机器学习的IBBCEAS光谱反演波段优化

摘要：

非相干宽带腔增强吸收光谱技术(IBBCEAS)利用高精密谐振腔增强吸收光程,实现对痕量气体的高灵敏探测.目前,IBBCEAS技术主要采用发光二极管(LED)作为非相干光源.当谐振腔镜片反射率曲线与带宽有限的L ED辐射谱不能很好匹配时,光谱反演波段选择不当可能会对被测气体浓度拟合结果产生较大偏差.以定量探测大气NO2浓度为例,分析了IBBCEAS光谱反演波段对NO2拟合结果的影响,发现当反演波段宽度窄到一定程度后,NO2浓度拟合相对误差会迅速增加.为此,提出了一种基于RBF神经网络结合遗传算法的机器学习IBBCEAS光谱反演波段优化方法,以使浓度拟合误差达到最小.在430～480 nm待选波段内,选择各种宽度和中心波长的子波段作为反演波段,分别进行NO2浓度拟合,以此获得435个样本数据,并将样本数据按照4:1比例分成学习样本和测试样本,分别用于RB F神经网络学习训练和测试,得到输入参数"反演波段的起始波长与截止波长"与输出参数"浓度拟合相对误差"之间的非线性映射关系.使用遗传算法搜索最优反演波段,将反演波段的起始波长和截止波长组合进行个体编码,随机产生若干个体形成种群.以RB F神经网络的输出(即浓度拟合相对误差)作为个体适应度,经过多代种群进化过程后,获得适应度最优个体,即获得最优反演波段.在种群规模为100个体,种群进化最大代数为100的情况下,当种群进化第61代时,最优个体出现,对应的最优适应度为3.584％,最优反演波段为445.78～479.44 nm.选择相同带宽的其他4个典型反演波段,与最优反演波段下的NO2拟合结果进行了对比.结果显示,在最优反演波段下,无论是拟合误差、相对拟合误差还是拟合残差标准偏差,均低于其他4个反演波段,光谱拟合质量达到最优.结果表明,利用机器学习来确定IBBCEAS最优反演波段是可行的.

关键词：非相干宽带腔增强吸收光谱、优化、反演波段、机器学习、遗传算法

所属期刊栏目：41

分类号：O433(光学)

资助基金：安徽省重点研究与开发计划项目;国家自然科学基金;国家重点研发计划

在线出版日期：2021-06-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1869-1873