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