CN110135320A - 基于bp神经网络与方差补偿的光谱降噪方法及装置 - Google Patents

Abstract

本发明公开了一种基于BP神经网络与方差补偿的光谱降噪方法及装置。本发明能够解决激光光谱测量过程中由于温度、空气振动以及电磁噪声等影响而包含噪声和干扰信号使得测量灵敏度与分辨率受限的问题。

Description

基于BP神经网络与方差补偿的光谱降噪方法及装置

技术领域

本发明涉及激光光谱技术领域，具体涉及一种基于BP神经网络与方差补偿 的光谱降噪方法及装置。

背景技术

激光光谱技术作为一种非接触式探测技术逐渐成为工业过程气、口腔呼吸 气以及环境污染气中的衡量气体成分识别与检测的重要方法。但是由于测量过 程中诸如温度、空气振动以及电磁噪声等影响，探测到的光谱数据往往包含噪 声和干扰信号，严重限制了测量灵敏度与分辨率的提高。因此需要对含噪声的 光谱信号进行去噪处理，尽可能还原探测气体的特征光谱，减弱或消除噪声再 后续光谱识别和拟合过程中的干扰，提高光谱分析的精准度。

目前激光光谱技术常见的去噪方法一般分为两类：基于硬件的滤波技术和 软件的滤波技术。基于硬件的降噪技术尽管实现方式多样，但普遍存在系统结 构复杂、总体成本较高、兼容性差等问题；因此，系统结构简单、成本较低的 软件降噪方式成为了一个更合理的选择。

多信号平均是一种算法相对简单、广泛采用的降噪方法，但这种方法耗时 较长且只能抑制白噪声；近年来兴起的小波及小波包变换去噪技术虽然功能强 大，但该算法依赖较多的参数，存在去噪计算复杂，阈值附近小波系数不连续 等问题；Savitzky Golay(SG)平滑滤波器虽然依赖参数较少，只存在两个影 响参数(平滑窗口宽度和平滑多项式阶数)，但固定的窗口宽度削弱了信号中的 波峰信息，同时对低频噪声也不能很好滤除。卡尔曼滤波作为一种高效率的自 回归滤波算法，无需贮存大量的观测数据且不需要在时域频域之间转化，能够 实时快速高效的进行滤波处理，因而被广泛应用于信号处理、GPS定位导航、卫 星测控、生物医学等领域。

虽然卡尔曼滤波具有很多优于其他滤波算法的特点，但是由于经典卡尔曼 滤波算法存在滤波参数固定、部分滤波结果发散等缺陷，而这些缺陷都是由于 模型构建以及参数限制所致，很难通过卡尔曼滤波算法本身直接消除，从而使 得经典卡尔曼滤波算法在激光光谱降噪的应用产生很大的阻碍。因此优化卡尔 曼滤波算法存在的缺陷，提高滤波算法的精度与灵敏度成为了本领域技术人员 迫切需要解决的技术问题。

发明内容

针对现有技术的不足，本发明公开一种基于BP神经网络与方差补偿的光谱 降噪方法及装置，能够解决激光光谱测量过程中由于温度、空气振动以及电磁 噪声等影响而包含噪声和干扰信号使得测量灵敏度与分辨率受限的问题。

