[发明专利]一种气-液多成分实时智能检测方法

说明书

本发明提供的一种气‑液多成分实时智能检测方法，包括以下步骤：将待识别样本进行降维处理，得到k维数据；利用预设的人工神经网络对k维数据进行处理，最终得到待识别样本中的组成成分及其对应的浓度；本发明将PCA识别算法和人工神经网络的学习算法相结合，来解决现有技术中存在的被检各种成分的信号弱、相互之间耦合、干扰强的问题。

技术领域

本发明属于成分检测技术领域，具体涉及一种气-液多成分实时智能检测方法。

背景技术

气液的多成分检测目前技术仅在离线状况下可实现3-5种实时检测，其难点主要在被检各种成分之间存在的信号弱、相互之间耦合、干扰强，因此各类信号的采集、处理、控制、对比归类等指标很难达到实用要求，这一难点目前是世界检测领域中技术瓶颈。日本、德国、和以色列目前已有相应的在线检测产品问世，检测成分不多于5种，且价格昂贵，仅用于实验研究行业，很难推广应用。

发明内容

本发明的目的在于提供一种气-液多成分实时智能检测方法，解决了现有的气液多成分检测技术存在的效率低、成本高的缺陷。

为了达到上述目的，本发明采用的技术方案是：

本发明提供的一种气-液多成分实时智能检测方法，包括以下步骤：

将待识别样本进行降维处理，得到k维数据；

利用预设的人工神经网络对k维数据进行处理，最终得到待识别样本中的组成成分及其对应的浓度。

优选地，利用PCA识别算法对待识别样本进行降维处理，得到k维数据。

优选地，将待识别样本进行降维处理，得到k维数据，具体方法是：

根据待识别样本构造得到样本矩阵，对样本矩阵的每一行数据进行零均值处理，得到标准化矩阵；

根据标准化矩阵得到协方差矩阵；

分别计算协方差矩阵的特征值和特征向量；

将特征向量按照特征值的大小从上到下按行进行排列，并选取前k行数据组成矩阵，得到k维数据。

优选地，根据标准化矩阵得到协方差矩阵，具体方法是：

利用下式得到协方差矩阵：其中，C为协方差矩阵；X为标准化矩阵；X^T为标准化矩阵X的转置。

优选地，预设的人工神经网络的构建方法是：

构建人工神经网络，利用反向传播算法对构建得到的人工神经网络进行优化，得到优化后的人工神经网络。

优选地，利用反向传播算法对构建得到的人工神经网络进行优化，具体方法是：

选用平方和误差函数，初始化神经网络中各层的权值参数，得到神经网络的误差函数；

利用反向传播算法，正向计算得到误差函数，反向求导梯度下降，使得误差函数最小化；

利用梯度下降法，求出误差函数关于神经网络自身变量的偏导数，对神经网络中各层的权值参数进行更新，直至误差函数缩小至预设范围内，完成人工神经网络的优化。

一种气-液多成分实时智能检测系统，该系统能够运行所述的一种气-液多成分实时智能检测方法，包括数据处理模块和成分识别模块，其中：

数据处理模块，用于将待识别样本进行降维处理，得到k维数据；

成分识别模块，利用预设的人工神经网络对k维数据进行处理，最终得到待识别样本中的组成成分及其对应的浓度。

一种气-液多成分实时智能检测设备，包括处理器、以及能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述方法的步骤。