对深度学习和化学测量方法进行比较分析,用于光谱数据建模

科学领域:

• 化学测量 化学测量 化学测量
• 谱光数据分析数据分析
• 机器学习 机器学习

背景情况:

• 评估了用于光谱数据分析的五种不同的建模方法.
• 这些包括部分最小平方 (PLS),间隔PLS (iPLS),LASSO和卷积神经网络 (CNN).
• 与这些模型结合了各种预处理技术,包括经典方法和波形变换.

研究的目的:

• 对光谱数据进行不同预处理方法和建模技术的全面比较.
• 在低数据场景中确定回归和分类任务的最佳组合.
• 为了评估波形变换作为预处理替代方案的有效性.

主要方法:

• 评估了 5 种建模方法:PLS,iPLS,LASSO 和 CNNs.
• 使用了经典的预处理和波形变换.
• 对酒数据集 (回归) 和废滑油数据集 (分类) 的测试模型.

主要成果:

• 间隔PLS (iPLS) 变体在回归案例研究中表现优越.
• 波形变换增强了模型性能,并保持了线性和CNN模型的可解释性.
• 在用于分类的原始光谱上,CNN表现良好,在预处理后观察到进一步的改进.

结论:

• 没有单一的预处理和模型组合是普遍最佳的,特别是在低数据设置中.
• 间隔PLS对于回归是有效的,而CNN则为分类提供了潜力,从预处理中受益.
• 波形变换是用于光谱数据分析的经典预处理的有价值的替代方案.