基于红外光谱主成分和神经网络的生物质氧含量测量与建模方法

技术领域

本发明属于生物质和大数据分析技术领域，涉及一种高效、精确的生物质氧含量测量方法。

背景技术

生物质(biomass)狭义上认为是农林业种植、生产过程中产生的秸秆、树木、废弃物等等，因此广泛存在于农田、森林、城市绿化等地。其储量巨大且自身可作为能源用于发电或提取高附加值化合物。

物质的氧元素含量的现有检测方法多为差减的方法，中华人民共和国国家标准GB/T 31391-2015中指出，其测量原理为：样品通过不同国标方法测得碳、氢、硫、灰分和水分等含量后，运用100减去其他元素或物质含量后，依据差减法得到氧含量。这些方法虽然较准确，但因其需要测定其他元素或成分含量，操作步骤过于复杂且冗余，无法单独获取氧含量。同时测试环境温度较高、测试时间较长，因此需要探索其他更简便的方法。

国内关于固体物质氧含量测试的专利多数集中于传统测试方法。如发明专利CN201810910292.0中公布的一种测定高锰钢中氧含量的方法，其利用惰性熔融-红外吸收法测定高锰钢中的氧含量。主要步骤包括样品的剪切、清洗等预处理；高温仪器的脱气、预热、通入惰性气体等；钢表进行氧含量线性校准；样品熔融及红外分析对标准线等。最终得出氧含量数据。此种方法步骤复杂，测量条件较为苛刻，需要高温、高净环境条件，因此是一种离线测量方式。

基于已有技术对物质进行红外分析的检测方法的缺点，本发明的基于红外光谱主成分和神经网络的生物质氧含量测量与建模方法是一种可以实现在线测量、充分考虑测量环境影响、非接触式快速测量方法，应用可更广泛、误差更小。

发明内容

为了满足快速低成本测量需求，弥补现有方法的不足，本发明基于红外光谱主成分和神经网络的生物质氧含量测量与建模方法提供了一种可以实现在线测量、充分考虑测量环境影响、非接触式快速测量方法。

为实现所述发明目的，本发明包含以下特征：

基于红外光谱主成分和神经网络的生物质氧含量测量与建模方法，其主要包括红外光谱测量、生物质氧含量测量、状态参数测量、主成分分析以及BP神经网络建模方法。

方法包含以下步骤：

(1)生物质样本数据的获取：针对生物质样本，采用红外分析仪测量红外光谱数据，并对数据进行去燥、平滑等处理，同时记录红外光谱数据采集时的环境温度、压力、红外传感器探头距离样品的距离、环境光强等状态参数数据；依据标准(如国家标准GB/T31391-2015)测量方法，对生物质氧含量进行检测，获得生物质氧含量测量值数据；

(2)样本集的划分：采用随机分类的方法，将所得样本数据的20％～80％作为训练集，其余样本数据作为验证集；

(3)相关性分析：采用皮尔逊公式对步骤(1)得到的生物质红外光谱数据和生物质氧含量测量值进行两两相关性计算，来确定所选取的红外光谱数据和氧含量测量值之间的相关性，剔除无关数据；

(4)主成分分析：将步骤(3)得到的剔除完无关变量的红外光谱数据进行降维处理，得到综合变量，即筛选后的主成分；

(5)神经网络模型的建立和训练：将步骤(4)得到的主成分数据和步骤(1)得到的红外数据采集时的环境状态参数作为神经网络的输入参数，对应的氧含量测量值数据作为输出参数，建立BP神经网络模型；并采用训练集数据对BP神经网络模型进行优化训练，当误差小于等于0.1％时，模型优化训练完成；

(6)验证及完成建模：采用验证集数据作为步骤(5)训练完成的神经网络模型输入，计算输出值，将输出值和测量值进行对比，通过比对平均相对误差评判预测模型和结果的准确性。

