近赤外線スペクトル解析における次元縮小のための階層的な極限学習マシン
Qiaoyun Wang1, Zhiqi Gao2, Tianyu Li2
1College of Information Science and Engineering, Northeastern University, Shenyang, Liaoning Province 110819, China; Hebei Key Laboratory of Micro-Nano Precision Optical Sensing and Measurement Technology, Qinhuangdao 066004, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|September 1, 2025
まとめ
新しいHierarchical Extreme Learning Machine (HELM) は,近赤外線 (NIR) スペクトルスコピーの次元縮小 (DR) を改善しています. HELM-Partial Least Squares (HELM-PLS) モデルは,特徴抽出を向上させ,優れた予測精度と強度をもたらします.
科学分野:
- スペクトロスコーピー
- 化学測定法
- 機械学習
背景:
- 高次元近赤外線 (NIR) のスペクトルデータを分析するには,次元縮小 (DR) が不可欠です.
- 伝統的なDR方法は,特徴の選択とモデル精度の改善で課題に直面しています.
- 効果的なDRは,堅固な化学モデリングに不可欠です.
研究 の 目的:
- スペクトルDRのための新しい階層的な極限学習マシン (HELM) を導入する.
- 冗長性を削減し,機能の独立性を改善することにより,機能学習の効率を高める.
- 改善されたスペクトルデータ分析のための統合されたHELM-Partial Least Squares (HELM-PLS) モデルを開発する.
主な方法:
- 相互直角の重量ベクトルを利用したHELMの開発.
- HELMと部分最小平方 (PLS) を統合してHELM-PLSモデルを形成する.
- HELM-PLSモデルの3つのパブリックスペクトルデータセットの検証
主要な成果:
- HELM-PLSモデルは,データセット全体で優れた性能指標 (R,RMSE,RPD) を示した.
- HELM-PLSは,他のDR方法と比較して優れた予測精度,強度,および汎用性を示しました.
- HELMアプローチは,スペクトルDRと特徴抽出に有効であることが証明されました.
結論:
- HELM方法は,スペクトルデータDRと特徴抽出に優れたアプローチを提供します.
- HELM-PLSモデルは,複雑なスペクトルデータ分析のための効率的で正確な予測ツールを提供します.
- この研究は,化学測定技術の進歩における HELM の可能性を強調しています.
