第34卷，第5期 2014年5月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
区间极限学习机结合遗传算法用于红外光谱
气体浓度反演的研究
陈媛媛13，王志斌1,2,3，王召巴1,2，李晓 1.中北大学电子测试技术重点实验室，山西太原030051
2仪器科学与动态测试教育部重点实验室，山西太原030051 3.山西省光电信息与仪器工程技术研究中心，山西太原030051
Vol. 34 ,No. 5 -pp1244-1248
May,2014
摘要提出一种新的有效的FTIR光谱气体浓度反演的方法。该方法将区间划分的思想用于红外光谱波长优化筛选，即将红外光谱在给定波长范围内划分为若干个子区间，在每个子区间中利用遗传算法（genetic algorithm，GA）优化后的极限学习机（extremelearningmachine，ELM）建立浓度预测模型，根据每个子区间测试集均方根误差RMSE和相关系数R的大小评价模型的泛化性能，筛选出最优子区间组合建立预测模型。通过含干扰组分(CO2，N:0O)的CO气体的FTIR光谱对提出的算法进行了验证，在波段为2140～2220 cm一范围内利用区间法筛选出的最优组合作为变量，应用GA-ELM建立的浓度反演模型，其决定系数R 为0.9874，均方根误差RMSE为154.9963，建模时间仅为0.8s，表明该算法（Interval-GA-ELM，iGELM）的应用不仅缩短了建模时间，而且在干扰组分存在的情况下，依然可以准确筛选出特征波长，从而提高了模
型稳定性和预测精度，为大气污染气体遥测分析提供了行之有效的方法。关键词区间划分；极限学习机；遗传算法；气体浓度反演
中图分类号：TN209
引言
文献标识码：A
D0I: 10. 3964 /j. issn. 1000-0593 (2014 )05-1244-05
选择敏感，因此，探索一种训练速度快、获得全局最优解，且具有良好泛化性能的训练算法是提升前馈神经网络性能的主要目标。Huang等针对前馈神经网络，提出了一种新的算
在FTIR光谱测量分析中各种成分的浓度反演不论在实验室研究还是工业分析、环境监测中都具有重要意义，精确测定各种污染气体的浓度为研究大气污染、痕量气体分析提供重要依据。目前常用的浓度反演方法有经典最小二乘法(classicleast squares，CLS）和偏最小二乘法（partial least squares，PLS），这两种方法建立的FTIR气体浓度反演模型均是线性模型1-4）。近年来，随着人工智能的发展，具有智能化的算法也越来越多的应用到气体FTIR光谱浓度反演中。目前常用的方法有支持向量机（supportvector machine， SVM）、人工神经网络（artificial neural network，ANN)等[]。 SVM的缺点是利用二次规划来求解支持向量，涉及到m阶矩阵的计算（m为样本个数），当被测气体的红外光谱样本数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间：ANN适合处理非线性数学间题，缺点是训练速度慢，容易陷入局部极小点，无法达到全局最小，学习率>的
收稿日期：2013-11-08，修订日期：2014-02-16
法—极限学习机（extremelearningmachine，ELM），该算法随机产生输人层与隐含层间的连接权值及隐含层神经元的函值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可获得唯一的最优解8.汀。
与传统神经网络相比，ELM将网络参数训练问题转化为不相容线性方程组的求解问题，依据Moore-Penrose广义逆矩阵理论，解析求得该方程组具有最小范数的最小二乘解作为网络右侧权值系数，可以很好地克服一般ANN预测模型存在的训练时间长、易产生过拟合问题。但是，ELM方法因左侧权值随机给定，使FTIR光谱浓度反演模型易产生泛化能力与稳定性不理想等问题。因此，本工作利用遗传算法（geneticalgorithm，GA的全局搜索能力[lo】，对ELM输人层与隐含层间的连接权值及隐含层神经元的阅值进行优化调整，以提高模型泛化能力和稳定性。务外，由于波长点之间存在多重共线性问题，光谱中的某些波长点不仅对分析和建
基金项目：国家自然科学基金仪器专项基金项目（61127015），国际科技合作项目（2012DFA10680，2013DFR10150）和山西省青年科技研究
基金项目(2013021028-1)资助
作者简介：陈媛媛，女，1980年生，中北大学讲师
e-mail : chenyy-000@ 163, com