Метод извлечения переменных признаков на основе сверточной нейронной сети при обработке данных лазерно-искровой эмиссионной спектроскопии

Извлечение переменных признаков может значительно уменьшить размерность, упростить признаки и повысить точность количественных моделей, что имеет большое значение при предварительной обработке спектральных данных лазерно-искровой эмиссионной спектроскопии (LIBS). Предложен метод извлечения переменных признаков на основе сверточной нейронной сети (CNN). Спектральные данные LIBS подвергались многослойной двумерной свертке путем последовательного соединения структуры свертки и модуля InceptionV2, многоуровневые признаки постепенно извлекались для нахождения оптимальной комбинации переменных признаков. С помощью полносвязного слоя получены результаты прогнозирования. С целью проверки применимости извлеченных признаков результаты, выделенные сверточной нейронной сетью, напрямую вводились в алгоритм случайного леса (RF) для построения количественной модели. Определена концентрация элемента K в лабораторном смешанном растворе. При обработке методом CNN-RF коэффициенты детерминации R² обучающей и тестовой выборок составили 0.993 и 0.990, среднеквадратическая ошибка обучающей и тестовой выборок RMSEC = 0.0067 и RMSEP = 0.0084 мас.%, средняя относительная ошибка 8.533%. Полученные оценки значительно лучше, чем результаты извлечения с помощью методов Lasso, РСА и SelectKBest. Показано, что сверточная нейронная сеть позволяет эффективно извлекать характерные спектральные линии LIBS и повышать точность количественного анализа. 

1. F. Deng, Y. Ding, Y. Chen, et al., J. Plasma Sci. Technol., 22, No. 7, 074005(1–8) (2020), doi: 10.1088/2058-6272/ab77d5.

2. Z. Wanwan, J. Mingzhe, J. Comp., 7, No. 7 (2022), doi: 10.1093/comjnl/bxac033.

3. Tomas Lopes et al., Appl. Spectrosc., 7028241246545 (2024).

4. A. Kumar, P. S. V. S. S. Prasad, Int. J. Approx. Reasoning, 139, 69–87 (2021), doi: 10.1016/j.ijar.2021.09.006.

5. C. Yan, J. Liang, M. Zhao, et al., J. Analyt. Chim. Acta, 1080, 35–42 (2019), doi: 10.1016/j.aca.2019.07.012.

6. G. X. X. Cui, J. Plasma Sci. Technol., 23, No. 5 (2021).

7. W. Zhao, et al., Analyt. Chim. Acta, 1166, 338574 (2021).

8. F. Deng, Y. Ding, Y. Chen, et al., J. Plasma Sci. Technol., 22, No. 7, 074005(1–8) (2020), doi: 10.1088/2058-6272/ab77d5.

9. A. Erler, D. Riebe, T. Beitz, et al., Sensors, 20, No. 2, 418 (2020), doi: 10.3390/s20020418.

10. Y. Zhang, C. Sun, Z. Yue, et al., J. Opt. Express, 28, No. 21, 32019 (2020), doi: 10.1364/OE.404722.

11. Wu Yiqing, Sun Tong, Liu Jin, et al., J. Laser Optoelectron. Progress, 55, No. 1, 013005 (2018), doi: 10.3788/LOP55.013005.

12. Deng Zhang et al., Microchem. J. (2024).

13. C. Sun, Y. Tian, L. Gao, et al., J. Sci. Rep., 9, No. 1, 11363 (2019), doi: 10.1038/s41598-019-47751-y.

14. Z. Fei-Yan, J. Lin-Peng, D. Jun, Chin. J. Comp. (2017), doi: 10.11897/SP.J.1016.2017.01229.

15. C. A. O. Xue, et al., Plasma Sci. Technol., 22, No. 11, 115502 (2020).

16. Y. Gou, X. Fu, S. Zhao, et al., J. Spectrochim. Acta, B: At. Spectrosc., 215 (2024), doi: 10.1016/j.sab.2024.106910.

17. Yanhong Gu, et al., Electronics, 12, No. 12, 2566 (2023).

18. L. I. Yandong, H. Zongbo, L. Hang, J. Comp. Applications, 36(009), 2508–2515 (2016).

19. K. Dhiwar, A. K. Dewangan, Int. J. Scientific Research in Science, Engineering and Technology, 2, No. 2, 1167–1171 (2016).

20. F. Sultana, A. Sufian, P. Dutta, A Review of Object Detection Models based on Convolutional Neural Network, in “Intelligent Computing: Image Processing Based Applications”, 1–16 (2020), doi: 10.1007/978-981-15-4288-61.