上述所述生物质，为农林业种植、生产过程中产生的秸秆、树木、废弃物等等，包括玉米秆、玉米芯、小麦秆、木块、木屑、树枝、家具废料、树皮、稻壳等不同种类。

上述步骤(1)所述的氧含量测量方法为标准(如：国家标准GB/T 31391-2015)中的氧化方法，即使用高温燃烧将氧元素氧化成二氧化氧，再将二氧化氧通过红外分析仪进行定量分析。采用其他国家或行业标准测量的氧含量数据也可采用。

上述步骤步骤(1)中对生物质进行红外测量的光谱范围为760nm～3000nm，也可高于3000nm。

上述步骤(4)中的主成分分析包括对矩阵进行标准化处理、求取相关系数矩阵及特征值，求取贡献率，贡献率大于等于80％，则选定为主成分。

本发明的有益效果包括：

1、技术适用范围较广，覆盖大部分生物质，适用范围广；

2、采用主成分分析的方法，基于贡献率选取与氧含量测量值更相关的主成分，对原始数据进行降维操作，降低了复杂性；

3、BP神经网络没有对主导因子预测的功能，主成分分析弥补了这部分的缺憾，利用神经网络建立的预测模型对生物质氧含量进行参数预测，将预测值和真实值进行对比，通过比对平均相对误差评判预测模型和结果的准确性；

4、方法中生物质不用特殊处理，同时引入了红外光谱数据测量时的环境温度、压力、红外传感器探头距离样品的距离、环境光强等环境状态参数，步骤更简单、预测更精准、应用更广泛，且可以实现在线测量。

附图说明

图1为本发明的流程图。

具体实施方式

下面以实施案例的方式对发明内容进行进一步地、较为完整的说明，本发明包括但不限于以下的案例。

实施例：

(1)生物质样本数据的获取：选取100组生物质样本，对其进行红外数据的测量，获取40000组红外数据，对其进行平滑、去噪等处理；同时记录红外光谱数据采集时的环境温度、压力、红外传感器探头距离样品的距离、环境光强等状态参数数据；依据标准(国家标准GB/T 31391-2015)测量方法，测量对应生物质的氧含量，记录氧含量测量值数据。

(2)样本集的划分：步骤(1)得到的40000组样本数据采用随机分类的方法，分为20000组的训练集数据和20000组的验证集数据。训练集用于神经网络的建模及优化训练，验证集用于检验神经网络的相对误差和准确性检验。

(3)相关性分析：采用皮尔逊相关性计算公式对红外光谱数据和氧含量测量值进行两两相关性计算，得到相关系数，确定所选取的红外光谱数据对生物质氧含量的影响作用。主要包含以下内容：

a.生物质红外光谱数据用向量X表示，即X

b.生物质碳含量测量值用Y表示。利用皮尔逊相关系数公式计算矩阵X、Y的相关系数矩阵Xy。

c.得到的相关系数矩阵Xy中每个值均会处于[-1,1]区间，等于0说明该波段对应红外数据与碳含量无关，大于0说明是正相关，小于0说明是负相关。将无关的红外数据剔除，最终得到一个新的剔除无关数据的矩阵Xc：

显然z≤p。每个成分可用S

(4)主成分分析：对步骤(3)中得到的Xc矩阵进行标准化处理，得到标准化矩阵Xs，求取Xs的相关系数矩阵C，求取C矩阵的特征向量v和特征值λ。采用贡献率公式R＝每个成分的特征向量/特征向量之和。选取成分贡献率R≥80％的成分作为主成分。主成分矩阵M:

显然m≤z。每个主成分可用M

(5)BP神经网络模型的建立及训练：以步骤(4)得到的主成分矩阵M和生物质红外光谱数据测量时的环境参数为输入参数，以对应的生物质氧含量测量值Y为输出参数，建立神经网络模型；使用步骤(2)中随机分类的20000组训练集数据进行优化训练，系统设定误差设置为0.1％，当网络达到这个设定的误差后停止训练，获得标准化的预测模型。。

(6)验证及完成建模：选取步骤(2)的20000组验证集数据引入神经网络模型，得出预测结果，与对应的含氧量测量值数据进行比较，通过对比平均相对误差评判预测模型的准确度。

以上实施案例仅用于详细说明本发明，而本发明并不限制于此。