配溶液對最優(yōu)模型(LLDF-VN1)的通用性驗證中,r_p=0.999 7,RMSEP=0.329 1,Bias_p=0.102 2;市售汽油對最優(yōu)模型(LLDF-VN1)的通用性驗證中,r_p=0.990 1,RMSEP=0.892 7,Bias_p=0.675 1。實驗結果說明通過將UV-Vis和NIR光譜信息進行數(shù)據(jù)級融合可以快速、準確的檢測出乙醇汽油中乙醇的含量,并能實現(xiàn)乙醇濃度的寬范圍檢測,為進一步實現(xiàn)混合油品中物質的快速檢測奠定了基礎。
[Abstract]:The content of ethanol in ethanol gasoline was determined by ultraviolet / visible (UV-Vis), near-infrared (NIR) and information fusion techniques. The partial least squares (PLS) regression models based on UV-Vis and NIR spectra are established by using the combinatorial interval partial least squares (synergy interval) (synergy interval SiPLS algorithm as the feature extraction method, and then according to the actual conditions of the oil, the partial least squares (PLS) regression models based on UV-Vis and NIR spectra are established respectively. UV-Vis and NIR spectral information were fused by using information fusion theory, and the data level fusion (low level data fusion model and the characteristic level fusion model were established, and the results were compared with those of the single spectral source model. The optimal model was established as a vector normalization model (LLDF-VN1) after data level fusion, and the general use of the optimal model was tested with the spectral data of high ethanol content sample and gasoline sample respectively. The results show that the single modeling of the spectral data of: UV-Vis and NIR can well detect and provide better prediction results, while the direct fusion of UV-Vis and NIR spectrum data is the best in the regression model based on correction set. The correlation coefficient of correction set is rc=0.999 9, the mean square deviation of correction set cross validation is 0.1258, and the deviation of whole evaluation of correction set is Biasspar 0.000 6. The model of vector normalization after data level fusion (LLDF-VN1) is the best one. Its r_p=0.999 1 / RMS EPN 0.352 7 / Biasp _ (+) -0.073 8; RMP ~ (0.999 7) RMS EP0.329 ~ (1) Biasp ~ (0.102); rp0. 990 ~ (1) RMSEPN ~ (0.892 7) Biasp ~ (0.675); rp0. 990 ~ (1) RMSEPN ~ (0.892 7) Biasp _ (0.675)] in the verification of the generality of the optimal model (LLDF-VN1) of gasoline sold in the market. The experimental results show that the data level fusion of UV-Vis and NIR spectrum information can quickly and accurately detect the ethanol content in ethanol gasoline, and can achieve a wide range of detection of ethanol concentration. It lays a foundation for the rapid detection of substances in mixed oil products.
【作者單位】： 燕山大學信息科學與工程學院河北省特種光纖與光纖傳感重點實驗室;內蒙古民族大學物理與電子信息學院;
【基金】：國家自然科學基金項目(61475133) 河北省科技計劃項目(15273304D,14273301D,16273301D,16213902D)資助
【分類號】：O657.33;TE626.21

【相似文獻】

相關期刊論文 前10條

1 王正友;企業(yè)信息融合模型及其神經網(wǎng)絡描述[J];中國礦業(yè);2004年08期

2 常云龍,薛家祥,黃石生;機器人點焊多信息融合及控制[J];焊接學報;2000年02期

3 王淑芳;任蘭珍;;基于多傳感器信息融合技術的智能駕駛系統(tǒng)模型[J];北京石油化工學院學報;2006年03期

4 韓曉明;杜長龍;張永忠;翟繼濤;;基于信息融合的機械故障診斷技術研究[J];煤炭科學技術;2007年03期

5 張幼振;;基于Dempster-Shafter信息融合的井下定向鉆孔軌跡預測[J];煤礦安全;2009年04期

6 楊明;朱杰;高延銘;;基于信息融合的海洋溢油識別判據(jù)的研究[J];信息技術;2012年04期

7 籍天亮;李長錄;;基于信息融合及爆炸三角形理論的評估方法應用[J];自動化與儀器儀表;2013年04期

8 胡勝利;丁瑞國;劉攀;;基于嵌入式多傳感器的信息融合模型的研究[J];安徽理工大學學報(自然科學版);2008年01期

9 徐鵬;楊雪鋒;;基于協(xié)整理論的船載危險品在途安全狀態(tài)信息融合處理[J];傳感器與微系統(tǒng);2013年12期

10 水祺,呂景輝;火災報警系統(tǒng)中的信息融合[J];國外電子測量技術;2005年06期

相關會議論文 前10條

1 朱茵;王軍利;;交通管理綜合信息融合模型研究[A];第二十七屆中國控制會議論文集[C];2008年

2 顧星;;中醫(yī)診斷與體表生物特征多信息融合的思考[A];中國中西醫(yī)結合學會診斷專業(yè)委員會2009’年會論文集[C];2009年

3 王志勝;甄子洋;王道波;范大鵬;;隨機大系統(tǒng)的信息融合最優(yōu)聯(lián)合控制[A];PCC2009—第20屆中國過程控制會議論文集[C];2009年

