基于盲点网络和科尔摩戈罗夫-阿诺德网络的激光光谱增强和分析

科学领域:

• 频谱学是一种光谱学.
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 激光诱导分解光谱 (LIBS) 提供快速,非破坏性,多元件检测,但受到光谱噪声和有限的定量精度的影响.
• 由于光谱噪声干扰和精确的定量分析方面的挑战,LIBS的广泛采用受到阻碍.

研究的目的:

• 开发一个自我监督的深度学习框架,以克服LIBS的局限性.
• 通过先进的降噪和定量分析模型来提高LIBS的分析性能.

主要方法:

• 采用盲点网络实现了一个盲点光谱消除网络 (BSSDN),用于在没有清洁参考数据的情况下进行自我监督的降噪.
• 利用科尔摩戈罗夫-阿诺德网络 (KANs) 进行定量分析,结合自适应的支线基础函数和局部加权.
• 采用中央盲点卷积机制和BSSDN中的动态掩盖以抑制噪音.

主要成果:

• 在不钢参考材料中,BSSDN将光谱相对标准偏差 (RSD) 从73.8%降至23.9%.
• 量化模型实现了9个元素的平均R平方值为0.978,并将RMSEP降低了45%.
• 保持了90%的特征峰值,并在降噪期间保持了出色的强度保真度.

结论:

• 拟议的框架显著提高了LIBS的精度,在噪声抑制和准确性方面表现优于传统方法.
• 这项工作为工业检查和痕迹分析中的高精度LIBS建立了强大的方法.
• 开创了先进的LIBS应用程序的智能光谱数据处理,使用自主监督学习.