基于CNN-Transformer融合框架的光声痕量气体检测增强技术

针对低浓度气体检测中2f信号信噪比(SNR)低的关键问题，山西大学研究团队创新性提出结合1D CNN与Transformer的CTNN降噪模型。通过合成噪声训练和实验验证，该模型使500 ppb乙炔信号的SNR提升70倍，检测限达245 ppt，R2线性度提升至99.3%，为痕量气体光声光谱(PAS)检测提供了突破性解决方案。

　　

在环境监测和工业安全领域，痕量气体检测如同"化学嗅觉"般至关重要。传统激光光谱技术虽具有高灵敏度，但当面对ppb级(十亿分之一)气体浓度时，环境噪声、激光源噪声和热噪声如同"信号迷雾"，严重干扰光声光谱(PAS)产生的2f(二次谐波)信号。尤其当气体浓度低于500 ppb时，信噪比(SNR)的急剧下降使得检测限难以突破，这一问题长期制约着痕量气体检测技术的发展。

山西大学量子光学与光量子器件国家重点实验室的研究团队独辟蹊径，将人工智能领域的"双雄"——1D CNN(一维卷积神经网络)和Transformer架构创新性融合，开发出CTNN降噪模型。该研究通过理论模拟与实验验证相结合，在《Phosphorus, Sulfur, and Silicon and the Related Elements》期刊发表的研究成果显示：针对6530.39 cm^-1波段的乙炔吸收峰，模型使500 ppb气体的SNR从29飙升至2044，相当于将检测限从17 ppb降至245 ppt(万亿分之245)，实现了近两个数量级的灵敏度突破。

关键技术方法包含：1)构建包含高斯白噪声、1/f粉噪声和40-60 Hz激光噪声的合成数据集；2)采用z-score归一化处理保留Voigt线型特征；3)设计峰值加权MSE与相关性损失的双重优化函数；4)在1766 Hz谐振频率的差分光声池中实测验证。

【算法设计】

通过7层1D CNN提取局部峰谷特征，结合4头自注意力机制的Transformer捕捉长程噪声关联。特别设计的峰值权重策略使2f信号中心区域重建误差降低62%。

【实验验证】

在10 ppm-2 ppm乙炔梯度测试中，模型对100 ppb信号的降噪使R2从99.0%提升至99.3%。交叉验证显示，使用CH₄模拟数据训练的模型对C₂H₂实测数据仍保持70倍SNR提升，证实算法普适性。

【结论与意义】

该研究首次实现CNN与Transformer在光声光谱的协同应用，其创新点在于：1)通过1D CNN精确解析2f信号的二阶导数特征；2)利用Transformer注意力机制抑制低频环境噪声的时域相干性。2秒内的实时处理速度使其具备现场检测潜力，为大气污染物监测、工业泄漏预警等应用提供了新一代智能检测范式。研究团队特别指出，该框架可扩展至NO_x、CO等有害气体检测，未来通过迁移学习有望实现多组分气体的同步分析。