КАЛИБРОВКА СПЕКТРАЛЬНЫХ ДАННЫХ ChemCam РАЗЛИЧНЫХ ЛАЗЕРНО-ЭМИССИОННЫХ СПЕКТРОМЕТРОВ С ИСПОЛЬЗОВАНИЕМ МАШИНЫ ГЛУБОКОГО ЭКСТРЕМАЛЬНОГО ОБУЧЕНИЯ

Для устранения различий в интенсивности, смещении длины волны и ширины максимумов, возникающих при измерении лазерно-искровых эмиссионных спектров (LIBS), использованы метод экстремального обучения и машины глубокого экстремального обучения к двум различным наборам спектральных данных. Первый представляет собой набор образцов калибровочной мишени ChemCam, который содержит спектральные данные, полученные с помощью ChemCam на марсоходе Curiosity и в Марсианской научной лаборатории (MSL). Другой набор содержит спектры образцов калибровочной мишени, созданных командой ChemCam в MSL. Проверка производительности двух алгоритмов показала, что методы переноса калибровки являются стабильными методами прогнозирования и обеспечивают значительно меньшую ошибку прогнозирования по сравнению с линейным переносом и методом кусочно-прямой стандартизации. Модель на основе метода частичных наименьших квадратов для количественного анализа переданных спектров показала улучшенную количественную точность.

1. R. B. Anderson, S. M. Clegg, J. Frydenvang, et al., Spectrochim. Acta B: At. Spectrosc., 129, 49–57 (2017).

2. Z. Shang, K. Xu, Y. Liu, et al., The Astrophys. J. Suppl. Ser., 258, No. 2, 25 (2022).

3. S. Le Mouélic, O. Gasnault, K. E. Herkenhoff, et al., Icarus, 249, 93–107 (2015).

4. C. Fabre, S. Maurice, A. Cousin, et al., Spectrochim. Acta B: At. Spectrosc., 66, No. 3-4, 280–289 (2011).

5. The SuperCam Remote Sensing Instrument Suite for the Mars Rover: A Preview (2020).

6. W. Xu, X. Liu, Z. Yan, et al., Space Sci. Rev., 217, No. 5 (2021).

7. S. M. Clegg, R. C. Wiens, R. Anderson, et al., Spectrochim. Acta B: At. Spectrosc., 129, 64–85 (2017).

8. R. C. Wiens, S. Maurice, B. Barraclough, et al., Space Sci. Rev., 170, No. 1-4, 167–227 (2012).

9. E. Ewusi-Annan, D. M. Delapp, R. C. Wiens, et al., Spectrochim. Acta B: At. Spectrosc., 171, 105930 (2020).

10. Y. Cao, H. Yuan, Z. Zhao, Spectrosc. Spectr. Analysis, 38, No. 3, 973–981 (2018).

11. J. J. Workman, Appl. Spectrosc., 72, No. 3, 340–365 (2018).

12. Y. Chen, Z. Wang, Chemometrics and Intelligent Lab. Systems, 192, 103824 (2019).

13. J. Wahl, M. Sjödahl, K. Ramser, Appl. Spectrosc., 74, No. 4, 427–438 (2020).

14. G. Huang, D. H. Wang, Y. Lan, Int. J. Machine Learning and Cybernetics, 2, No. 2, 107–122 (2011).

15. J. Tang, C. Deng, G. Huang, IEEE Transact. Neural Networks and Learning Systems, 27, No. 4, 809–821 (2016).

16. E. Bouveresse, D. L. Massart, Vibr. Spectr., 11, No. 1, 3–15 (1996).

17. Y. Wang, D. J. Veltkamp, B. R. Kowalski, Anal. Chem., 63, No. 23, 2750–2756 (1991).

18. M. L. Griffiths, D. Svozil, P. Worsfold, et al., J. Analyt. At. Spectrom., 21, No. 10, 1045 (2006).

19. C. Liang, H. Yuan, Z. Zhao, et al., Chemometrics and Intelligent Lab. Systems, 153, 51–57 (2016).

20. PDS Geosciences Node, Washington University, St. Louis, Missouri [EB/OL]. 2021/6/17, https://pdsgeosciences.wustl.edu/.

21. C. Fabre, A. Cousin, R. C. Wiens, et al., Spectrochim. Acta B: At. Spectrosc., 99, 34–51 (2014).

22. R. C. Wiens, S. Maurice, J. Lasue, et al., Spectrochim. Acta B: At. Spectrosc., 82, No. 1, 27 (2013).

23. J. Cao, K. Zhang, M. Luo, et al., Neural Networks, 81, 91–102 (2016).

24. G. Huang, X. Ding, H. Zhou, Neurocomputing, 74, No. 1-3, 155–163 (2010).

25. W. Chen, J. Bin, H. Lu, et al., Analyst (London), 141, No. 6, 1973–1980 (2016).

26. R. Eisinga, M. T. Grotenhuis, B. Pelzer, Int. J. Publ. Health, 58, No. 4, 637–642 (2013).

27. L. Xia, Agro Food Industry Hi-Tech, 28, No. 1, 885–889 (2017).

28. S. Wold, M. Sjöström, L. Eriksson, Chemometrics and Intelligent Lab. Systems, 58, No. 2, 109–130 (2001).