[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

说明书

本发明公开了一种基于深度学习优化S‑G滤波的激光光谱降噪方法及装置，属于激光光谱领域；包括：采用基于QCL量子级联激光器或其他可调谐激光光源的气体激光吸收光谱实验装置采集吸收光谱数据，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；根据光谱数据训练样本建立Adam算法神经网络拓扑模型，选取最优滤波参数组合；采用S‑G滤波算法按照优化后的滤波参数进行自适应滤波；构建的Adam算法神经网络对滤波值进行校正；根据优化后的S‑G滤波算法进行光谱数据的降噪处理。本发明提供的基于深度学习优化S‑G滤波的激光光谱降噪方法，可以提高光谱滤波信噪比，使气体的吸收谱线测量变得更为准确。

技术领域

本发明涉及激光光谱技术领域，尤其涉及一种基于深度学习优化S-G(Savitzky-Golay)滤波的激光光谱降噪方法及装置。

背景技术

随着现代激光技术的快速发展,激光光谱测量技术作为光谱学研究前沿已成为国内外研究的热点。激光光谱是以激光为光源的光谱技术，与普通光源相比，激光光源具有单色性好、亮度高、方向性强、相干性强的特点，是用来研究光和物质相互作用的理想光源。激光的出现使原有的光谱技术在灵敏度和分辨率方面得到很大改善。激光光谱技术已经成为与化学、物理学、生物学、材料学等密切相关的技术领域。激光用于气体吸收光谱测量，可用于取代普通光源，省去分光装置。通过测量激光在通过气体介质前后的光强可以计算出气体的吸收系数，改变入射激光的波长便可以得到完整的气体吸收谱线。由于激光中由于输出激光的振幅、相位、频率等的随机变化导致测量激光光谱中含有噪声，即干扰信号。为了提高测量气体吸收激光的激光光谱的准确性和精度，需要对吸收谱线进行滤波预处理。

而Savitzky和Golay提出的S-G滤波计算简单方便且仅依赖阶数值和窗口大小两个参数，在近红外光谱数据采集与处理中被广泛使用，但是如何正确设置S-G算法的参数使滤波效果在去噪不足和过度滤波中找到平衡点，是该滤波算法的一大难题。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于深度学习优化S-G滤波的激光光谱降噪方法及装置，本发明基于对多条谱线进行S-G滤波的基础上，利用深度学习神经网络进行自适应性学习谱线情况与最适合参数值之间的联系，可以在对含噪声的实测谱线进行滤波时，选择更加合适的参数值，提高S-G滤波的精确度，进而达到优化S-G滤波的作用。

本发明采用的技术方案是：

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。

进一步地，所述的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，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(吸收峰附近)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。

进一步地，所述的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，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；