Гибридный метод на основе алгоритма LIME и выбора признаков для классификации сталей в лазерно-искровой эмиссионной спектроскопии

   Представлен инновационный метод выбора гибридных признаков (FS), который сочетает характеристики фильтрации алгоритма выбора процентиля (SP) со встроенными преимуществами алгоритмa эластичной сети (EN). В рамках этой структуры для классификации применен алгоритм машины опорных векторов (SVM), продемонстрировавший высокую производительность с точностью и оценкой F1 0.9888, 0.9895 и 0.9889 на тестовом наборе. Для решения проблемы “черного ящика” алгоритма SVM представлен метод локальных интерпретируемых модельно-независимых объяснений (LIME). LIME позволяет визуализировать важность каждой переменной, повышая интерпретируемость и надежность модели. Предложенные модель и методы демонстрируют эффективность в устранении избыточных или нерелевантных функций и точной классификации, решая большинство проблем, с которыми сталкивается лазерно-искровая эмиссионная спектроскопия в вопросах классификации стали.

1. K. H. Shah, J. Iqbal, P. Ahmad, et al., Rad. Phys. Chem., 170, 0969–806X (2019).

2. Y. Zhang, T. Zhang, H. Li, Spectrochim. Acta B: At. Spectrosc., 181, 106218 (2021).

3. W. Naixiao, W. Xilin, C. Ping, et al., Sensors, 18, 2623 (2018).

4. T. Feng, X. Zhang, M. Li, et al., Anal. Methods, 13, 3424–3432 (2021).

5. O. Gazeli, D. Stefas, S. Couris, Materials, 14, 541 (2021).

6. L. Brunnbauer, Z. Gajarska, H. Lohninger, et al., TrAC Trends Anal. Chem., 159, 116859 (2022).

7. T. Boucher, C. Carey, M. D. Dyar, S. Mahadevan, S. Clegg, R. Wiens, J. Chemom., 29, 484–491 (2015).

8. T. F. Boucher, M. V. Ozanne, M. L. Carmosino, M. D. Dyar, S. Mahadevan, E. A. Breves, K. H. Lepore, S. M. Clegg, Spectrochim. Acta B: At. Spectrosc., 107, 1–10 (2015).

9. H. Sun, C. Yang, Y. Chen, et al., Appl. Opt., 61, 1559 (2022).

10. M. Yao, G. Fu, T. Chen, et al., J. Anal. At. Spectrom., 36, 361–367 (2020).

11. M. Yuan, Q. Zeng, J. Wang, et al., Opt. Eng., 60, 3286 (2021).

12. S. Kumar, K. Chakravarty, Energy Rep., 6, 343–349 (2020).

13. H. Njah, S. Jamoussi, W. Mahdi, Intelligence, 89, 1012–2443 (2021).

14. I. Guyon, A. Elisseeff, J. Machine Learn. Res., 3, 1157–1182 (2003).

15. Y. Saeys, I. Inza, P. Larrañaga, Bioinformatics, 23, 2507–2517 (2007).

16. T. Mehmood, K. H. Liland, L. Snipen, S. Sæbø, Chemom. Intell. Lab. Syst., 118, 62–69 (2012).

17. A. Larsson, H. Andersson, L. Landstroem, J. Anal. At. Spectrom., 30, 1117–1127 (2015).

18. C. Huffman, H. Sobral, et al., Spectrochim. Acta Part B: At. Spectrosc., 162, 105721 (2019).

19. A. Kumar Myakalwar, N. Spegazzini, C. Zhang, et al., Sci. Rep., 5, 13169 (2015).

20. F. Ruan, L. Hou, T. Zhang, et al., Analyst, 146, 1023–1031 (2020).

21. S. Lu, S. Shen, J. Huang, et al., Spectrochim. Acta B: At. Spectrosc., 150, 49–58 (2018).

22. C. Retracted, J. Electrical and Comp. Eng., 1 (2022).

23. M. T. Ribeiro, S. Singh, C. Guestrin, Proc. 22^nd ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining, San Francisco, CA, USA, 13–17, 1135–1144 (2016).

24. S. C. Hung, H. C. Wu, M. H. Tseng, Remote Sensing Scene Classification and Explanation Using RSSCNet and LIME, 10, 6151 (2020).

25. Vitaly I. Korepanov, J. Raman Spectrosc., 51, 0377–0486 (2020).

26. H. Bai, P. Liu, X. Fu, et al., Spectrochim. Acta B: At. Spectrosc., 199, 106587 (2023).