从1D到3D:LIBS伪超光谱数据立方体深度学习机制用于核金属材料分类
Jinghui Li1, Jian Wu1, Ying Zhou1
1State Key Laboratory of Electrical Insulation and Power Equipment, Xi'an Jiaotong University, Xi'an 710049, People's Republic of China.
Analytical chemistry
|March 14, 2025
概括
这项研究引入了一个LIBS伪超光谱数据立方体,以增强激光诱导分解光谱 (LIBS) 分析. 新方法显著提高了不稳定的光谱的分类准确性,特别是在核电站应用中.
科学领域:
- 频谱学是一种光谱学.
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 激光诱导分解光谱 (LIBS) 传统上面临着不稳定的光谱的挑战,特别是在像核电站这样的复杂环境中.
- 使用1D LIBS光谱对类似或微量材料进行分类通常是不准确的,因为光谱不稳定.
研究的目的:
- 开发一种新的光谱数据机制,即LIBS伪超光谱数据立方体,以改进LIBS分析.
- 提高LIBS分类的稳定性和准确性,特别是对于不稳定的光谱数据.
- 利用深度学习算法在LIBS中进行高级特征提取和分类.
主要方法:
- 将1D LIBS光谱转换为3D伪超光谱数据立方体,通过为光谱变化引入两个额外的维度.
- 应用深度学习算法,包括注意力机制,对3D数据进行增强功能学习和分类.
- 使用t-SNE可视化来评估特征空间聚类和验证分类性能.
主要成果:
- 与传统的1D数据处理相比,LIBS伪超光谱数据立方体显著提高了分类准确性,特别是对于不稳定的光谱.
- 整合注意力机制进一步提高了通过自适应权重特征将分类准确度提高到99%以上.
- t-SNE可视化证实了在增强特征空间中不同材料类别的有效聚类.
结论:
- 在LIBS中,LIBS伪超谱数据立方体是增强数据维度和应用深度学习的有效方法.
- 这种方法为在具有不稳定的光谱数据的具有挑战性的环境中进行LIBS分析提供了更强大的解决方案.
- 拟议的机制具有推动LIBS应用的巨大潜力,特别是在核电厂等关键基础设施的材料分类方面.
