[发明专利]基于深度学习优化S-G滤波的激光光谱降噪方法及装置

权利要求书

1.一种基于深度学习优化S-G滤波的激光光谱降噪方法，其特征在于，包括以下步骤：

步骤一：采用激光气体吸收光谱采集模块采集吸收光谱数据，获取待测气体的吸收光谱数据作为Adam算法神经网络训练样本；

步骤二：根据Adam算法神经网络训练样本建立Adam算法神经网络拓扑模型，选取最优滤波参数组合；

步骤三：将Adam算法神经网络训练样本选取的最优滤波参数组合输入到S-G滤波算法中，并对实测谱线进行自适应滤波；

步骤二的具体过程为：

将所述Adam算法神经网络训练样本分为平稳无吸收趋势数据集合、弱吸收趋势数据集合、强吸收趋势数据集合；根据上述三种吸收趋势数据集合，对不同S-G滤波参数下检测气体的吸收光谱数据训练样本进行所述Adam算法神经网络拓扑模型的学习，得到最优的S-G光谱滤波参数；

步骤三的具体过程为：

(1)获得实测谱线数据；

(2)对实测谱线进行SG滤波，得到最优的滤波参数；

(3)搭建keras降噪自编码器框架，包括编码层、解码层、数据可视化模块；

(4)将含噪声谱线与SG滤波后得到的最优滤波参数分别输入到神经网络中作为输入层与输出层并对神经网络进行训练；

(5)将实测数据输入到训练好的神经网络中，选出最优滤波参数组合，对实测谱线进行自适应S-G滤波，调用数据可视化接口观察滤波效果。

2.一种应用于权利要求1所述一种基于深度学习优化S-G滤波的激光光谱降噪方法的装置，其特征在于，包括以下模块：

激光气体吸收光谱采集模块，用于获取检测气体的吸收光谱数据作为滤波初始数据和Adam算法神经网络训练样本；

Adam算法网络构建和训练模块，用于根据所述Adam算法神经网络训练样本构建和训练Adam算法网络拓扑模型，调整所述Adam算法网络拓扑模型中各个神经元权值；

Adam算法网络优化自适应S-G滤波模块，用于根据Adam算法网络优化后的自适应S-G滤波模型进行检测气体吸收光谱的降噪处理。

3.根据权利要求2所述一种基于深度学习优化S-G滤波的激光光谱降噪装置，其特征在于，所述激光气体吸收光谱采集模块为基于QCL量子级联激光器的气体激光吸收光谱实验装置，所述基于QCL量子级联激光器的气体激光吸收光谱实验装置包括一个作为光源的QCL量子级联激光器，所述QCL量子级联激光器连接有QCL激光控制器，所述QCL激光控制器用于对所述QCL量子级联激光器进行控制，所述QCL量子级联激光器的出射光束与另一可见光激光器光束耦合，光束耦合后进入设有进气口、出气口的长程吸收池，在所述长程吸收池进气口端连接有净化干燥装置和流量控制器，在所述长程吸收池出气口端连接有压力控制器与真空泵；在所述长程吸收池内发生多次反射，最终出射光聚焦到长程吸收池出射光路上的热电致冷的光电探测器上，并将采集到的激光光谱数据传输到数据采集单元，所述数据采集单元的信号输出端与计算机连接；所述计算机在内置的软件程序支持下，实现对压力控制器、数据采集单元、探测驱动器以及QCL激光控制器的数据交互，完成对整个系统的控制和信号分析，获取待测气体的吸收光谱数据。

4.据权利要求3所述的一种基于深度学习优化S-G滤波的激光光谱降噪装置，其特征在于，所述QCL量子级联激光器可由 其他可调谐激光光源代替。