数据融合增强高维SERS指纹通过双波长和多基板战略构建用于精确的废水识别

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:

• 传统的无标签表面增强拉曼光谱 (SERS) 提供指纹信息用于分析物识别.
• 传统SERS的一维光谱数据对于复杂的样本,如废水或污染源追踪,是不够的.

研究的目的:

• 开发一个数据融合驱动的机器学习方法,用于准确和可靠的废水识别.
• 通过整合双波长和多基板数据,创建一个整体的SERS指纹.

主要方法:

• 在两个激发波长下使用四种贵金属纳米粒子类型收集了12,000个光谱.
• 采用混合特征决策融合策略来结合光谱特征.
• 利用优化的机器学习模型和概率级融合来进行数据整合.

主要成果:

• 废水样本的识别准确度达到了99.67%.
• 在盲目样本测试中保持了96.67%的准确性.
• 通过数据融合演示了通过数据融合生成高维指纹.

结论:

• 该SERSynergy方法提供了高效和准确的废水识别.
• 这种方法显示了在复杂矩阵中精确的光谱特征获取和身份歧视的潜力.