论文部分内容阅读
近年来,随着半导体激光器的发展和激光光谱学研究的不断深入,基于红外光谱检测物质类别和性质的研究,已经获得了世界各国各领域学者的极大目光。红外光谱检测技术具备速度快、效率高并且适宜在线分析等优点,因此其发展前景广阔。随着航空航天技术的快速发展,气体检测器是保证宇航员生命安全和空间站稳定运行的重要传感器之一,以红外光谱技术为基础的气体传感器则因其小型化、集成化等成为航天模块的重要组成之一。红外气体传感器主要用于载人舱内有害气体成分变化监测、航天器发动机工作期间燃料燃烧情况检测、航天器关键部位气体或液体的泄漏判断以及深空探测过程中行星大气环境检测等方面,为航天器产品质量、安全、宇宙环境探知和宇航员身体健康等提供非常重要的参考数据,因此国外多个宇航研究机构都在大力支持研究和研发适合在航天器上工作的各类气体传感器,并多次在航天工作环境中应用。为了能够满足上述要求,国外对各类传感器进行了深入的研究。为了更加快速准确的识别出环境中的气体成分及其对应的浓度,基于气体的光谱特征和红外吸收光谱的分布情况,本文研究了光谱的检测原理,通过时域分析的方法得出了NH3、HCl、CO、NO、CH4等五种气体的红外波段吸收特征,提出了一种基于多变量插值的径向基函数方法（RBF神经网络）的浓度识别算法,并运用Matlab软件进行计算处理,通过对多组实验数据进行模型训练和参数优化,得到了较为准确的预测模型。本文为了说明RBF神经网络算法的识别效果,还研究了BP神经网络算法,同样的利用样本数据进行预测函数模型训练,得到相应的预测结果。通过预测模型对待测样本数据进行预测,很好的预测出了五种气体的浓度,通过计算预测值和真实值间的偏差情况,可以对训练网络的泛化能力进行评价,最后相对误差和决定系数等性能评价参数均表明出RBF神经网络算法在气体浓度识别中可以进行更好的应用。