writer：韓 諾，郝 悅，寧 宇，張 妍，卞希慧*
keywords：原位紅外光譜；變分模態分解；冠豪豬優化算法；信號去噪；參數優化
source：期刊
specific source：中國無機分析化學，2026, 16(2): 312-324
Issue time：2026年
原位紅外光譜技術能夠在反應過程中實時監測動態化學工程、物質結構變化與分子振動，在催化機理研究、能源材料表征及生物分子檢測等領域具有不可替代的作用。然而，實驗所采集的光譜信號常受到儀器熱噪聲、環境擾動、樣品散射及光路波動等多源噪聲的疊加干擾，導致譜圖基線漂移、特征峰展寬或湮沒，嚴重制約了光譜的解析精度與定量可靠性。傳統去噪方法如窗口移動多項式擬合法（Savitzky–Golay, S-G）、經驗模態分解（Empirical mode decomposition, EMD）、離散小波變換（Discrete Wavelet Transform, DWT）、變分模態分解（Variational Mode Decomposition, VMD），往往存在參數依賴性強、模態混疊、高頻細節丟失或過度平滑等問題，難以在復雜工況下實現噪聲抑制與信號保真的平衡。
針對這些問題，本研究提出一種冠豪豬算法（Crested Porcupine Optimizer, CPO）元啟發式優化的變分模態分解去噪方法。該方法創新性地引入CPO算法，以分解后模態分量的最小能量熵為適應度函數，實現對VMD關鍵參數（模態數K與懲罰因子α）的自動全局尋優，從而克服了傳統VMD參數依賴經驗設置的局限。優化后的VMD將光譜信號自適應分解為一系列帶限模態分量，每個BLIMF都是一個具有特定中心頻率的緊湊、準正交分量。分解之后，執行關鍵的分量選擇步驟。主要代表隨機噪聲的高頻BLIMF被舍棄。相反，那些包含了基本化學信息和特征光譜標記的低頻BLIMF被有選擇地求和，以重構最終的去噪光譜。通過涵蓋模擬和真實世界光譜數據的綜合實驗驗證，CPO-VMD方法的性能優越性和實用價值得到了證實。利用三個疊加了加性高斯白噪聲的高斯峰構建了基準模擬光譜，以便進行精確的定量評估。此外，該方法在兩個具有代表性且富有挑戰性的材料體系（NiFe LDH催化劑、鍍金硅晶體）上獲得的實驗原位傅里葉變換紅外光譜上進行了測試，與S-G平滑、EMD、DWT、VMD等傳統去噪方法對比，結果表明：對于模擬信號，CPO-VMD方法取得了24.12的最高信噪比，其重構信號與真實信號的相關系數達0.9948，均優于其他方法；在實際光譜處理中，對于NiFe LDH催化劑光譜，該方法在去除噪聲的同時能保留2300-2400 cm-1區域的峰值信息，而其他方法在此區域要么引入了畸變，要么殘留了噪聲；對于鍍金硅晶體光譜，該方法在1050-1200 cm-1主峰區域能有效保留峰形與強度，而其他技術則存在過度平滑或噪聲去除不足的問題。這證明了該方法在有效抑制噪聲的同時，能更完整地保留特征峰的峰位、峰形與強度信息，顯著提升了光譜質量與分析可靠性。本研究不僅為原位紅外光譜提供了一種高效、穩健且自動化的去噪方案，也為VMD參數優化問題提供了新的解決思路，具有重要的方法論意義與應用價值。