基于人工神经网络的多组分污染气体浓度反演方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 污染气体监测技术的发展现状与趋势 | 第13-17页 |
| 1.1.1 传统污染气体监测技术 | 第14-16页 |
| 1.1.2 大气遥感测量技术 | 第16-17页 |
| 1.2 多组分污染气体定量分析方法发展现状与趋势 | 第17-19页 |
| 1.3 本文的研究意义和主要内容 | 第19页 |
| 1.4 本章小结 | 第19-21页 |
| 第2章 基于FTIR的多组分污染气体在线监测原理 | 第21-31页 |
| 2.1 傅里叶变换红外光谱技术的应用及优势 | 第21-25页 |
| 2.1.1 红外光谱的应用 | 第21页 |
| 2.1.2 红外光谱仪的优点 | 第21-22页 |
| 2.1.3 FTIR的优点 | 第22-25页 |
| 2.2 傅里叶变换红外光谱仪的基本组成 | 第25-28页 |
| 2.2.1 FTIR的光学系统 | 第26-28页 |
| 2.2.2 数据处理与显示系统 | 第28页 |
| 2.3 FTIR测量气体成分方法 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 多组分污染气体浓度反演算法设计 | 第31-57页 |
| 3.1 FTIR谱图解析 | 第31-39页 |
| 3.1.1 朗伯比尔定律 | 第31-32页 |
| 3.1.2 吸光度谱和透过率谱 | 第32-37页 |
| 3.1.3 吸收峰特征表示 | 第37-39页 |
| 3.2 混合谱线浓度反演算法 | 第39-54页 |
| 3.2.1 偏最小二乘法 | 第39-44页 |
| 3.2.2 BP人工神经网络 | 第44-52页 |
| 3.2.3 卷积神经网络 | 第52-54页 |
| 3.3 本章小结 | 第54-57页 |
| 第4章 多组分混合污染气体浓度反演仿真实验 | 第57-67页 |
| 4.1 样本来源 | 第57-60页 |
| 4.1.1 实测数据 | 第57-58页 |
| 4.1.2 模拟数据 | 第58-60页 |
| 4.2 数据处理过程 | 第60页 |
| 4.3 性能参数与反演精度间的关系 | 第60-64页 |
| 4.3.1 噪声 | 第60-61页 |
| 4.3.2 量程 | 第61-62页 |
| 4.3.3 样本数 | 第62-64页 |
| 4.4 结论与讨论 | 第64页 |
| 4.5 本章小结 | 第64-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第75页 |
