基于Fast ICA及神经网络的机动车尾气NO和NO2定量分析研究

大气与环境光学学报 ›› 2016, Vol. 11 ›› Issue (6): 435-441.

• “先进环境监测技术与设备”专辑 • 上一篇下一篇

基于Fast ICA及神经网络的机动车尾气NO和NO2定量分析研究

张恺1, 2, 张玉钧1 ? , 何莹1, 2, 尤坤1, 刘国华1, 2,陈晨1, 2, 高彦伟1, 2,贺春贵1, 2, 鲁一冰1, 2, 刘文清1

(1中国科学院安徽光学精密机械研究所中国科学院环境光学与技术重点实验室,安徽合肥, 230031;
2 中国科学技术大学, 安徽合肥, 230026)

收稿日期:2016-07-11 修回日期:2016-09-30 出版日期:2016-11-28 发布日期:2016-11-30
通讯作者: 张恺，(1982-)，男，上海徐汇人，博士研究生，主要从事环境光学及光电信息检测技术方面的研究。 E-mail:yjzhang@aiofm.ac.cn
作者简介:张恺，(1982-)，男，上海徐汇人，博士研究生，主要从事环境光学及光电信息检测技术方面的研究。
基金资助:
Supported by National High Technology Research and Development Program of China(国家863计划, 2014AA06A503）, National Major Scientific Instruments and Equipment Development Project(国家重大科学仪器设备开发专项, 2012YQ22011902）

Quantitative Analysis of NO and NO2 from Vehicle Exhaust Emission Based on Fast ICA and ANN

ZHANG Kai1,2, ZHANG Yujun1*, HE Ying1,2, YOU Kun1, LIU Guohua1,2, CHEN Chen1,2, GAO Yanwei1,2, HE Chungui1,2, LU Yibing 1,2, LIU Wenqing1

(1 Key Laboratory of Environmental Optics and Technology, Anhui Institute of Optics and Fine Mechanics, Chinese Academy of Sciences, Hefei 230031, China;
2. University of Science and Technology of China, Hefei 230026, China)

Received:2016-07-11 Revised:2016-09-30 Published:2016-11-28 Online:2016-11-30

摘要/Abstract

摘要：

机动车尾气对环境的危害日益加重，机动车尾气排放浓度的检测对大气污染治理具有重要意义。设计了基于非分散紫外的机动车尾气NO、NO2浓度检测系统，搭建了实验装置，获得NO、NO2混合气体的吸收光强后，利用快速不动点(Fast ICA)算法和人工神经网络模式识别算法对机动车尾气排放NO、NO2组分进行定量分析。实验结果表明，利用所设计的算法对600 ppm以内的NO气体和200 ppm以内的NO2气体浓度进行测量，其相对误差最大为1.54%，最小为0.25%。

关键词: 机动车尾气, NO, NO2, 定量分析, 快速固定点, 神经网络

Abstract:

With the increasing number of vehicles, the harm from vehicle exhaust to the environment becomes more and more serious. So the monitoring of the concentration of vehicle exhaust emissions is very important to assess the emission levels. The NO and NO2 quantitative detection system based on nondispersion ultraviolet (NDUV) for vehicle exhaust emissions is built, and the original data of the mixed tail gas is obtained. And then, the identification and quantitative analysis of NO & NO2 gas is carried out with fast independent component analysis(Fast ICA) and artificial neural network(ANN) recognition algorithms. It can be drawn from the results that using the two algorithms, the NO concentration (under 600 ppm) and NO2 concentration (under 200 ppm) can be detected accurately and the maximum relative error is 1.54%, and the minimum is 0.25%.

Key words: vehicle exhaust emission, NO, NO2, quantitative analysis, fast independent component analysis, artificial neural network

中图分类号:

X734

张恺张玉钧何莹尤坤刘国华陈晨高彦伟贺春贵鲁一冰刘文清. 基于Fast ICA及神经网络的机动车尾气NO和NO2定量分析研究[J]. 大气与环境光学学报, 2016, 11(6): 435-441.

