浅谈近红外光谱仪中的微弱信号检测技术

浅谈近红外光谱仪中的微弱信号检测技术

吴大伟

211324198705266110

天津渤化化工发展有限公司    天津市经济技术开发区300280

摘要：本文采用了一种新型的微弱信号检测技术，基于近红外光谱成像原理，利用分光光度计、光电探测器等对被测物质的光谱进行数据采集，通过对采集数据的分析和处理，利用小波变换技术对数据进行去噪，提取出微弱信号，并对这些微弱信号进行数学建模分析。近红外光谱仪通过光谱成像技术获取物质的信息，是一种新型的无损检测技术，其主要通过光谱成像原理进行物质信息检测。近红外光谱仪是由光学系统、信号处理系统、计算机和显示器组成的一种检测仪器。它可以利用近红外光谱成像原理进行物质信息的测量，并且具有无破坏性、非接触性、使用方便等特点。

关键词：近红外光谱仪；微弱信号检测技术

一、微弱信号检测理论

（一）检测理论

微弱信号检测技术的理论基础是非线性、非平衡、多变量以及随机等理论。该理论的核心在于系统非线性和非平衡的特点，采用非线性技术对微弱信号进行检测，可以实现对信号的放大，并且可以通过调节非线性参数来满足实际应用要求。系统非线性在微弱信号检测过程中表现得比较明显，其主要特征表现为系统对于输入信号的放大以及系统本身噪声的抑制等方面。另外，系统非平衡也是在微弱信号检测中体现得比较明显的特点，在进行微弱信号检测时，需要充分考虑到系统本身的非线性特征，根据不同的情况，选择不同的检测方法。

（二）信号噪声的构成

在分析微弱信号的检测过程中，我们需要对噪声进行了解，通常情况下，我们将噪声分为两种类型：第一种是外部干扰噪声，第二种是内部干扰噪声。外部干扰噪声主要指的是外部环境中所存在的一些物理性干扰，这些物理性干扰主要包括温度、湿度等，由于受到了外界环境的影响，这些干扰噪声也会随之发生变化，导致其性质发生改变。内部干扰噪声则指的是电子元器件在工作过程中所产生的一些误差或者是外界因素影响而产生的信号。通过对信号的检测过程中可以发现，外部环境所产生的噪声和内部所产生的噪声在本质上是一样的，都属于外部因素影响导致而成。

（三）检测方案

在实际的应用中，采用微弱信号检测技术的系统需要同时满足以下两个条件：

(1)需要在接收到微弱信号后，对其进行一定的放大，使其能够被检测系统所接收。

(2)在放大后的信号中，必须保证信号处于低噪声状态下，同时保证在低噪声的基础上，信号能被检测系统所检测。

为了保证满足上述两个条件，主要可以采用以下方案：滤波法。在实际应用中，可以对微弱信号进行一定程度的滤波处理，并采用低噪声的放大器对其进行放大处理。滤波+放大器法。在实际应用中，可以采用滤波器+放大器的方式进行微弱信号检测。

二、微弱信号处理算法

（一）小波变换

小波变换作为一种在时域和频域上同时具有局部化能力的分析工具，具有良好的时频局部化特性，是一种适合于分析具有周期特征信号的自适应滤波器，且易于实现，其数学模型为：y为原始信号，x为经过小波变换后的信号。小波变换能够有效地从噪声中提取有用的信息。小波变换方法通常采用离散余弦变换（DCT）方法。首先将原始信号进行小波分解，得到不同尺度上的各个子带，然后对各子带分别进行滤波处理。由于小波函数在时域上是一个很小的常数，因此在时域中具有很强的局部化特性，能够更加有效地检测微弱信号。

（二）中值滤波

中值滤波是一种比较经典的数学方法，通过对一组数据点进行处理，在处理过程中选择中值作为对处理结果进行计算的依据。“它的原理是：在信号数据中，将这些数据按照一定的标准划分成不同的部分，并对每一部分数据进行计算和处理，从而实现数据信号的平滑处理”。中值滤波能够有效地抑制噪声，特别是在信号微弱时，能更好地滤除噪声。中值滤波是一种非常简单的数学算法，它利用了数字图像处理中的基本方法，该算法可以对图像进行快速精确的计算。中值滤波对噪声有很好的抑制作用，在噪声非常大的时候，需要设置很高的阈值，才能有效地滤除噪声。

