Минск
Minsk
Минск
Minsk
Минск
Minsk
Минск
Minsk
Санкт-Петербург
St. Petersburg
Минск
Minsk
Минск
Minsk
Методы машинного обучения (метод главных компонент, регрессия на опорные вектора и метод частичных наименьших квадратов) применены для калибровки температуры по спектрам ап-конверсионной флуоресценции Ho3+ в алюмофторидных стеклах в диапазонах длин волн 505—560 и 605—670 нм для интервала температур 30—105 °С наряду с традиционным ратиометрическим методом. Среди рассмотренных методов лучшие калибровочные модели получены методом частичных наименьших квадратов с поиском комбинации движущихся окон в спектрах флуоресценции стекла 95MgCaSrBaYAl2F14-5Ва(РО3)2:5%Yb3+,0.1%Ho3+. Достигнутые методами машинного обучения абсолютная чувствительность калибровки температуры 0.021 К–1 и неопределенность оценки температуры 0.12 К существенно превышают характеристики ратиометрического метода.
Machine learning methods (principal component analysis, support vector regression and partial least squares) are used to calibrate the temperature based on the spectra of Ho3+ upconversion fluorescence in alumofluoride glasses in the wavelength ranges of 505–560 nm and 605–670 nm for the temperature range from 30 to 105°C along with the traditional ratiometric method. Among the methods considered, the best calibration models were obtained by the partial least squares with searching the combination of moving window partial least squares with the fluorescence spectra of 95MgCaSrBaYAl2F14-5Ba(PO3)2:5%Yb3+,0.1%Ho3+ glass. The values of absolute sensitivity of 0.021 K–1 and temperature uncertainty of 0.12 K achieved by machine learning methods significantly exceed the characteristics of the ratiometric method.
The authors declare that there are no conflicts of interest present.