气体检测技术在工业安全与环境监测等领域中发挥着关键作用，能够实现对有害物质的早期预警和精准识别。深度学习这一新兴算法范式凭借其独特优势，在多个学科领域展现出强大的应用潜力。与传统检测算法相比，深度学习具有更高效的数据处理能力、更智能的自主决策机制以及更强大的潜在特征提取功能，这为痕量气体检测技术的发展提供了全新的研究思路和技术路径。2025年，开宝体育(中国)唯一官方网站 朱存光副教授团队在该领域取得新的进展，其研究成果相继发表于《Photoacoustics》（《光声学》）和《Analytical Chemistry》（《分析化学》）期刊。

进展一：PSO-EAP-CNN模型解决光声光谱相关性退化问题

团队提出了一种基于粒子群优化与集成增强预测策略的卷积神经网络模型（PSO-EAP-CNN），解决了光声光谱气体检测中噪声引起的信号相关性退化问题。该模型通过多尺度特征提取机制与粒子群算法优化网络参数，显著提升了模型收敛速度和预测稳定性；同时引入集成增强预测策略，在噪声环境下进一步增强模型的鲁棒性和泛化能力。实验表明，PSO-EAP-CNN相比传统CNN模型，预测精度提升显著：平均绝对误差降低43.76%，均方根误差降低39.25%，平均绝对百分比误差降低51.15%。本研究为复杂噪声环境下的痕量气体检测提供了新方法，推动了深度学习在光声光谱领域的应用发展。该成果发表于《Photoacoustics》（《光声学》，中科院一区TOP，影响因子7.1），2023级硕士研究生苏占上为论文第一作者，王朋朋副教授、朱存光副教授和中国海洋大学王福鹏副教授为共同通讯作者，聊城大学为第一署名单位。

进展二：MDWD-LiteMogaNet模型用于波长调制光谱中的气体浓度反演

团队提出了一种多级离散小波分解辅助的轻量级多阶门控聚合网络（MDWD-LiteMogaNet）模型，巧妙地解决了高分辨率光谱数据处理中高维度和高计算复杂度的难题，同时显著提升了气体浓度检测的精度和抗噪性能。多级离散小波分解在完整保留数据核心特征的基础上，将数据维度从 1240 个特征点高效压缩至 26 个，降维比例高达 98%。模型的 MACs 低至 0.003 GFLOPs，平均绝对误差低于 2.02 ppm，平均相对误差低于 1.12%。这一成果为复杂环境中的气体检测提供了一种高效、轻量级的深度学习解决方案。该成果发表于《Analytical Chemistry》（《分析化学》，中科院一区TOP，影响因子6.8），2022级电子信息工程专业本科生李正卓为论文第一作者，朱存光副教授为通讯作者，聊城大学为第一署名单位。

该工作得到了国家自然科学基金和山东省自然科学基金的支持。

论文链接：

//www.sciencedirect.com/science/article/pii/S2213597925000400

//doi.org/10.1021/acs.analchem.5c01554

(审稿：刘才龙)