您的位置:网站首页 > 技术应用 > 正文

压缩使用柴油数值红外光谱解析的模拟

作者:admin来源:中国石油物资网 日期:2012-8-1 14:48:41 人气: 标签:

  对校验集中每个样本的NIRS数据进行小波变换,根据位置标号提取nc个特征小波系数并按行排列,得到新的校验集样本数据矩阵。由于nc远小于原始光谱数据长度,从而使光谱数据矩阵得到压缩和降维;对预测样品光谱数据以同样的方法处理。由于小波变换具有时频局部化分析能力,因而压缩算法提取的特征小波系数反映了各波长点在不同频率段的吸收强度,包含了近红外光谱的主要信息特征,故可以利用多元校正方法关联样本的NIRS特征小波系数和测定的基础数据,建立相应指标的NIRS定量分析模型。

  小波分解尺度和小波函数的选择小波分解尺度和小波函数的选择是小波应用中要解决的首要问题。实际应用时往往通过经验或不断的试验,对照分析结果来选择小波分解尺度和小波函数。在大尺度上,小波分解由于边界效应会产生大的系数值,从而使分解信号中出现本不存在的频率成分,导致分析误差。压缩效率随不同小波函数及不同最大分解尺度变化情况。可以看出,各小波函数的压缩效率在J=10左右达到最大,其中又以db6小波对应的压缩效率最大。但是随着小波消失矩的增大,相应的压缩效率却降低,这是由于高阶消失矩小波变换主要反映信号中的高阶变化,也即高频信息,而反映光谱主要吸收特征的相对较低频率的信号未能有效利用。而采用较小的消失矩小波(如db2、db4)变换则因未能充分展开光谱信号中的频率成分,也会影响信息的有效利用。

  综合压缩效率和预测效果,可以看出db6小波分解NIRS最好,其次是db2和db4小波(J=10)。由于提取的特征小波系数包含了NIRS的主要信息,因此可以利用这些系数重构原始光谱。是35个样本的原始平均光谱及采用db6小波10尺度分解提取的84个特征小波系数的重构光谱,不难看出,重构光谱基本反映了原始光谱的主要吸收特征。由于重构时省略了逼近系数,及主要分布在4尺度及以下的小波系数(即令式(2)中cJ,k=0和所有非特征小波系数dj,k=0),也即去掉cJ,k所代表的低频信息和低尺度dj,k所代表的高频噪声信息,因此重构光谱实际是原始平均光谱经小波方法扣除基线并平滑的结果。

  小波方法预处理建模的预测效果相比而言均有明显提高,尤以db6预处理效果最佳。从信息压缩角度讲,小波方法利用特征系数对原始光谱信息压缩了30倍左右,用于PLS回归建模的数据矩阵及变量数也只有原先的3%,建模效率显然较高。是采用不同个数的特征小波系数PLS回归建模结果,各评价指标也比较接近,这说明采用小波方法建立的模型具有较强的稳定性,不受特征小波系数个数的明显影响,原始光谱还有较大的压缩空间,因此实施光谱压缩时,可根据生产质量监控的精度要求和硬件配置情况设定合理的信息利用率阈值ThV,提高压缩的比例。

  结论本文采用小波变换压缩柴油的NIRS数据,并直接利用压缩数据建立柴油十六烷值的NIRS定量分析模型,达到显著降维分析目的。算法在对原始光谱显著压缩的同时,实现了有效NIRS光谱信息和噪声及基线的较好分离,步骤简洁明了,而模型的预测精度和常规方法相比明显改善,建模变量数显著减少,提高了建模效率。小波变换预处理NIRS数据的这些特点,有利于更好地将NIRS技术用于石油化工生产及其他行业的在线质量监测和控制。

读完这篇文章后,您心情如何?
0
0
0
0
0
0
0
0
本文网址: