傅里叶红外光谱分析算法研究获进展

近日，中国科学院合肥物质科学研究院科研团队在傅里叶红外光谱（FTIR）分析算法研究方面取得进展。团队面向实际应用，构建出“混合物识别—基线重构—鲁棒定量—宽动态分析”研究框架，提升了复杂应用场景下气体的识别准确度和定量精度。

团队提出基于“注意力”机制的深度学习框架，来应对混合物识别任务中仪器线型、吸收峰重叠等挑战。该框架依托10种仪器线型、8种气体成分的自建数据集实验。同时，该框架仅用1种仪器线型训练，但其应用于其他9种线型时精确匹配率超91.7%，较现有方法提升25%至88%，凸显了其在跨设备应用、其他FTIR混合物分析及类似光谱学挑战方面的潜力，为复杂混合物成分红外光谱识别提供了新思路。

为减少混合气体吸收峰重叠导致的基线校正误差的影响，团队研发了相对吸光度的独立成分分析算法。通过计算相对吸光度光谱、提取独立成分、重建隐藏基线，使设备对混合气体吸收峰重叠导致的基线校正误差低于常用方法，精准保留基线细节，满足多气体组分同时精确测量需求。该算法计算剔除基线信息的相对吸光度光谱，结合比尔—朗伯定律与独立成分分析，提取包含各组分吸收峰信息的独立成分，对需基线校正的光谱进行拟合。团队采用多项式曲线与残差相结合的基线模型，重建吸收波段的隐藏基线。仿真与实验结果表明，RA-ICA方法重建的基线误差低于其他常用基线校正方法，可准确保留基线的细节特征，能够提供高质量的校正基线，满足多气体组分同时精确测量的需要。

在实际浓度反演过程中，传统最小二乘等方法受到噪声和基线漂移等光谱干扰的影响，其气体光谱定量结果准确性受限。为提升浓度反演精度，团队提出了“抑制—适应—优化”模型，实现了光谱降噪、残差建模及损失优化的有机结合，为FTIR光谱的浓度反演提供了更具鲁棒性的方法。该模型融合光谱降噪、残差建模与损失优化技术，可为工业监测、交通排放等场景的浓度反演提供鲁棒方案。该算法通过噪声抑制技术提高用于反演的光谱数据的质量，继而利用Ljung-Box检验和分位数—分位数图等统计工具，对降噪后光谱数据与前向模型的残差分布进行分析，并运用广义损失函数进行适应，通过优化器进行损失优化，实现气体浓度反演。模拟和实验光谱验证发现，该模型在均方根误差噪声为1×10^-3光谱数据集中的性能，相比于传统方法，可将CO₂、N₂O和CO的反演精密度提高15%。实验结果表明，该方法在工业监测、环境研究及交通排放等领域具有应用前景。

团队进一步提出了基于信息密度的自适应波段优选方法，以纠正高浓度下吸收饱和引发的光谱非线性响应、仪器分辨率限制及基线重建误差等问题。模型整合谱线强度、吸收饱和特性、仪器线型函数及基线特征，动态评估全光谱信息密度分布，优选各组分反演参数，确定最优反演波段，并通过非线性多元回归迭代更新参数直至收敛。实验验证显示，该方法对甲烷定量分析的线性动态范围达3×10⁷。ID-ABS模型的适用性可拓展至其他具有红外吸收特性的气体，提升了基于FTIR技术对复杂多组分混合物的定量分析能力。

上述系列工作将进一步拓展傅里叶红外光谱仪器技术的多领域精准应用。

相关研究成果分别发表在《分析化学》（Analytical Chemistry）和《光学快报》（Optics Express）等上。研究工作得到国家重点研发计划等的支持。

论文链接：1、2、3、4