基于残差卷积神经网络的光谱数据密度预测模型

李锐婷 Li Ruiting、刘发谦 Liu Faqian、陈铎 Chen Duo、李惠 Li Hui、李建飞 Li Jianfei、张文浩 Zhang Wenhao、倪家升 Ni Jiasheng、冷建材 Leng Jiancai

2025Laser & Optoelectronics ProgressEngineering被引 1开放获取

摘要

提出一种用于铅酸电池电解液折射率监测的温度补偿框架。将并联法布里-珀罗光纤布拉格光栅（FP-FBG）传感器与基于深度学习的解调技术相结合，有效抑制热干扰效应。创新性地构建了一维残差卷积神经网络（1D-ResCNN）架构，该架构能够直接处理电解液密度为0.991~1.4687 g/cm3和温度为20~45 ℃时的二维原始光谱数据，无需传统预处理流程。实验结果显示，模型在第34轮次实现收敛，在验证集上的平均绝对误差为0.0003，决定系数达0.9878，显著优于传统回归方法。通过动态学习率策略优化训练过程，总训练时间仅为20 min。对360个独立测试样本进行预测的总耗时为3 s，展现出高效的实时监测能力。本研究为光电赋能电池管理系统提供了创新解决方案，实现了光学传感与人工智能的协同融合。

引用本文（GB/T 7714）

李锐婷 Li Ruiting, 刘发谦 Liu Faqian, 陈铎 Chen Duo, 等. 基于残差卷积神经网络的光谱数据密度预测模型[J]. Laser & Optoelectronics Progress, 2025.

引文网络

参考文献与被引分析加载中…

DOI：https://doi.org/10.3788/lop251106

本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。