（三）多分辨率分析

多分辨率分析在微弱信号检测中的应用也较为广泛，多分辨率分析的基本原理就是根据信号的时频特征，选择适当的分辨率对其进行分解，使得不同分辨率下所能表示的信号细节都能够得到保留。在进行多分辨率分析时，可以将不同频率尺度下的信号都看作是一个整体，然后再对其进行相应的频率尺度变换，从而使得各个频率尺度下所表示的信号细节都能够得到保留。在进行多分辨率分析时，主要就是根据其所具有的时频特性对不同尺度下信号细节进行保留，从而使得不同频率尺度下的细节都能够得到保留。具体实现方法是在对信号进行分解时，将每个频率尺度下所能表示的细节都按照一定顺序进行排列。

三、实验结果及分析

（一）硬件系统搭建

近红外光信号十分微弱，而检测电路的核心就是微弱信号检测芯片。为保证系统的抗干扰能力，信号放大电路需要有足够大的增益和动态范围，以满足系统对信噪比的要求。在实验中，为验证本系统对微弱信号的检测能力，选取了两种不同增益的放大器分别用于放大实验中的微弱信号，其增益范围为3

-15倍，并在放大后采用基于数字锁相放大原理的前置放大器进行噪声校正。两种放大器分别对输入信号进行了处理，在50 Hz、100 kHz和200 Hz频率下的信噪比分别为3.65 dB、3.27 dB和4.33 dB，满足了微弱信号检测系统对信噪比的要求。

（二）微弱信号检测结果

由于光信号强度随着距离的变化而变化，为了研究近红外光谱仪器的检测性能，对不同距离下的检测信号进行比较。

随着检测距离的增加，不同距离下检测信号的强度都在不断减弱。这说明当光源输出波长在近红外光谱仪器检测范围内时，光强变化不大。为了研究仪器的稳定性和可靠性，本文还对光谱仪进行了实验验证。实验结果表明，光谱仪在不同光源功率和不同环境温度条件下运行时，其输出光谱的信噪比均保持在20 dB左右。这说明，近红外光谱仪输出信号的信噪比随着光源功率的变化而变化，随着环境温度的变化而变化。

（三）算法性能评估

由于本文所使用的算法是基于最小均方误差的思想，因此，为了保证算法的稳定性，采用最小均方误差作为性能评估指标。因为在最小均方误差的情况下，系统的噪声与背景都得到了有效抑制，所以测量结果具有较高的可靠性。系统噪声由仪器噪声、外部环境噪声以及信号本身噪声三部分组成，在实际应用中，我们将整个系统作为一个整体，只分析其中一部分的信号。为了更直观地表现出算法在实际应用中的性能表现，我们将实验中测量得到的结果与参考值进行比较。

三、结论

在微弱信号检测中，系统噪声的存在会影响系统的测量精度，进而影响最终的测量结果。因此，我们要根据实际的应用环境选择合适的滤波算法。本文所采用的自适应滤波算法能有效地抑制系统噪声，同时能够保持信号特征。另外，该算法具有很好的实时性和鲁棒性，在实际应用中具有很大优势。

参考文献

[1]田大伟.基于神经网络的微弱信号检测方法研究[J].传感技术与仪器，2011 (1)：50-52.

[2]冯雪娥.基于自适应小波滤波的微弱信号检测方法研究[J].自动化仪表与控制，2011 (2)：67-68.

[3]王军.基于 BP神经网络的微弱信号检测方法研究[J].自动化仪器与控制，2011 (5)：30-33.

[4]谢建芳.基于小波变换的微弱信号检测方法研究[J].中国仪器仪表学会，2012 (2)：18-21.

[5]陈波.基于小波变换的微弱信号检测方法研究[J].科学技术与工程（杂志），2011 (3）：20-21.