学位论文 > 优秀研究生学位论文题录展示

微型光谱仪信号处理与分析系统的研究

作　者: 熊宇虹
导　师: 温志渝
学　校: 重庆大学
专　业: 仪器科学与技术
关键词: 微型光谱仪光谱分析信号处理光谱识别
分类号: TH744.1
类　型: 博士论文
年　份: 2005年
下　载: 546次
引　用: 2次
阅　读: 论文下载

内容摘要

微型化、集成化和智能化是光谱仪发展的重要方向。以微机械、微电子和微光学为基础的微光机电系统为光谱仪的微型化、集成化创造了条件,而计算机、人工智能和化学计量学的发展则为光谱仪的智能化提供了契机。光谱信号的处理与分析是整个微型光谱仪分析系统的重要组成部分,也是光谱仪智能化的关键所在。开展这方面的研究,对提高微型光谱仪的性能,拓宽应用范围都有着重要的理论和现实意义。本论文的工作得到了国家自然科学基金项目(60308007)、国家863项目(2004AA4040,2004AA404023)、科技部国际合作项目(2004DFA00600)的资助,以重庆大学微系统研究中心研制的微型光谱仪为基础,以光谱信号为研究对象,对微型光谱仪信号处理与分析技术的相关问题进行了深入的探讨,建立了微型光谱仪信号处理与分析系统的模型体系结构,对多组分检测、波长选择、光谱识别和模型传递等问题进行了详细的研究,提出了相应的算法与策略。具体而言,主要完成以下几个方面的研究工作:①在查阅了大量文献、资料和总结前期研制的微型光谱仪信号处理软件的基础上,建立了具有智能化、实用化特点的微型光谱仪信号处理与分析系统的模型体系结构。②深入研究了光谱信号的多组分测定问题,以高效、实用化为目标,从实验设计到算法选择进行了较为详细地分析和论述,提出了基于均匀设计、小波变换和支持向量机的组合式算法和策略,解决了在光谱多组分测量中遇到的非线性校正问题。③探讨了光谱信号定量分析中的波长选择问题,提出了基于粒子群优化算法的分段波长选择方法,以解决定量分析中波长选择的主观随意性和已有方法算法复杂、收敛慢的缺点。④深入探讨了光谱信号的识别问题,对光谱识别的基本方法和光谱信号的特征提取方法进行了相应的分析研究,提出了采用多特征和神经网络构建光谱识别框架的方法,以实现光谱信号的快速正确地识别。⑤研究了光谱信号的模型转换问题,提出了采用基于支持向量机的分段直接校正方法解决不同光谱仪对相同测定条件下同种溶液测量信号之间的数据转换问题,为实现不同光谱仪测量数据的通用性、可比性提供了依据。

全文目录

中文摘要  5-6
英文摘要  6-10
1 绪论  10-18
  1.1 微型化、集成化和智能化是光谱仪发展的重要方向  10-11
  1.2 微型光谱仪的研究概况  11
  1.3 微型光谱仪信号处理与分析技术的国内外研究现状  11-16
    1.3.1 国外研究现状  11-14
    1.3.2 国内研究现状  14-16
  1.4 研究微型光谱仪信号处理与分析技术的目的和意义  16
  1.5 本论文的主要研究内容  16-17
  1.6 本章小结  17-18
2 相关基础理论  18-28
  2.1 光谱仪的分类和基本结构  18-19
  2.2 测定分析的理论基础  19
  2.3 产生理论误差的主要来源  19-20
  2.4 测量条件的选择  20-21
  2.5 光谱信号的基本特点和去噪声处理  21-22
  2.6 均匀设计和交叉验证  22-24
  2.7 软件系统的基本模型框架  24-27
  2.8 本章小结  27-28
3 多组分分析和波长选择  28-66
  3.1 多组分分析问题的提出  28-29
  3.2 多组分分析的常用算法  29-33
    3.2.1 加和性定理的矩阵表示  29
    3.2.2 多元线性回归法  29-30
    3.2.3 卡尔曼滤波法  30-31
    3.2.4 k 矩阵法  31
    3.2.5 p 矩阵法  31-32
    3.2.6 主成分回归法  32
    3.2.7 偏最小二乘回归法  32-33
    3.2.8 神经网络法  33
  3.3 基于支持向量机的方法  33-46
    3.3.1 研究背景  33-34
    3.3.2 机器学习的基本概念  34-36
    3.3.3 统计学习理论  36-39
    3.3.4 支持向量机  39-42
    3.3.5 支持向量机在多组分分析中的应用  42-44
    3.3.6 实例分析  44-46
  3.4 波长选择的方法研究  46-63
    3.4.1 概述  46-47
    3.4.2 基于遗传算法的波长选择方法  47-50
    3.4.3 基于粒子群算法的波长选择方法  50-53
    3.4.4 实例分析  53-63
  3.5 本章小结  63-66
4 光谱识别技术的研究  66-98
  4.1 光谱识别技术的研究目的和内容  66-67
  4.2 常用的基本算法  67-75
    4.2.1 基本概述  67-68
    4.2.2 聚类分析法  68-69
    4.2.3 Fisher 线性判别分析法  69
    4.2.4 K 最近邻法  69-70
    4.2.5 决策树方法  70-71
    4.2.6 SIMCA 方法  71-72
    4.2.7 神经网络方法  72-75
  4.3 光谱识别系统的设计与分析  75-95
    4.3.1 光谱识别系统的设计要求  75
    4.3.2 光谱信号的归一化处理  75-76
    4.3.3 光谱信号的特征提取  76-87
    4.3.4 系统的设计与分析  87-95
  4.4 复杂光谱的成分识别  95-96
  4.5 本章小结  96-98
5 模型传递方法的研究  98-106
  5.1 概述  98-99
  5.2 基本算法  99-101
    5.2.1 斜率/偏差算法  99-100
    5.2.2 直接校正算法  100
    5.2.3 分段直接校正算法  100
    5.2.4 神经网络法和有限脉冲响应算法  100-101
  5.3 基于支持向量机的校正算法  101-102
  5.4 实例分析  102-104
  5.5 本章小结  104-106
6 结论  106-108
致谢  108-110
参考文献  110-114
附录  114-115
独创性声明  115
学位论文版权使用授权书  115

微型光谱仪信号处理与分析系统的研究

内容摘要

全文目录

相似论文