买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜燕山大学申请的专利FTIR结合CARS-ELM的SF₆分解物检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115060681B 。

龙图腾网通过国家知识产权局官网在2025-05-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210684113.2，技术领域涉及：G01N21/3504；该发明授权FTIR结合CARS-ELM的SF₆分解物检测方法是由张云刚;高杰;赵亚平;李鑫辉;史广文设计研发完成，并于2022-06-16向国家知识产权局提交的专利申请。

本FTIR结合CARS-ELM的SF₆分解物检测方法在说明书摘要公布了：本发明提供一种FTIR结合CARS‑ELM的SF6分解物检测方法，其包括分解物光谱采集、光谱特征提取以及建立分解物定量模型；本发明根据朗伯比尔定律扣除干扰背景，提取出淹没在SF6中分解物的有效吸收光谱；采用蒙特卡罗法剔除异常样本建立有效的SF6分解物数据集；通过CARS法进行光谱特征选择，建立分解物的ELM定量模型；计算模型预测结果的相对误差和R2来验证该方法的可行性；本发明解决了分解物吸收峰被严重淹没以及不同分解物光谱重叠造成的难以定量的问题，最终实现了SF6分解物的高精度测量，同时该方法也适用于大量样本数据的快速分析，为FTIR光谱在多组分SF6分解物在线定量检测中的应用奠定了基础。

本发明授权FTIR结合CARS-ELM的SF₆分解物检测方法在权利要求书中公布了：1.FTIR结合CARS-ELM的SF6分解物检测方法，其特征在于，其包括以下步骤：步骤1：采集和处理待测SF6分解物的光谱数据，获得混合物的有效吸收光谱数据；步骤2：通过蒙特卡洛抽样参数，根据所述步骤1中获得混合物的有效吸收光谱数据进行异常样本筛选，获得有效的SF6分解物数据集；步骤3：采用竞争性自适应重加权采样法对所述步骤2中所获的数据集进行光谱特征选择；步骤4：根据所述步骤3获得特征选择产生的最优变量子集，构建光谱数据与浓度定量分析模型，通过其模型进行SF6分解物定量检测；所述步骤1中具体包括以下步骤：步骤11：采集多组以SF6为背底谱、不同浓度的待测产物数据，获得混合气体的特征吸收光谱；步骤12：对所述步骤11获得的以SF6为背底谱的光谱数据依据朗伯比尔定律进行背景扣除，提取出待测混合物有效的特征吸收谱，其表达式为 式中，S、B和A分别代表标准样品单通道吸收光谱、SF6背景单通道吸收光谱和样品吸收度；步骤13：对所述步骤12获得的产物吸收光谱采用凹式rubbreband法进行基线校正；整条光谱进行间隔等分，并按着吸光度值的大小进行排序找出分段内的极小值，此值被视为每个分段光谱的基点；最后在整个谱图区间初选基线点利用插值法进行基线估计，得到校正基线；将步骤12的获得光谱数据进行校正基线扣除，获得混合物的有效吸收光谱数据；所述步骤4中的光谱数据与浓度定量分析模型包括：步骤41：确定隐含层神经元个数，随机设定输入层与隐含层间的连接权值a和隐含层神经元的偏置b；N个任意的数据xi,ti，其中xi＝[xi1,xi2,…,xxm]T∈Rn，ti＝[ti1,ti2,…,tim]∈Rm，含有N个隐含层节点、激励函数为G的极限学习机回归模型可表示为： 式中，ai为第i个隐含层节点与输入节点的权值向量；βi为第i个隐含节点与输出节点的权值向量；bi为第i个隐含节点的偏置；为隐含层节点数目；步骤42：选择一个无限可微的函数作为隐含层神经元的激活函数，进而计算隐含层输出矩阵H，步骤41中的表达式可简写为；Hβ＝T 式中，H为隐含层输出矩阵，第i列对应输入x1,x2,…,xn第i个隐含层输出向量；步骤43：根据所述步骤42中隐含层输出结果，输出权值可以通过求解以下线性方程组的最小二乘解来获得： 其解为： 式中，H+为隐含层输出矩阵H的Moore-Penrose广义逆。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人燕山大学，其通讯地址为：066004 河北省秦皇岛市海港区河北大街438号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。