基于改进的粒子群优化-反向传播神经网络的CO_(2)红外吸收光谱定量分析

在吸收光谱气体传感领域,实测光谱存在信噪比低和由光谱失真带来的线性度低的问题,使得传统的线性分析方法难以实现高准确度的气体体积分数反演。为此,本文提出了一种基于进化策略、参数调整策略双重改进的粒子群优化(IPSO)算法,并结合误差反向传播神经网络(BPNN),建立了网络初始连接权值和阈值优化的反向传播(BP)神经网络(IPSO-BPNN)气体体积分数反演模型。基于光频梳直接吸收光谱技术测量CO_(2)红外吸收光谱,构建了由训练集、验证集和测试集构成的多体积分数光谱数据集,用于IPSO-BPNN模型的气体体积分数反演性能测试。利用IPSO-BPNN模型对14种体积分数的CO_(2)气体进行了反演,结果表明,与粒子群优化算法优化的BP神经网络(PSO-BPNN)、BPNN、极限学习机(ELM)、支持向量机(SVM)、最大吸光度提取(MAE)法五种气体体积分数的反演方法相比,IPSO-BPNN模型的均方误差最小(1.95×10^(-6)),相对误差绝对值的平均值最低(0.0112),决定系数最大(0.9997)。上述结果验证了IPSO-BPNN模型优异的鲁棒性以及在高准确度分子吸收光谱分析中重要的应用潜力。