为实现以上目的，本发明通过以下技术方案予以实现：

基于BP神经网络与方差补偿的光谱降噪方法，包括以下步骤，

S1：采用可调谐激光光源的气体激光吸收光谱实验装置采集吸收光谱数据， 获取不同滤波参数下检测气体的吸收光谱数据作为BP神经网络训练样本；

S2：根据光谱数据训练样本建立BP神经网络拓扑模型，选取最优滤波参数 组合；

S3：采用卡尔曼滤波算法按照优化后的滤波参数进行自适应滤波；

S3：利用方差补偿原理对滤波方差进行动态调整，同时构建的BP神经网络 对滤波值进行动态校正；

S5：根据双重优化后的自适应卡尔曼算法进行光谱数据的降噪处理。

优选的，所述步骤S2包括以下步骤，

S21：将所述训练样本分为平稳无吸收趋势数据集合、弱吸收趋势数据集合、 强吸收(吸收峰附近)趋势数据集合；

S22：根据所述平稳无吸收趋势数据集合，对不同卡尔曼滤波参数下检测气 体的吸收光谱数据训练样本进行所述BP神经网络拓扑模型的学习；或者，

S23：根据所述弱吸收趋势数据集合，对不同卡尔曼滤波参数下检测气体的 吸收光谱数据训练样本进行所述BP神经网络拓扑模型的学习；或者，

S24：根据所述强吸收(吸收峰附近)趋势数据集合，对不同卡尔曼滤波参 数下检测气体的吸收光谱数据训练样本进行所述BP神经网络拓扑模型的学习。

优选的，设k时刻气体吸收光谱状态向量为X(k)，该时刻光谱系统控制向量 为U(k)，则该时刻光谱滤波状态系统可表示为：

X(k)＝AX(k-1)+BU(k)+W(k)

其中，A、B为光谱状态转移矩阵，W(k)和表示过程噪声，其协方差由Q(k) 表示。

通过实验装置测量得到的气体吸收光谱向量为Z(k)，则有

Z(k)＝HX(k)+V(k)

其中，H为光谱测量参数，V(k)表示测量噪声，其协方差R(k)表示。

利用光谱系统过程模型，得到卡尔曼滤波器时间更新方程。

时间递推状态变量：

根据光谱系统模型，由k-1时刻的光谱状态向量递推得到k时刻预测的光 谱状态向量：

X(k|k-1)＝AX(k-1|k-1)+BU(k)

其中，X(k|k-1)是预测的光谱状态向量，X(k-1|k-1)是之前的光谱状态向 量。

向前递推误差协方差：

根据光谱系统模型，由k-1时刻的光谱协方差矩阵递推得到k时刻预测的 协方差矩阵：

P(k|k-1)＝AP(k-1|k-1)A^T+Q(k-1)

其中，(·)^T为转置运算，P(k|k-1)是X(k|k-1)对应的光谱协方差矩阵， P(k-1|k-1)是X(k-1|k-1)对应的预测光谱协方差矩阵。

结合预测值和测量值，得到卡尔曼滤波器的光谱数据更新方程。

更新卡尔曼增益：

Kg(k)＝P(k|k-1)H^T(HP(k|k-1)H^T+R)^-1

更新光谱滤波向量：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))

更新误差协方差矩阵：

P(k|k)＝(I-Kg(k)H)P(k|k-1)

其中，Kg为卡尔曼增益，用来衡量光谱预测值与测量值的可信程度。针对 每次滤波后得到的光谱滤波残差，基于方差补偿原理，定义预测残差为：

其中，L(k)为光谱实测向量，为光谱最佳预测向量。针对每次滤波 后得到的光谱滤波值，构建BP神经网络，对于神经网络输入层选取影响卡尔曼 滤波误差的参数：

光谱状态向量与预测状态向量的差距：

X(k)-X(k|k-1)；

光谱测量向量与测量预测向量的差距：

Z(k)-HX(k|k-1)；

卡尔曼滤波增益：

Kg

对每次最终得到BP神经网络优化后的滤波补偿向量ΔX(k)：

ΔX(k)＝D-X(k)

