去噪算法是极其重要的光谱预处理步骤,能够显著提高后续光谱分析算法的准确性.然而,大多数去噪算法都需要通过反复试验的方式来人为设置初始参数,不能自动完成光谱去噪.为了能够对光谱进行自动且可靠的平滑去噪,提出了一种自适应多尺度窗口平均平滑(AMWA)去噪算法.该算法针对光谱中不同位置采用不同宽度的平滑窗口,这些窗口的宽度将直接影响到平滑效果.当窗口宽度选择不合适时,可能出现去噪过度,使得峰畸变或者丢失;也有可能导致去噪不足,使得光谱的较平坦区域仍包含大量的噪声.因此判断每个窗口宽度是否合适,是光谱平滑的关键.该算法通过迭代的方法不断优化各个窗口的宽度,并以统计学中的Z检验来判断窗口宽度是否为最佳.另外,为了提高假设检验的可靠性,用不同信噪比的模拟数据对假设检验中使用的阈值进行比较,发现当阈值设为1.1时可使去噪效果最佳.用模拟光谱和实际光谱对该算法进行了测试,该算法能够自动适应不同的光谱形状和噪声强度.还将AMWA去噪算法与SG算法及移动窗口平均平滑算法进行了全面的比较,AMWA算法都明显优于其他两种算法.结果表明AMWA算法不仅去噪效果更好,而且准确性及保真性也更高,对模拟光谱和实际光谱都具有极好的平滑效果.

基线校准是极其重要的光谱预处理步骤,能够显著提高后续光谱分析算法的准确性.目前基线校准算法大多数都是手动或半自动的,手动基线校准算法完全依赖于用户的经验,个人主观因素会严重影响基线校准的准确性,半自动基线校准需要针对不同的拉曼光谱设置不同的优化参数,使用不便.提出了一种局域动态移动平均(LDMA)全自动基线校准算法,并且详细阐明了该算法的基本思想和具体算法步骤.该算法采用了改进移动平均算法(MMA)实现拉曼光谱峰的逐渐剥离,通过自动识别原始拉曼光谱的基线子区间来将整个拉曼光谱区间自动分割为多个拉曼峰子区间,从而实现了在每个拉曼峰子区间中动态改变MMA窗口半宽度和控制平滑迭代次数,最大程度地避免了基线校准过度和基线欠校准现象.无论对于凸形基线、指数形基线、反曲线形基线模拟拉曼光谱,还是真实物质的拉曼光谱,LDMA全自动基线校准算法都取得了很好的基线校准效果.

差分吸收光谱技术(differential optical absorption spectroscopy, DOAS)利用气体分子在紫外－可见光谱范围的特征吸收来测量其浓度含量, 现已被广泛应用于测量大气环境中痕量污染气体的浓度, 如SO2, NO2, O3, HCHO等。 测量得到的大气差分吸收谱在测量波段内(300～700 nm)由于存有光源(氙灯或者氘灯)光谱结构, 会影响大气环境中痕量气体浓度的准确反演; 在光谱数据反演时, 为了避开光源光谱结构的影响, 国内外对其处理通常采用分段方式反演和弥补方式反演并介绍一种新的数据处理方法: 采用平移窗口均值平滑方法(moving-window average smoothing method)获得大气光谱的慢变化, 然后求取氙灯光谱结构。 并将获得光源光谱结构对实际测量光谱进行拟合分析, 取得了较好的效果, 残差为2.995×10-4, 避免了选择波段过窄和对新物质探测不利的缺点。