ZHANG Kai, ZHANG Yu-Jun, HE Ying, YOU Kun, LIU Guo-Hua, CHEN Chen, GAO Yan-Wei, HE Chun-Gui, LU Yi-Bing, LIU Wen-Qing. Quantitative Analysis of NO and NO2 from Vehicle Exhaust Emission Based on Fast ICA and ANN[J]. Journal of Atmospheric and Environmental Optics, 2016, 11(6): 435-441.

参考文献

[1] Ping Cuo. Status and comprehensive control countermeasures of urban air pollution in China [J]. Environmental Science and Management, 2006, 31(1): 18-21(in Chinese).
平措. 我国城市大气污染现状及综合防治对策 [J]. 环境科学与管理, 2006, 31(1): 18-21.
[2] Wu Liang, Jiang Hua. Blind separation algorithm of single-channel mixed-signal [J]. information and Electronic Engineering, 2012, 10(3): 343-349(in Chinese).
吴量, 江桦. 单通道混合信号盲分离算法 [J]. 信息与电子工程, 2012, 10(3): 343-349.
[3] Pang Taotao, Yao Jianbin, Du Liming. Artificial neural networks for the identification of infrared spectra of ilex kudingcha [J]. Spectroscopy and Spectral Analysis, 2007, 27(7): 1336-1339(in Chinese).
庞涛涛, 姚建斌, 杜黎明. 人工神经网络分类鉴别苦丁茶红外光谱[J]. 光谱学与光谱分析,2007, 27(7): 1336-1339.
[4] Rowe D M, Min G. Evakuation of thermoelectric modules for power generation [J]. Journal of Power Sources, 1998,73(2): 193-198． [5] China's Environmental Protection Department. Emission limits and measurement methods for light duty vehicles (fifth in China): GB18352.5-2013) [S/OL]. [2013-09-17]. http://kjs.mep.gov.cn/hjbhbz/bzwb/dqhjbh/dqydywrwpfbz/201309/t20130917_260352.htm.
环境保护部. 轻型汽车污染物排放限值及测量方法（中国第五阶段）: GB18352.5-2013 [S/OL]. [2013-09-17]. http://kjs.mep.gov.cn/hjbhbz/bzwb/dqhjbh/dqydywrwpfbz/201309/t20130917_260352.htm.
[6] Sensors, Inc. NDUV NO MODULE Technical Manual [M]. Version 1.00, 2002: 4.
[7] Common P. Independent component analysis, a new concept? [J]. Signal Processing, 1994, 36(3): 287-314.
[8] Sun Shouyu. The Foundation and Application of Blind Signal Processing [M]. Beijing: National Defence Industry Press, 2010: 52-53(in Chinese).
孙守宇. 盲信号处理基础及应用 [M]. 北京: 国防工业出版社, 2010: 52-53.
[9] China's Environmental Protection Department. Emission limits and measurement methods for light duty vehicles (fourth in China): GB18352.5 - 2005 [S]. [2007-07-01](in Chinese).
环境保护部. 轻型汽车污染物排放限值及测量方法（中国第四阶段）: GB18352.5-2005）[S]. [2007-07-01].
[10] AQSIQ and the National Standards Committee. Fifth stage vehicle gasoline national standard: GB17930-2013 [S]. [2013-12-18](in Chinese).
国家质检总局和国家标准委. 第五阶段车用汽油国家标准: GB17930-2013 [S]. [2013-12-18].
[11] Chang Bingguo. Based on RBF neural network hybrid gas intelligent detection system [J]. Journal of Hunan University: Natural Science Edition, 2009, 36(7): 82-84(in Chinese).
常炳国. 基于 RBF 神经网络的混合气体智能检测系统研究 [J]. 湖南大学学报: 自然科学版, 2009, 36(7): 82-84.
[12] Yang Jun. Pretreatment and Fuzzy Neural Network Algorithm for the Recognition of Electronic Nose [D]. Dalian: Master's Thesis of Dalian University of Technology, 2007(in Chinese).
杨俊. 电子鼻识别中的预处理与模糊神经网络算法 [D]. 大连: 大连理工大学硕士学位论文, 2007.

