一种基于CNN-Transformer融合模型的气体浓度反演方法

本发明公开了一种基于CNN‑Transformer融合模型的光谱气体浓度反演方法，属于痕量气体检测与光谱信号处理技术领域。该方法包括，通过TDLAS系统获取目标气体的二次谐波光谱数据；对采集信号进行异常值剔除与平滑滤波处理，并构建标准输入向量；设计融合一维卷积神经网络(CNN)与Transformer架构的深度模型，其中CNN用于提取局部谱图特征，Transformer用于建模全局依赖关系；将训练集与验证集输入模型进行训练优化，最终实现对测试集样本气体浓度的高精度反演。实验结果表明，该方法在拟合精度、鲁棒性及误差控制方面均优于现有模型，具有良好的物理一致性与工程推广价值。