基于深度学习的深紫外拉曼光谱检测污染物浓度的方法

本发明公开了基于深度学习的深紫外拉曼光谱检测污染物浓度的方法，属于光谱分析技术领域。该方法针对传统深紫外拉曼光谱技术在检测污染物时面临的谱线重叠干扰、痕量信号弱、背景噪声强及非线性响应等问题，通过构建SSA‑CNN‑LSTM‑Attention融合模型，结合深紫外拉曼光谱预处理技术实现高精度定量分析。该模型采用1D‑CNN提取光谱局部特征，LSTM捕捉序列长程依赖，Attention机制增强特征峰响应权重，SSA优化超参数，并通过加权损失函数优化模型输出浓度预测值。同时，结合合成数据扩充策略与环境基体标准样品库训练，提升模型对复杂场景的适应能力。该方法有效提升了新污染物检测的抗干扰能力与泛化性，在环境监测、工业安全等领域具有重要应用价值。