其中，D为光谱数据滤波光谱理论向量。

优选的，包括

QCL量子级联激光光源、聚焦准直系统、氟化钙镜片、长程吸收池、光电探 测器、数据采集单元和终端计算机；

所述QCL量子级联激光器电连接有QCL控制器，所述QCL量子级联激光光 源发出的激光依次经过所述聚焦准直系统和所述氟化钙镜片进入所述长程吸收 池；

所述氟化钙镜片连接有用于发出可见光的可见光激光器，所述氟化钙镜片 控制激光与可见光耦合成为耦合光束；

在所述长程吸收池进气端连接有净化干燥装置和流量控制器，在所述长程 吸收池出气端连接有压强控制器与真空泵，所述长程吸收池还设有用于测量压 强的压力计；

耦合光束经过所述长程吸收池进入光电探测器，所述光电探测器连接有探 测驱动器，所述光电探测器将采集到的激光光谱数据传输到数据采集单元；

所述终端计算机和所述压力计、所述数据采集单元、所述探测驱动器以及 所述QCL激光控制器通讯连接以进行数据交互。

优选的，还包括

激光气体吸收光谱采集模块，用于获取检测气体的吸收光谱数据作为滤波 初始数据和训练样本；

BP神经网络构建和训练模块，用于根据训练样本构建和训练BP神经网络拓 扑模型，调整BP神经网络拓扑模型中各个神经元权值；

BP神经网络和方差补偿优化模块，用于优化经典卡尔曼滤波模型；

BP神经网络和方差补偿双重优化自适应卡尔曼滤波模块，用于根据BP神经 网络和方差补偿双重优化后的自适应卡尔曼滤波模型进行检测气体吸收光谱的 降噪处理。

本发明公开一种基于BP神经网络与方差补偿的光谱降噪方法及装置，具有 以下优点：

1.本发明技术提出了一种基于BP神经网络和方差补偿双重优化自适应卡 尔曼滤波的光谱滤波方法，可以用于激光吸收光谱数据降噪处理。

2.本发明结合了BP神经网络，通过获取不同卡尔曼滤波参数下检测气体 的吸收光谱数据作为BP神经网络训练样本，根据光谱数据训练样本建立BP神 经网络拓扑模型，调整BP神经网络拓扑结构模型中各个神经元权值，选取最优 卡尔曼滤波参数组合，避免人为确定滤波参数造成的误差，提高了光谱降噪的 准确度。

3.本发明结合方差补偿与BP神经网络对卡尔曼滤波算法进行双重优化， 利用方差补偿原理对滤波协方差进行动态补偿，利用BP神经网络对滤波值进行 动态校正，提高光谱降噪的精度与灵敏度。

4.本发明技术方案简单，方便操作，不需要花费很多的人力及物力，其成 本和使用方便程度容易被大多数应用部门所接受。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中可调谐激光光源的气体激光吸收光谱实验装置的结 构框图；

图2是本发明实施例中BP神经网络拓扑模型的示意图；

图3是本发明实施例中光谱滤波算法的流程图；

图4是本发明实施例中光谱滤波实测结果。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明 实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然， 所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中 的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其 他实施例，都属于本发明保护的范围。

本发明实施例所述一种基于BP神经网络与方差补偿的光谱降噪方法及装 置，由采用基于QCL(Quantum cascade laser)量子级联激光器的气体激光吸 收光谱实验装置采集吸收光谱数据的方法以及对采集到的吸收光谱数据采用基 于BP(Back Propagation)神经网络和方差补偿双重优化自适应卡尔曼滤波算 法模型进行光谱降噪处理的方法组成；所述结合双重优化自适应卡尔曼滤波光 谱降噪的基于QCL量子级联激光器的气体激光吸收光谱实验装置包括一个QCL 量子级联激光光源1，该QCL量子级联激光器连接有QCL控制器10进行控制， 激光器的出射光束首先经过聚焦准直系统2，随后调整氟化钙镜片3与另一可见 光激光器4光束耦合，以便于调节光路，避免非可见激光光束对光路调节造成 的困难；光束耦合后进入设有进气口、出气口的长程吸收池5，在长程吸收池5 进气口端连接有净化干燥装置11和流量控制器12，而在长程吸收池5出气口端 连接有压强控制器13与真空泵14，同时有压力计7测量压强；在长程吸收池5 内发生多次反射，最终出射光聚焦到长程吸收池5出射光路上的热电致冷的碲 镉汞VI-4TE-5光电探测器6，该探测器由探测驱动器9进行驱动，并将采集到 的激光光谱数据传输到数据采集单元8；所述计算机15在内设的基于自行编写 的LabVIEW程序支持下，实现对压力计7、数据采集单元8、探测驱动器9以及QCL激光控制器10的数据交互，完成对整个系统的控制和信号分析，采用基于 BP神经网络和方差补偿双重优化自适应卡尔曼滤波方法对由上述装置采集并得 到的气体吸收光谱数据进行降噪处理，进而得到滤波后的气体吸收光谱；所述 基于BP神经网络和方差补偿双重优化自适应卡尔曼滤波的光谱降噪方法包括以 下步骤：

