基于深度学习的嵌入式CO_(2)浓度反演算法实现

以CO_(2)为主的温室气体排放使得全球变暖,严重影响生态环境,2021年习近平主席在二十国集团领导人峰会上提出“中国将力争2030年前实现碳达峰、2060年前实现碳中和”,因此精确检测CO_(2)气体浓度具有重要研究意义。由于CO_(2)气体吸收谱线的展宽受到气体压力、温度等因素影响,导致TDLAS气体检测系统测量结果误差增大,因此本文结合HITRAN数据库仿真,提出了基于BP神经网络深度学习的CO_(2)浓度反演算法和嵌入式实现方法,实现了对气体浓度的补偿,为嵌入式浓度反演算法设计提供理论依据。该算法可以移植到STM32F407中,经过测试,气体浓度的检测误差小,有效提升了气体检测精度,此方法同样适用于TDLAS型的其他气体检测应用场景中。

基于深度学习算法的原位激光CO_(2)检测系统研制

随着全球变暖日益严重,精准检测CO_(2)浓度具有重要的研究意义。可调谐半导体激光吸收光谱技术(TDLAS)具有高灵敏度、高分辨率等特点,被广泛应用于气体检测领域。为进一步提升TDLAS气体检测技术的检测精度,本文提出一种基于深度学习的原位激光二氧化碳检测系统。该系统采用BP神经网络算法反演CO_(2)浓度,补偿了温度压强对气体浓度反演的影响,提升了检测精度;采用无线通信模块,通过MQTT协议将检测的CO_(2)数据上传至OneNET云平台,实现了CO_(2)浓度的原位检测。经测试,该系统可以快速、稳定的处理数据,并且适配于其他气体检测系统。