基于神经网络优化的高精度TDLAS气体光谱检测算法研究

针对TDLAS气体传感器受噪声干扰导致检测精度受限的问题，研究人员提出融合卷积双向长短期记忆网络(NNF)与自适应增强BP神经网络(NCP)的光谱优化模型。实验表明，该模型使CH4光谱信噪比提升2.58倍，浓度预测平均绝对误差低至1.29 ppm，检测限达34.83 ppb，为高精度痕量气体检测提供新范式。

　　

在气候变化与工业安全监测领域，甲烷(CH₄)作为温室效应强度达CO₂28倍的关键气体，其精准检测面临巨大挑战。传统基于可调谐二极管激光吸收光谱(TDLAS)的技术虽具有非破坏性、实时性等优势，但在复杂环境噪声干扰下，现有滤波算法如Savitzky-Golay(S-G)和小波变换(WT)存在参数依赖性强、动态噪声适应性差等缺陷，导致检测灵敏度受限。

安徽工程大学研究团队创新性地构建了神经网络滤波(NNF)与浓度预测(NCP)双模块协同的TDLAS优化模型。NNF通过卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)耦合架构，同步捕捉光谱局部特征与时间依赖性动态噪声；NCP则采用主成分分析层与自适应增强反向传播网络(BP-AdaBoost)结合，显著提升浓度反演鲁棒性。研究选用1.65 μm近红外波段CH₄吸收线，通过理论仿真与标准气体实验验证，该模型使信噪比改善效果达传统算法的2.58倍，浓度预测平均相对误差仅2.05%，Allan方差分析显示406 s积分时间下检测限突破34.83 ppb。

关键技术包括：1) 构建CNN-BiLSTM混合的NNF处理光谱噪声；2) 开发BP-AdaBoost优化的NCP实现浓度预测；3) 采用HITRAN数据库模拟光谱数据集；4) 通过Allan方差确定系统最佳积分时间。

神经网路滤波器
通过对比移动平均(MAF)、卡尔曼滤波(KF)等传统算法，NNF在仿真数据中展现出更优的均方根误差(RMSE)控制能力，其双向网络结构有效抑制了光源波动引起的时变噪声。

吸收线选择
针对1.65 μm波段H₂O和CO₂的潜在干扰，研究通过Voigt线型拟合确认CH₄在1653.7 nm处吸收系数达3.5×10^-20 cm/molecule，具备最佳检测特异性。

仿真信号分析
在SNR=10 dB的加噪条件下，NNF将原始信号RMSE从0.142降至0.038，较KF算法提升61.3%的噪声抑制效率。

结论
该研究首次实现深度学习与TDLAS技术的深度融合，NNF-NCP模型在安徽工程大学自主研发的传感系统中验证了其工程适用性。其创新点在于：1) 突破传统滤波算法对噪声统计特性的依赖；2) 通过AdaBoost集成学习克服BP网络易陷入局部最优的缺陷。相关成果发表于《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》，为大气痕量气体监测装备的智能化升级提供重要理论支撑。