设k时刻气体吸收光谱状态向量为X(k)，该时刻光谱系统控制向量为U(k)， 则该时刻光谱滤波状态系统可表示为：

X(k)＝AX(k-1)+BU(k)+W(k)

其中，A、B为光谱状态转移矩阵，W(k)和表示过程噪声，其协方差由Q(k) 表示。

通过实验装置测量得到的气体吸收光谱向量为Z(k)，则有

Z(k)＝HX(k)+V(k)

其中，H为光谱测量参数，V(k)表示测量噪声，其协方差R(k)表示。

然而光谱系统以及滤波参数并非固定不变，在实际系统中是动态变化的， 卡尔曼滤波算法并不能很好地反映光谱模型的时变特性。因此利用BP神经网络 的学习性能，通过获取不同卡尔曼滤波参数下检测气体的吸收光谱数据作为BP 神经网络训练样本，最优选取实时的系统状态和滤波参数。

利用光谱系统过程模型，得到卡尔曼滤波器时间更新方程。

时间递推状态变量：

根据光谱系统模型，由k-1时刻的光谱状态向量递推得到k时刻预测的光 谱状态向量：

X(k|k-1)＝AX(k-1|k-1)+BU(k)

其中，X(k|k-1)是预测的光谱状态向量，X(k-1|k-1)是之前的光谱状态向 量。

向前递推误差协方差：

根据光谱系统模型，由k-1时刻的光谱协方差矩阵递推得到k时刻预测的 协方差矩阵：

P(k|k-1)＝AP(k-1|k-1)A^T+Q(k-1)

其中，(·)^T为转置运算，P(k|k-1)是X(k|k-1)对应的光谱协方差矩阵， P(k-1|k-1)是X(k-1|k-1)对应的预测光谱协方差矩阵。

结合预测值和测量值，得到卡尔曼滤波器的光谱数据更新方程。

更新卡尔曼增益：

Kg(k)＝P(k|k-1)H^T(HP(k|k-1)H^T+R)^-1

更新光谱滤波向量：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))

更新误差协方差矩阵：

P(k|k)＝(I-Kg(k)H)P(k|k-1)

其中，Kg为卡尔曼增益，用来衡量光谱预测值与测量值的可信程度。然而 上式只在理论上成立，由于非线性系统的不稳定性，只依靠卡尔曼滤波算法得 到的滤波结果必然存在较大误差，甚至存在发散的问题，因此需要利用BP神经 网络和方差补偿对光谱滤波数据进行动态校正。

针对每次滤波后得到的光谱滤波残差，基于方差补偿原理，定义预测残差 为：

其中，L(k)为光谱实测向量，为光谱最佳预测向量。利用预测残差 对动态噪声的协方差向量进行实施估计和修正，以补偿滤波过程中对动态噪声 方程或协方差估计的不足，从而计算出更接近实际的状态向量。

针对每次滤波后得到的光谱滤波值，构建BP神经网络，对于神经网络输入 层选取影响卡尔曼滤波误差的参数：

光谱状态向量与预测状态向量的差距：

X(k)-X(k|k-1)；

光谱测量向量与测量预测向量的差距：

Z(k)-HX(k|k-1)；

卡尔曼滤波增益：

Kg

对每次最终得到BP神经网络优化后的滤波补偿向量ΔX(k)：

ΔX(k)＝D-X(k)

