相关实验视频
Updated: Jun 7, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
使用自定义 CNN 架构在 LIBS 分析中提高预测稳定性和性能
Pegah Dehbozorgi1, Ludovic Duponchel2, Vincent Motto-Ros3
1Leibniz Institute of Photonics Technology, Member of Leibniz Health Technologies, Member of the Leibniz Centre for Photonics in Infection Research (LPI), Albert-Einstein-Strasse 9, 07745, Jena, Germany; Institute of Physical Chemistry (IPC) and Abbe Centre of Photonics (ACP), Friedrich Schiller University Jena, Member of the Leibniz Centre for Photonics (LPI), Helmholtzweg4, 07743, Jena, Germany.
Talanta
|November 19, 2024
概括
本研究比较了PLS和CNN两种方法,用于使用激光诱导分解光谱 (LIBS) 进行元素分析. 从模拟和真实LIBS数据中预测元素度时,CNNs表现出卓越的准确性和稳定性.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 激光诱导分解光谱 (LIBS) 是一种强大的元素指纹技术,提供快速,同时的多元素分析.
- 现有的LIBS分析往往忽略了等离子体温度和电子密度的变化,影响了准确性.
- 弥合模拟和真实数据分析之间的差距对于稳健的LIBS应用程序至关重要.
研究的目的:
- 开发和比较在LIBS光谱中的元素度的预测模型 (PLS和CNN).
- 在LIBS数据分析中考虑等离子体温度和电子密度的变化.
- 通过先进的机器学习提高元素度预测的准确性和稳定性.
主要方法:
- 利用部分最小平方 (PLS) 和卷积神经网络 (CNN) 进行预测建模.
- 在模拟的LIBS数据上训练并测试模型,使用根平均平方预测误差 (RMSEP) 评估性能.
- 将预先训练的模型应用于真正的LIBS光谱和微调的CNN架构,用于元素特定的预测.
主要成果:
- 在模拟数据上,CNN的中位数RMSEP值低于0.01,在模拟数据上表现优于PLS (0.01-0.05).
- 真实LIBS光谱分析始终确定 (Al), (Si) 和铁 (Fe) 具有高预测度.
- 修改后的CNN突出了规范化,样本权重和定制损失函数的影响,揭示了Ca,Mg,Zn,Ti和Ga的模式.
结论:
- 与PLS相比,CNN在LIBS分析中为元素度提供了更高的稳定性和预测准确性.
- 该研究成功地弥合了模拟和真实LIBS数据分析之间的差距,通过考虑关键等离子体参数.
- 微调CNN提供了一条途径,在复杂的LIBS光谱中优先确定和检测特定元素.