4 楊為民;李龍澍;;基于GIT的信息融合在農業(yè)信息中的應用[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

5 劉汝杰;袁保宗;;信息融合的認知學基礎與D-S融合方法[A];第九屆全國信號處理學術年會（CCSP-99）論文集[C];1999年

6 杜奕;遲毅林;伍星;;概率盒和D-S結構體在機械故障信號信息融合中的應用展望[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

7 李樹軍;蔣曉瑜;紀紅霞;;多傳感器信息融合技術和典型算法的應用詮釋[A];中國系統(tǒng)工程學會決策科學專業(yè)委員會第六屆學術年會論文集[C];2005年

8 孫來軍;沈永良;;多SVM多級信息融合與診斷決策模型的研究[A];2007'中國儀器儀表與測控技術交流大會論文集（二）[C];2007年

9 杜奕;遲毅林;伍星;;信息融合在設備監(jiān)測和故障診斷中的應用[A];第二十七屆中國控制會議論文集[C];2008年

10 李錄平;鄒新元;晉風華;黃樹紅;盧緒祥;;基于信息融合的旋轉機械振動狀態(tài)評價方法研究[A];第八屆全國振動理論及應用學術會議論文集摘要[C];2003年

相關重要報紙文章 前2條

1 周新紅 田朝暉 段勇;信息融合：現(xiàn)代戰(zhàn)爭的重要支撐[N];解放軍報;2005年

2 本報記者 別坤;信息融合讓地鐵更快捷[N];計算機世界;2012年

相關博士學位論文 前10條

1 胡洲;信息融合欠驅動控制技術研究[D];南京航空航天大學;2014年

2 張云璐;基于用戶信息融合的個性化推薦[D];武漢大學;2012年

3 王恩雁;基于本體的多源異構應急信息融合方法研究[D];哈爾濱工業(yè)大學;2014年

4 文妍;基于多源信息融合的數(shù)控機床進給系統(tǒng)機械故障診斷研究[D];青島理工大學;2016年

5 吳榮春;軍事信息系統(tǒng)中信息融合關鍵技術研究[D];電子科技大學;2016年

6 朱林;信息融合系統(tǒng)工程設計準則的研究[D];哈爾濱工程大學;2005年

7 朱方;多信息融合模式分類方法研究及在公交客流識別系統(tǒng)中的應用[D];河北工業(yè)大學;2010年

8 孔慶杰;信息融合理論及其在交通監(jiān)控信息處理中的應用[D];上海交通大學;2010年

9 王曉帆;信息融合中的態(tài)勢評估技術研究[D];西安電子科技大學;2012年

10 王志勝;信息融合估計理論及其在航天器控制中的應用研究[D];西北工業(yè)大學;2002年

相關碩士學位論文 前10條

1 莊穎;信息融合的粗糙集方法研究[D];昆明理工大學;2015年

2 李曉;基于信息融合的高速列車轉向架故障診斷[D];西南交通大學;2015年

3 陳昭;基于云計算的中藥信息融合知識服務平臺構建[D];福建中醫(yī)藥大學;2015年

4 陳亭亭;雷達與AIS信息融合技術的研究[D];大連海事大學;2015年

5 萬守鵬;基于信息融合的艙音信號分析與安全診斷[D];上海應用技術學院;2015年

6 張寧波;基于信息融合的電子產品故障診斷[D];中北大學;2015年

7 劉萌萌;基于信息融合的改進極限學習機預測算法研究[D];遼寧大學;2015年

8 田靜;基于聲波特征的管道泄漏信息融合故障診斷方法研究[D];河北科技大學;2015年

9 彭毅;基于振動和油液信息融合的發(fā)動機故障診斷方法研究[D];廣西大學;2014年

10 舒適;基于信息融合的公交車自燃檢測預警系統(tǒng)[D];浙江工業(yè)大學;2015年

，

本文編號：2058195