近日，中国科学院安徽光机所李相贤研究员团队联合聊城大学、江南大学，在复杂光谱重叠条件下的气体定量分析研究中取得新进展。研究团队针对一氧化碳（CO）和二氧化碳（CO₂）吸收光谱严重重叠所引起的定量分析精度下降问题，提出了融合长短期记忆网络（LSTM）、粒子群优化（PSO）和支持向量回归（SVR）的混合框架，提高了复杂光谱重叠条件下的气体浓度预测精度，为工业废气在线监测提供了新的技术途径。

相关研究成果以《基于LSTM-PSO-SVR混合框架的光谱重叠条件下FTIR气体稳健定量分析》（Robust quantitative FTIR gas analysis under spectral overlap using an LSTM-PSO-SVR hybrid framework）为题，发表于国际学术期刊Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy。

傅里叶变换红外光谱（FTIR）技术能够同时检测多种气体，但在复杂工业监测条件下，不同气体的吸收光谱容易发生重叠，影响气体浓度的定量分析精度。在2210—2250cm^-¹波段，较高气体浓度引起的分子碰撞展宽效应使CO与CO₂的吸收特征明显重叠，产生光谱交叉干扰。同时，仪器有限的光谱分辨率会引入额外的非线性失真，使吸光度与气体浓度之间呈现复杂的非线性关系，导致主成分回归（PCR）、偏最小二乘回归（PLSR）等传统线性方法的预测精度下降。

针对复杂光谱重叠条件下的气体浓度预测难题，研究团队构建了LSTM-PSO-SVR混合框架。该框架首先采用具有门控机制的三层LSTM网络，将2210—2250cm^-¹波段的83维光谱数据映射为128维深层特征，以表征不同波数位置吸收特征之间的复杂非线性关系，增强对气体浓度相关信息的表征能力。考虑到气体校准样本有限，传统深度学习模型可能存在过拟合风险，研究团队采用基于结构风险最小化原理的SVR替代传统全连接输出层，建立深层光谱特征与气体浓度之间的非线性映射，以改善有限样本条件下的预测性能。同时，针对SVR预测性能对超参数选择较为敏感的问题，结合五折交叉验证，引入PSO算法对惩罚系数（C）、核参数（γ）和不敏感损失参数（ε）进行自动优化，以提高模型的预测精度和稳健性。

为验证所提框架的有效性，研究团队构建了200种不同浓度组合的CO/CO₂混合气体数据集，共采集600条光谱数据，并按照浓度组合划分训练集与独立测试集，开展模型性能评估。结果表明，该框架对CO和CO₂的浓度预测均方根误差（RMSE）分别降至19.65ppm和20.25 ppm。与传统PCR和PLSR等线性方法相比，两种气体的预测均方根误差均降低超过88%；与常规SVR模型相比，CO和CO₂的预测RMSE分别降低79.84%和92.74%。此外，模型完成离线训练后，对单条光谱的平均推理时间为3.15毫秒，表现出良好的预测精度和计算效率。

该研究提出的LSTM-PSO-SVR混合框架，有效提高了严重光谱重叠条件下基于FTIR光谱的气体浓度预测精度和稳健性，同时具有较高的计算效率，为复杂气体混合物的高精度定量分析提供了新的技术途径。未来，该技术有望在工业废气排放精准核算与温室气体精细化管控中发挥重要作用。

聊城大学硕士生范凯翔为论文第一作者，安徽光机所与聊城大学联合培养硕士生赵天翔参与了该项研究。安徽光机所李相贤研究员为论文第一通讯作者，聊城大学朱存光副教授为共同通讯作者。

论文链接：www.journals.elsevier.com/spectrochimica-acta-part-a

molecular-and-biomolecular-spectroscopy

原理示意图

LSTM-PSO-SVR混合深度学习框架

FTIR气体传感系统示意图