基于LSTM和BP神经网络解决TDLAS谱线干扰的技术研究.pdf

摘要

TunableDiodeLaserAbsorptionSpectroscopy

可调谐二极管激光吸收光谱技术（，

TDLAS）可以在非侵入式的情况下实时对大气环境进行高灵敏监测，已广泛应用于

精细工业和大气监测等领域。基于光与气体分子的相互作用原理，每个气体分子的

吸收谱线都具有唯一性，但是在同一波段不同气体分子的吸收光谱会存在重叠现象，

这将影响多气体浓度反演的准确性。机器学习算法常用于解决上述光谱重叠问题，

最终可以达到从多气体吸收谱线中反演出单一气体浓度的目的。在常见的机器学习

BackpropagationNeuralNetworkBP

算法中，如误差反向传播神经网络（，）具有较强

Long

的非线性映射能力，常被应用于多气体浓度预测；而长短期记忆网络（

Short-TermMemorynetwork，LSTM）拥有记忆单元和门控机制这两种特殊结构，所

以能够捕捉到时间序列数据中的长期依赖关系，这个突出的特征使LSTM成为多气

体浓度反演的较好候选。基于上述背景，本文设计搭建了基于Herriott多光程池的实

验系统，考虑到算法的实用性，选择测量在1626nm附近甲烷（CH）与乙烯（CH）

424

LSTMBP

的混合光谱数据，并分别应用于神经网络与神经网络两种模型，来对比

其对多气体浓度的反演能力。

本文首先介绍了TDLAS技术的基本原理、LSTM神经网络与BP神经网络应用

于光谱分析的可行性分析和其算法的结构，然后通过基于Herriott多光程池的实验系

统测得在1626nm附近甲烷和乙烯气体的吸收数据。同时，将两种混合气体的模拟

光谱数据，代入BP神经网络模型和LSTM神经网络模型，分别进行了CH浓度反

4

CHF-P

演和24浓度反演的训练。为了确保模拟光谱波长的准确性，本文使用腔进行

寻峰定标，以获取准确的激光波长变化，最后比较分析了两种模型的性能。

BP神经网络对气体浓度的回归预测结果显示：预测CH浓度和CH浓度的模

424

R20.99430.9970LSTM

型决定系数分别达到了和。在模型中，预测浓度值与实际浓

R20.99800.9998

度值的拟合度分别为和，并且通过对比分析两种模型的预测结果，

发现相较于BP预测模型，LSTM模型对于高浓度混合气体的预测精度提高了13.25%，

对混合气体浓度预测具有更优异的准确性。

关键词：TDLAS技术；气体浓度预测；BP神经网络；LSTM神经网络

I

ABSTRACT

TunableDiodeLaserAbsorptionSpectroscopy(TDLAS)withtunable