使用激光诱导分解光谱来区分国内和进口红粉:机器学习算法的变量选择和比较评估

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 化学测量 化学测量 化学测量

背景情况:

• 消费者对韩国红粉的信任依赖于真实性.
• 区分国内和进口粉是一个重大挑战.

研究的目的:

• 开发一种快速,经济有效和可重复的方法来验证国内红粉的真实性.
• 使用激光诱导分解光谱 (LIBS) 和机器学习对商业红粉样品进行分类.

主要方法:

• 从79个商业红粉样本收集了LIBS光谱 (43个国内,36个进口).
• 使用类间距离分析选择了九条代表性的元素排放线 (Mg,Li,Rb,Ca,K,Na,H,C,O).
• 使用LDA,k-NN,NB,SVM和RF算法与系统变量选择进行建模的数据.
• 经过验证的模型使用离开一次的交叉验证 (LOOCV) 和启动的随机分割验证.

主要成果:

• 最高的LOOCV精度为97.5%,仅用两个或三个变量 (例如,Mg + Li) 实现.
• 通过100个独立验证分区的一致平均准确度证实了强大的歧视.
• ,和Rb (偶尔Ca) 被一致选择,表明农业环境和地质差异.

结论:

• LIBS与有原则的可变选择相结合,为区分国内和进口红粉提供了可靠的框架.
• 一个紧的功能集足以进行准确的分类,从而实现快速和成本效益的身份验证.
• 该方法通过确保韩国红粉的真实性来支持消费者信任.