[1]	杜娟, 欧阳文言, 刘春琼, 吴波, 张娇, 史凯 . 短周期高强度旅游活动对城市空气质量的影响[J]. 大气与环境光学学报, 2023, 18(1): 36-46.
[2]	张琦锦, 郭映映, 李素文, ∗, 牟福生, ∗. 基于主成分分析的 RBF 神经网络预测 SO2 浓度[J]. 大气与环境光学学报, 2022, 17(5): 550-557.
[3]	许镇义, 王瑞宾, 康宇, ∗, 曹洋, 张聪, 王仁军, . 移动源排放遥测主要影响因素分析及预测[J]. 大气与环境光学学报, 2022, 17(2): 220-229.
[4]	郭映映, 齐贺香, 李素文∗, 牟福生∗. 基于粒子群算法的BP 神经网络在大气 NO2 浓度预测中的应用研究[J]. 大气与环境光学学报, 2022, 17(2): 230-240.
[5]	刘国华, 张玉钧∗. 机动车尾气碳氧化物检测中的非线性修正方法[J]. 大气与环境光学学报, 2022, 17(2): 241-248.
[6]	金钊, 邱康俊∗, 张苗苗. 基于BP 神经网络的能见度估测研究[J]. 大气与环境光学学报, 2021, 16(5): 415-423.
[7]	赵冉, 张成歆∗, 吴跃, 孙中平, 刘诚, . 基于EMI 观测华北平原对流层NO2 的时空变化研究[J]. 大气与环境光学学报, 2021, 16(3): 186-196.
[8]	王肖汉, 徐翼洲, 张成歆∗, 吴跃, 孙中平, 刘诚, . 基于EMI 观测的珠三角地区对流层NO2 柱浓度时空变化特征分析[J]. 大气与环境光学学报, 2021, 16(3): 197-206.
[9]	杨东上, 曾议, 罗宇涵, 周海金, 司福祺∗, 刘文清. 基于EMI 遥感NO2 技术监测澳洲森林火灾活动[J]. 大气与环境光学学报, 2021, 16(3): 207-214.
[10]	陈命男, 朱健, 王珊珊, ∗. 基于长光程DOAS 技术的航道区域船舶空气污染物排放监测研究[J]. 大气与环境光学学报, 2021, 16(2): 98-106.
[11]	郭映映, 齐贺香, 李素文∗, 牟福生∗. 基于MAX-DOAS 的淮北地区NO2柱浓度观测研究[J]. 大气与环境光学学报, 2021, 16(2): 107-116.
[12]	张怡文, 袁宏武∗, 孙鑫, 吴海龙, 董云春. 基于Adam 注意力机制的PM2:5浓度预测方法[J]. 大气与环境光学学报, 2021, 16(2): 117-126.
[13]	郑凯莉, 黄毅∗, 姚小云, 胡晓琰. 张家界市PM2.5、NO2 与旅游活动及天气因素的相关性分析[J]. 大气与环境光学学报, 2020, 15(5): 347-356.
[14]	李佳欣, 赵鹏, 方薇∗, 宋尚香, . 基于深度学习的多角度遥感影像云检测方法[J]. 大气与环境光学学报, 2020, 15(5): 380-392.
[15]	胡丽莎, 李素文, 牟福生. 基于MAX-DOAS观测的淮北冬季NO2变化特征[J]. 大气与环境光学学报, 2020, 15(3): 217-223.

基于Fast ICA及神经网络的机动车尾气NO和NO2定量分析研究

Quantitative Analysis of NO and NO2 from Vehicle Exhaust Emission Based on Fast ICA and ANN

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价