本文關(guān)鍵詞：支持向量機(jī)在多組混合氣體定量分析中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著中國實(shí)體經(jīng)濟(jì)不斷提高,汽車的保有量在逐年提高,隨之帶來的環(huán)境污染問題也變得越來越嚴(yán)重,因此,做好尾氣排放檢測工作變得十分重要。排放檢測工作應(yīng)用汽車尾氣傳感器,利用不分光紅外吸收法對排放的混合氣中有害氣體進(jìn)行同時(shí)測量。當(dāng)進(jìn)行多組分氣體同時(shí)測量時(shí),多條待測組分氣體的紅外吸收譜線間存在嚴(yán)重的重疊交叉,即存在一定的吸收干擾;此外,環(huán)境中其它組分氣體對待測氣體也會產(chǎn)生交叉干擾(如H2O和O2)的影響。這種混合氣體吸收干擾的非線性問題,如果不加以回歸分析及修正,將嚴(yán)重影響測量的靈敏度和精度。本文以不分光紅外法(NDIR)的多組分氣體濃度傳感器為研究對象,詳細(xì)闡述了國內(nèi)外多組分氣體濃度檢測技術(shù)發(fā)展?fàn)顩r以及交叉干擾修正技術(shù)。接著介紹了本檢測系統(tǒng)的原理,包括不分光檢測原理、紅外吸收原理以及理論推導(dǎo),特別闡述了非線性建模分析技術(shù),以消除交叉干擾的影響。最后,本文通過引入SVM算法進(jìn)行建模修正,并結(jié)合網(wǎng)格搜索法和粒子群優(yōu)化算法對參數(shù)進(jìn)行尋優(yōu),將模型用于多組分混合氣體的定量分析中。將遺傳算法(GA)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)用于氣體分析中,并與支持向量機(jī)建模方法進(jìn)行比較,實(shí)驗(yàn)表明:支持向量機(jī)方法在處理交叉干擾問題上更為優(yōu)越。
【關(guān)鍵詞】：傳感器應(yīng)用 支持向量機(jī) 粒子群優(yōu)化 遺傳算法 定量分析
【學(xué)位授予單位】：中國計(jì)量學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：X831;TP18
【目錄】：