其中，D为光谱数据滤波光谱理论向量。通过大量试验数据的训练，结合 卡尔曼滤波结果与BP神经网络优化结果，可以得到经过校正后的最优光谱滤波 数据，提高滤波精度。

对上述步骤进行循环迭代，最终得到经基于BP神经网络和方差补偿双重优 化自适应卡尔曼滤波降噪后的吸收光谱数据。

图1(Quantum cascade laser)1为QCL量子级联激光光源，2为聚焦准直 系统，3为氟化钙镜片，4为可见光激光器，5为长程吸收池，6为光电探测器， 7为压力计，8为数据采集单元，9为探测驱动器，10为QCL激光控制器，11为 净化干燥装置，12为流量控制器，13为压强控制器，14为真空泵，15为计算 机。

图2中包含有输入层、隐含层、输出层的拓扑结构，其特点是信息正向传 播，误差反向传播。

图3中该算法通过获取不同卡尔曼滤波参数下检测气体的吸收光谱数据作 为BP神经网络训练样本；根据光谱数据训练样本建立BP神经网络拓扑模型， 调整BP神经网络拓扑结构模型中各个神经元权值，选取最优滤波参数组合；结 合方差补偿与BP神经网络对卡尔曼滤波算法进行双重优化，利用方差补偿原理 对滤波协方差进行动态补偿，利用BP神经网络对滤波值进行动态校正；根据基 于BP神经网络和方差补偿双重优化后的自适应卡尔曼滤波算法模型进行吸收光 谱降噪处理。

图4为30mbar气压下1ppm CO在2188.5～2191.5cm-1波束范围内的测 量吸收谱线与经过基于BP神经网络和方差补偿双重优化自适应卡尔曼滤波的光 谱降噪方法后的吸收谱线。滤波后的吸收谱线无限接近理论Voigt线型，信噪 比为1062.182，较直接拟合提升了23倍，可以看出基于BP神经网络和方差补 偿双重优化自适应卡尔曼滤波的光谱降噪方法对激光光谱信号降噪处理的有效 性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将 一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些 实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包 含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素 的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的 其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在 没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包 括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述 实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然 可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进 行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各 实施例技术方案的精神和范围。

Claims (5)

1.基于BP神经网络与方差补偿的光谱降噪方法，其特征在于：包括以下步骤，

S1：采用可调谐激光光源的气体激光吸收光谱实验装置采集吸收光谱数据，获取不同滤波参数下检测气体的吸收光谱数据作为BP神经网络训练样本；

S2：根据光谱数据训练样本建立BP神经网络拓扑模型，选取最优滤波参数组合；

S3：采用卡尔曼滤波算法按照优化后的滤波参数进行自适应滤波；

S3：利用方差补偿原理对滤波方差进行动态调整，同时构建的BP神经网络对滤波值进行动态校正；

S5：根据双重优化后的自适应卡尔曼算法进行光谱数据的降噪处理。

2.如权利要求1所述基于BP神经网络与方差补偿的光谱降噪方法，其特征在于：所述步骤S2包括以下步骤，

S21：将所述训练样本分为平稳无吸收趋势数据集合、弱吸收趋势数据集合、强吸收(吸收峰附近)趋势数据集合；

S22：根据所述平稳无吸收趋势数据集合，对不同卡尔曼滤波参数下检测气体的吸收光谱数据训练样本进行所述BP神经网络拓扑模型的学习；或者，

S23：根据所述弱吸收趋势数据集合，对不同卡尔曼滤波参数下检测气体的吸收光谱数据训练样本进行所述BP神经网络拓扑模型的学习；或者，

S24：根据所述强吸收(吸收峰附近)趋势数据集合，对不同卡尔曼滤波参数下检测气体的吸收光谱数据训练样本进行所述BP神经网络拓扑模型的学习。

3.如权利要求1所述基于BP神经网络与方差补偿的光谱降噪方法，其特征在于：

设k时刻气体吸收光谱状态向量为X(k)，该时刻光谱系统控制向量为U(k)，则该时刻光谱滤波状态系统可表示为：

X(k)＝AX(k-1)+BU(k)+W(k)

