光谱学与光谱分析
光譜學與光譜分析
광보학여광보분석
SPECTROSCOPY AND SPECTRAL ANALYSIS
2013年
4期
968-971
,共4页
李肃义%嵇艳鞠%刘伟宇%王智宏
李肅義%嵇豔鞠%劉偉宇%王智宏
리숙의%혜염국%류위우%왕지굉
近红外光谱%小波变换%神经网络%油页岩%含油率
近紅外光譜%小波變換%神經網絡%油頁巖%含油率
근홍외광보%소파변환%신경망락%유혈암%함유솔
便携式近红外光谱分析技术可实现油页岩含油率的原位检测,在油页岩资源现场勘查中发挥着重要作用.但是,由于其测得的原始光谱数据量大、冗余信息多,直接建模会影响速度与精度.因此提出一种小波变换与神经网络融合法,先将油页岩全谱数据进行db8小波3级分解,提取其近似系数形成输入矩阵,然后再进行神经网络建模.为了验证有效性,利用30个油页岩合成样品,从中随机选择20个用于训练,另外10个用于预测,并分别使用全谱数据与小波特征数据进行了10次神经网络建模.结果表明,全谱数据建模速度均值为570.33 s,预测残差平方和及相关系数均值分别为0.006012及0.84375;而小波神经网络法对应的以上均值为3.15 s,0.002048及0.95319.由此说明小波神经网络法优于全谱数据建模法,为油页岩含油率的快速、高精度检测提供了一种新方法.
便攜式近紅外光譜分析技術可實現油頁巖含油率的原位檢測,在油頁巖資源現場勘查中髮揮著重要作用.但是,由于其測得的原始光譜數據量大、冗餘信息多,直接建模會影響速度與精度.因此提齣一種小波變換與神經網絡融閤法,先將油頁巖全譜數據進行db8小波3級分解,提取其近似繫數形成輸入矩陣,然後再進行神經網絡建模.為瞭驗證有效性,利用30箇油頁巖閤成樣品,從中隨機選擇20箇用于訓練,另外10箇用于預測,併分彆使用全譜數據與小波特徵數據進行瞭10次神經網絡建模.結果錶明,全譜數據建模速度均值為570.33 s,預測殘差平方和及相關繫數均值分彆為0.006012及0.84375;而小波神經網絡法對應的以上均值為3.15 s,0.002048及0.95319.由此說明小波神經網絡法優于全譜數據建模法,為油頁巖含油率的快速、高精度檢測提供瞭一種新方法.
편휴식근홍외광보분석기술가실현유혈암함유솔적원위검측,재유혈암자원현장감사중발휘착중요작용.단시,유우기측득적원시광보수거량대、용여신식다,직접건모회영향속도여정도.인차제출일충소파변환여신경망락융합법,선장유혈암전보수거진행db8소파3급분해,제취기근사계수형성수입구진,연후재진행신경망락건모.위료험증유효성,이용30개유혈암합성양품,종중수궤선택20개용우훈련,령외10개용우예측,병분별사용전보수거여소파특정수거진행료10차신경망락건모.결과표명,전보수거건모속도균치위570.33 s,예측잔차평방화급상관계수균치분별위0.006012급0.84375;이소파신경망락법대응적이상균치위3.15 s,0.002048급0.95319.유차설명소파신경망락법우우전보수거건모법,위유혈암함유솔적쾌속、고정도검측제공료일충신방법.
