[发明专利]一种波长调制激光吸收光谱线型参数在线提取方法与系统

权利要求书

1.一种波长调制激光吸收光谱线型参数在线提取方法，其特征在于，该方法所用的系统由光强记录器与在线神经网络计算模块组成，其中光强记录器由信号发生器，激光器，干涉仪，光纤分束器，光纤，待测气体以及数据采集模块组成，根据其采集到的调制激光幅值与时间的关系结合递归解调方法得到调制光谱的归一化二次谐波峰值，提取其每组的光强幅值信号和对应的归一化二次谐波峰值形成数据集，训练以光强幅值信号为输入，归一化二次谐波峰值为输出的神经网络模型，并根据训练函数误差确定网络模型参数，进而由基于FPGA的在线神经网络计算模块，将待测气体吸收后的激光光强信号输入神经网络模型，实现归一化二次谐波峰值的在线提取；

该方法所用的系统中的光强记录器由信号发生器，激光控制器、激光器、光纤、待测气体、光电探测器以及数据采集模块组成，根据其采集到的调制激光幅值与时间的关系结合递归解调方法提取其每组归一化的高次谐波峰值点数据形成数据集方法为：由信号发生器产生正弦信号，激光控制器模块控制分布式反馈激光器产生波长调制的激光信号，被调制的激光经过光纤后通过待测气体，接入光电探测器由数据采集系统记录作为调制激光信号；归一化二次谐波峰值S_2f/1f使用递归解调方法在计算机计算得到，经过吸收的激光光强V[n]满足，

V[n]＝u_nz (1)

其中u_n和z分别表示测量矩阵

以及状态向量

式中f代表激光器的调制载波频率，f_s是采集系统的采样率，信号序列中m个到第(m+N)个数据点用于解调时，预估的状态向量可由下式得到：

其中

那么测量信号k次谐波分量的预估值可表示为：

当m在1到M之间变化时，令阶次k分别为1和2，可得到吸收谱线的一次和二次谐波分量，分别表示为

A₁＝[A₁(1) A₁(2)…A₁(M)] (7)

A₂＝[A₂(1) A₂(2)…A₂(M)] (8)

相应地，归一化二次谐波的峰值S_2f/1f可由A₂/A₁的线型拟合结果得到，一个扫描周期内的数字化的测量信号序列V[n]作为输入神经网络的样本矩阵V，每个扫描周期内提取出的归一化二次谐波峰值S_2f/1f作为神经网络模型的输出，通过测量不同扫描周期的测量信号和谐波峰值解调结果，可形成一个神经网络的测试集；

以光强幅值信号为输入且以归一化二次谐波峰值为输出的神经网络模型并根据训练函数误差确定网络模型参数的方法为，根据问题的复杂性初始化神经网络，设定网络的深度L，选取四层神经网络，即L＝3，m_l为其中第l层的节点数目,即l取值范围是0-3的整数，,m₀是输入层的节点数目，m₁是第一个隐含层的节点数目，m₂是第二个隐含层的节点数目，m₃输出层的节点数目；随机分配每一层的权值W_l和阈值β_l，其中:

选取Tan-Sigmoid函数作为神经网络隐含层的激励函数φ，具有式(11)的形式，则对于上述的输入神经网络的样本矩阵V，神经网络隐含层每个节点H_l的输出如式(12)：

当式(12)的l取1时，H_l-1代表一组样本输入V[n]；而当l取3时，H_l代表输出层的各个节点输出，即Y(b)，误差E(b)可以根据下式计算：

其中，为每个输出节点上的期望输出，即正交解调方法得到的归一化二次谐波峰值，若实际误差不满足设定的误差下限，则根据下式更新矩阵W：

w_l(a,b)＝w_l(a,b)+η·H′_l(b)·H_l-1(b) (14)

其中H′_l(b)表示H_l(b)的导数，η表示神经网络的学习率，直到相邻两次计算误差小于神经网络的预设参数时，完成训练，后由FPGA在线神经网络计算模块将采集的光强幅值信号提取出归一化谐波峰值，上传到上位机，求解出气体参数。