其中，A、B为光谱状态转移矩阵，W(k)和表示过程噪声，其协方差由Q(k)表示。

通过实验装置测量得到的气体吸收光谱向量为Z(k)，则有

Z(k)＝HX(k)+V(k)

其中，H为光谱测量参数，V(k)表示测量噪声，其协方差R(k)表示。

利用光谱系统过程模型，得到卡尔曼滤波器时间更新方程。

时间递推状态变量：

根据光谱系统模型，由k-1时刻的光谱状态向量递推得到k时刻预测的光谱状态向量：

X(k|k-1)＝AX(k-1|k-1)+BU(k)

其中，X(k|k-1)是预测的光谱状态向量，X(k-1|k-1)是之前的光谱状态向量。

向前递推误差协方差：

根据光谱系统模型，由k-1时刻的光谱协方差矩阵递推得到k时刻预测的协方差矩阵：

P(k|k-1)＝AP(k-1|k-1)A^T+Q(k-1)

其中，(·)^T为转置运算，P(k|k-1)是X(k|k-1)对应的光谱协方差矩阵，P(k-1|k-1)是X(k-1|k-1)对应的预测光谱协方差矩阵。

结合预测值和测量值，得到卡尔曼滤波器的光谱数据更新方程。

更新卡尔曼增益：

Kg(k)＝P(k|k-1)H^T(HP(k|k-1)H^T+R)^-1

更新光谱滤波向量：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))

更新误差协方差矩阵：

P(k|k)＝(I-Kg(k)H)P(k|k-1)

其中，Kg为卡尔曼增益，用来衡量光谱预测值与测量值的可信程度。针对每次滤波后得到的光谱滤波残差，基于方差补偿原理，定义预测残差为：

其中，L(k)为光谱实测向量，为光谱最佳预测向量。针对每次滤波后得到的光谱滤波值，构建BP神经网络，对于神经网络输入层选取影响卡尔曼滤波误差的参数：

光谱状态向量与预测状态向量的差距：

X(k)-X(k|k-1)；

光谱测量向量与测量预测向量的差距：

Z(k)-HX(k|k-1)；

卡尔曼滤波增益：

Kg

对每次最终得到BP神经网络优化后的滤波补偿向量ΔX(k)：

ΔX(k)＝D-X(k)

其中，D为光谱数据滤波光谱理论向量。

4.基于BP神经网络与方差补偿的光谱降噪装置，其特征在于：包括

QCL量子级联激光光源、聚焦准直系统、氟化钙镜片、长程吸收池、光电探测器、数据采集单元和终端计算机；

所述QCL量子级联激光器电连接有QCL控制器，所述QCL量子级联激光光源发出的激光依次经过所述聚焦准直系统和所述氟化钙镜片进入所述长程吸收池；

所述氟化钙镜片连接有用于发出可见光的可见光激光器，所述氟化钙镜片控制激光与可见光耦合成为耦合光束；

在所述长程吸收池进气端连接有净化干燥装置和流量控制器，在所述长程吸收池出气端连接有压强控制器与真空泵，所述长程吸收池还设有用于测量压强的压力计；

耦合光束经过所述长程吸收池进入光电探测器，所述光电探测器连接有探测驱动器，所述光电探测器将采集到的激光光谱数据传输到数据采集单元；

所述终端计算机和所述压力计、所述数据采集单元、所述探测驱动器以及所述QCL激光控制器通讯连接以进行数据交互。

5.如权利要求4所述基于BP神经网络与方差补偿的光谱降噪装置，其特征在于：还包括

激光气体吸收光谱采集模块，用于获取检测气体的吸收光谱数据作为滤波初始数据和训练样本；

BP神经网络构建和训练模块，用于根据训练样本构建和训练BP神经网络拓扑模型，调整BP神经网络拓扑模型中各个神经元权值；

BP神经网络和方差补偿优化模块，用于优化经典卡尔曼滤波模型；

BP神经网络和方差补偿双重优化自适应卡尔曼滤波模块，用于根据BP神经网络和方差补偿双重优化后的自适应卡尔曼滤波模型进行检测气体吸收光谱的降噪处理。