• 致謝5-6
• 摘要6-7
• Abstract7-13
• 1 緒論13-30
• 1.1 研究背景、選題的科學(xué)依據(jù)及意義13-16
• 1.2 多組分氣體濃度檢測與交叉干擾修正技術(shù)研究進(jìn)展16-19
• 1.2.1 國外多組分氣體濃度檢測與交叉干擾修正技術(shù)發(fā)展16-17
• 1.2.2 國內(nèi)多組分氣體濃度檢測與交叉干擾修正技術(shù)發(fā)展17-19
• 1.3 多組分氣體濃度檢測技術(shù)概述19-27
• 1.3.1 獨(dú)立成分分析技術(shù)19-20
• 1.3.2 傅里葉變換紅外光譜技術(shù)20-21
• 1.3.3 人工神經(jīng)網(wǎng)絡(luò)技術(shù)21-24
• 1.3.4 小波分析技術(shù)24-25
• 1.3.5 支持向量機(jī)技術(shù)25-27
• 1.4 論文的主要研究內(nèi)容及結(jié)構(gòu)布局27-29
• 1.4.1 論文的主要研究內(nèi)容27
• 1.4.2 論文的結(jié)構(gòu)布局27-29
• 1.5 本章小結(jié)29-30
• 2 多組分氣體檢測系統(tǒng)原理30-39
• 2.1 不分光紅外檢測原理30-31
• 2.2 紅外光譜吸收31-33
• 2.2.1 紅外光譜吸收原理31-32
• 2.2.2 紅外光譜吸收的優(yōu)點(diǎn)32-33
• 2.3 紅外光譜吸收波段的選擇33-34
• 2.4 理論推導(dǎo)和計(jì)算34-37
• 2.5 紅外光譜檢測法的干擾修正37-38
• 2.6 本章小結(jié)38-39
• 3 干擾修正——非線性建模分析技術(shù)39-46
• 3.1 氣體定量分析校正技術(shù)39
• 3.2 基于核函數(shù)的非線性建模39-41
• 3.2.1 核函數(shù)的基本原理39-40
• 3.2.2 核函數(shù)方法的特點(diǎn)40
• 3.2.3 不同的基于核函數(shù)的方法40-41
• 3.3 異常檢測與穩(wěn)健建模41-45
• 3.3.1 異常檢測42-44
• 3.3.2 穩(wěn)健建模44-45
• 3.4 本章小結(jié)45-46
• 4 支持向量機(jī)算法在混合氣體定量分析中的應(yīng)用46-56
• 4.1 支持向量機(jī)參數(shù)的優(yōu)化46
• 4.2 GS—SVM算法的應(yīng)用46-50
• 4.2.1 網(wǎng)格搜索（Grid Search，，GS）法的基本思想46
• 4.2.2 改進(jìn)的網(wǎng)格搜索法46-47
• 4.2.3 樣本選擇及優(yōu)化47-49
• 4.2.4 仿真與分析49-50
• 4.3 PSO—SVM算法的應(yīng)用50-55
• 4.3.1 粒子群優(yōu)化（Particle Swarm Optimization，PSO）的基本思想50-51
• 4.3.2 樣本選擇及優(yōu)化51-53
• 4.3.3 仿真與分析53-55
• 4.4 本章小結(jié)55-56
• 5 人工神經(jīng)網(wǎng)絡(luò)算法在氣體定量分析中的應(yīng)用56-66
• 5.1 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)56-58
• 5.1.1 BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建56-57
• 5.1.2 BP神經(jīng)網(wǎng)絡(luò)的初始化57
• 5.1.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練57-58
• 5.1.4 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測58
• 5.1.5 BP神經(jīng)網(wǎng)絡(luò)的泛化能力58
• 5.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)58-61
• 5.2.1 遺傳算法原理58-59
• 5.2.2 遺傳算法的基本操作59
• 5.2.3 算法流程59-60
• 5.2.4 算法實(shí)現(xiàn)60-61
• 5.3 樣本選擇及優(yōu)化61-63
• 5.4 仿真與分析63-65
• 5.5 本章小結(jié)65-66
• 6 總結(jié)與展望66-68
• 6.1 論文總結(jié)66
• 6.2 未來展望66-68
• 參考文獻(xiàn)68-73
• 作者簡介73

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張鴻雁;;基于樹狀結(jié)構(gòu)的支持向量機(jī)多分類方法[J];煤礦機(jī)械;2008年06期

2 袁曉鷹;邵元海;王震;;基于支持向量機(jī)煤炭產(chǎn)地的鑒別研究[J];潔凈煤技術(shù);2011年04期

3 陳文杰,王晶;支持向量機(jī)在工業(yè)過程中的應(yīng)用[J];計(jì)算機(jī)與應(yīng)用化學(xué);2005年03期

4 胡哲;鄭誠;閔鵬鵬;;支持向量機(jī)及其應(yīng)用研究[J];重慶科技學(xué)院學(xué)報(bào)(自然科學(xué)版);2008年02期

5 楊靜;殷志祥;崔健中;;支持向量機(jī)的蛋白質(zhì)遠(yuǎn)程同源檢測方法分析[J];安徽理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年03期

6 王永;程燦;戴明軍;孫永;;一種半監(jiān)督支持向量機(jī)優(yōu)化方法[J];工礦自動(dòng)化;2010年12期

7 丁勝鋒;;一種改進(jìn)的雙支持向量機(jī)[J];遼寧石油化工大學(xué)學(xué)報(bào);2012年04期

8 鄭小霞;錢鋒;;基于小波和支持向量機(jī)的故障趨勢預(yù)報(bào)[J];計(jì)算機(jī)與應(yīng)用化學(xué);2008年01期

9 王平;;基于支持向量機(jī)的空氣降塵預(yù)測[J];科技情報(bào)開發(fā)與經(jīng)濟(jì);2009年02期

10 劉培勝;賈銀山;韓云萍;;一種改進(jìn)的簡化支持向量機(jī)[J];遼寧石油化工大學(xué)學(xué)報(bào);2009年01期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評估模型[A];第六屆（2011）中國管理學(xué)年會——商務(wù)智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會2005年信息技術(shù)與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識方法研究及應(yīng)用[A];中國力學(xué)大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測膜蛋白類型[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國智能自動(dòng)化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國控制與決策學(xué)術(shù)年會論文集[C];2006年

10 侯澍e

本文編號：321389