FALCON-Net：基于模糊注意力LSTM-CNN混合架构的飞秒激光烧蚀火花诱导击穿光谱高精度钢合金分类研究

本研究提出创新的FALCON-Net混合架构，首次将模糊逻辑与注意力机制结合长短期记忆网络（LSTM）和卷积神经网络（CNN），通过飞秒激光烧蚀火花诱导击穿光谱（fs-LA-SIBS）技术实现九类钢合金的精准分类。该模型在四个测试集达到100%分类准确率，ROC曲线AUC值为1.0，且在20dB高斯噪声下仍保持97.76%精度，显著优于传统机器学习方法（RF:97.89%, SVM:97.23%），为工业质量控制和材料表征提供了高鲁棒性解决方案。

　　

Experimental setup of fs-LA-SIBS

图1展示了fs-LA-SIBS系统的实验装置。超快飞秒激光器（Coherent公司，Astrella型号）作为烧蚀源，发射脉冲时长为35飞秒（fs），中心波长800纳米（nm），最大脉冲能量7.5毫焦（mJ）。激光束通过10倍显微镜物镜（工作距离15毫米）聚焦到钢合金样品表面产生激光诱导等离子体。样品置于以3毫米/秒速度运行的X-Y-Z平移台上。

Spectral Analysis of Steel Alloy Samples Based on the fs-LA-SIBS Experimental Setup

本研究采用fs-LA-SIBS技术从九种标准化钢合金样品中采集原子发射光谱。单次实验分析300-500纳米光谱区间，该范围内元素发射线呈现鲜明且稳定的特征信号。通过高精度仪器系统捕获该区间的高分辨率光谱数据，获得富含元素特异性信息的详细原子发射谱线。

Conclusion

为满足钢合金精准分类需求，本研究创新性提出FALCON-Net模型，将fs-LA-SIBS技术与融合模糊逻辑、注意力机制、长短期记忆网络（LSTM）和卷积神经网络（CNN）的混合架构相结合。实验验证表明，该模型在四个测试集的混淆矩阵中实现真实标签的完美对角线对齐与零非对角线值，ROC曲线AUC得分达1.0，实现100%准确率与分类精度。