基于深度学习的气态污染物傅立叶变换红外光谱分析方法

本发明提供一种基于深度学习的气态污染物傅立叶变换红外光谱分析方法，其包括利用傅立叶红外气体分析仪采集不同待测气体的红外吸光度谱；对采集到的光谱数据进行预处理，包括采用自适应Savitzky‑Golay滤波器对原始光谱数据分段去噪，并进行归一化处理以平衡数据范围；利用一维卷积深度学习模型对预处理后的光谱数据进行特征提取，用于适配一维FTIR光谱特征并实现气体多组分的特征提取；应用模型的全连接层，将提取的特征映射至待测组分预测结果；采用MSE回归损失函数对模型进行训练和优化。本发明能够有效提高气态污染物光谱信号的处理能力，实现高精度的多组分定量分析。