高性能过和高灵敏度度检索甲在光声谱学使用深度学习残留网络的光学谱
Yanan Cao1,2,3, Yan Li1,3, Wenlei Fu1,3
1The First Hospital of Anhui University of Science and Technology, Huainan 232001, China.
Photoacoustics
|September 23, 2024
概括
这项研究引入了一种新的方法,将光声谱学与残留网络相结合,用于增强微量气体检测. 新方法显著改善了信号噪声比,检测极限和甲检测的测量精度.
科学领域:
- 频谱学是一种光谱学.
- 机器学习 机器学习
- 环境科学 环境科学
背景情况:
- 光声谱学 (PAS) 是一种用于微量气体检测的敏感技术.
- 传统的PAS方法可能会受到噪声的限制,影响检测性能.
- 深度学习为光谱技术的信号处理和降噪提供了潜力.
研究的目的:
- 开发和验证一种新的方法来改进使用光声谱学检测微量气体的方法.
- 将残余网络与光声谱学集成,以增强噪声抑制和信号对噪声比 (SNR).
- 评估测量精度和甲检测检测极限的性能改进.
主要方法:
- 开发了一种新的方法,将光声谱学与40层残余网络模型结合起来.
- 综合系统被用来检索不同水平的甲度.
- 在应用残余网络模型之前和之后,对光声谱信号进行了信号噪声比 (SNR) 分析.
主要成果:
- 剩余网络模型显著提高了不同度甲的光声谱信号的SNR.
- 达到0.0626ppm的测量精度,甲的最低检测极限为1.47ppb.
- 与传统的PAS相比,检测极限大约提高了46倍,测量精度提高了69倍.
结论:
- 剩余网络与光声谱学的整合大大提高了微量气体检测能力.
- 这种深度学习方法在测量精度,稳定性和检测极限方面提供了显著的改进.
- 突出了深度学习算法的潜力,以增强光谱检测方法.
