[发明专利]SF6

权利要求书

1.一种SF₆及其分解组分气体的浓度检测方法，其特征在于，包括：

获取拉曼检测得到的全光谱数据，将所述全光谱数据平均划分为多个独立的子区间；

使用协同区间偏最小二乘算法分别在各子区间内建立模型，获得多个siPLS模型；

计算各siPLS模型的校正均方根误差值，根据所述校正均方根误差值的大小，将所述校正均方根误差值排序；

选择所述校正均方根误差值最小的至少三个siPLS模型对应的子区间作为目标子区间；

使用蚁群算法筛选所述目标子区间中所有的全光谱数据，获得有效光谱数据；

根据所述有效光谱数据，建立浓度预测模型；

根据所述浓度预测模型对待分析SF₆及其分解气体的拉曼光谱数据进行预测，得到SF₆及其分解气体的浓度。

2.根据权利要求1所述的浓度检测方法，其特征在于，所述子区间的数量至少为15个。

3.根据权利要求1所述的浓度检测方法，其特征在于，根据所述有效光谱数据，建立浓度预测模型，包括：

将所述有效光谱数据，作为训练数据，输入至浓度预测模型进行训练；

利用训练后的浓度预测模型对已知浓度的SF₆及其分解组分气体进行预测；

将预测结果与已知浓度的SF₆及其分解组分气体的光谱信息进行对比，计算两者的误差；

迭代所述浓度预测模型中的参数，使得误差消除或者误差的绝对值接近于0，停止训练，得到最终的浓度预测模型。

4.根据权利要求1所述的浓度检测方法，其特征在于，所述使用蚁群算法筛选所述目标子区间中所有的全光谱数据，获得有效光谱数据，包括：

获取所述目标子区间中所有的全光谱数据的适应度；

通过将各全光谱数据的适合度除以所有全光谱数据的总适合度获得选择概率；

根据选择概率迭代所述目标子区间中所有的全光谱数据的适应度；

选择适应度较高的全光谱数据作为最终的有效光谱数据。

5.根据权利要求1所述的浓度检测方法，其特征在于，所述浓度检测方法还包括：

使用平均相对误差和预测均方根误差来评价所述浓度预测模型的预测结果，所述平均相对误差利用以下公式进行计算：

其中，MSE为平均相对误差，n为训练样本数，m为输出层节点数，为第i个样本的第l个节点的输出信号值；y_il为第i个样本的第l个节点对应的期望输出值；

所述预测均方根误差利用以下公式计算：

其中，RMSEP为预测均方根误差，n'为非训练样本数，即预测样本数，m为输出层节点数，为第i个样本的第l个节点的输出信号值；y_il为第i个样本的第l个节点对应的期望输出值。

6.一种SF₆及其分解组分气体的浓度检测装置，其特征在于，所述浓度检测装置设置于终端的处理器中，所述浓度检测装置，包括：

子区间划分模块，用于获取拉曼检测得到的全光谱数据，将所述全光谱数据平均划分为多个独立的子区间；

siPLS模型获取模块，用于使用协同区间偏最小二乘算法分别在各子区间内建立模型，获得多个siPLS模型；

排序模块，用于计算各siPLS模型的校正均方根误差值，根据所述校正均方根误差值的大小，将所述校正均方根误差值排序；

目标子区间获取模块，用于选择所述校正均方根误差值最小的至少三个siPLS模型对应的子区间作为目标子区间；

有效光谱数据获取模块，用于使用蚁群算法筛选所述目标子区间中所有的全光谱数据，获得有效光谱数据；

浓度预测模型构建模块，用于根据所述有效光谱数据，建立浓度预测模型；

浓度检测模块，用于根据所述浓度预测模型对待分析SF₆及其分解气体的拉曼光谱数据进行预测，得到SF₆及其分解气体的浓度。