近年来,深度神经网络在自动获取数据特征以及抽象表达数据关系等方面表现出优势,基于深度神经网络的非线性回归预测在工程实践和实验研究方面有着广泛的应用。鉴于浅层人工神经网络需要依靠先验知识进行人工提取特征,同时较浅的网络结构限制了神经网络学习复杂非线性关系的能力,本文围绕基于深度神经网络的多组分VOCs浓度反演方法及其在基于傅里叶变换红外光谱技术(FTIR)的VOCs在线监测中的应用展开研究。本文的主要工作内容如下:在实验室条件下利用项目自制的傅里叶变换红外光谱仪建立FTIR测量系统,对苯、甲苯、邻二甲苯三种典型的VOCs标准气体进行了测量。实验结果表明,需要通过多次反射等方法增大气体池光程,以获取高强度的红外光谱信息。从美国环境保护署(EPA)的数据库中选取了苯、甲苯、1,3-丁二烯、乙苯、苯乙烯、邻二甲苯、间二甲苯、对二甲苯等八种VOCs气体在8-12μm波长范围内的吸光度谱作为原始数据,采用深度神经网络多元非线性校正方法对8种VOCs混合气体进行了浓度反演。仿真结果表明,深度神经网络回归预测模型可以实现多组分VOCs浓度反演,反演得到的预测浓度均方根误差为0.0027ppm,相比于前人利用非线性偏最小二乘拟合、人工神经网络等方法拟合的精度有了明显的提高。每种VOC气体的均方根误差均不超过0.005ppm,每个样本的均方根误差均不超过0.006ppm,证明了深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性。当训练样本不足(典型值:小于500)时,深度神经网络无法充分地学习,网络误差较大,精度低于单隐藏层的人工神经网络,但随着训练样本数量的增加,深度神经网络的精度不断提高,当训练样本数充足时,相比浅层的人工神经网络,深度神经网络具有更强的非线性关系学习能力,预测精度更高,模型更为稳定。实验表明,深度神经网络无需人工提取特征就能够充分学习数据特征,同时对多组分VOCs进行浓度反演并达到较高精度,训练前对光谱矩阵进行的降维处理,大大降低了算法的复杂度,有效提高了反演效率。研究表明,深度神经网络在基于红外光谱的多组分VOCs浓度反演方面有着较好的应用前景。