сгенерировать QR код
Открытый доступ
Только для подписчиков
Адаптивная оптимизация метода роя частиц на основе нейронной сети на радиальном базисе для классификации почв с помощью лазерно-искровой эмиссионной спектроскопии
Аннотация
Для классификации и идентификации стандартных образцов почвы использовано сочетание лазерно-искровой эмиссионной спектроскопии (LIBS) с адаптивной оптимизацией метода роя частиц на основе нейронной сети на радиальном базисе (APSO-RBF). Вычислительную сложность и избыточность исходных данных можно уменьшить путем выбора главных компонент спектральных данных LIBS в качестве входных, при этом образцы классифицировать быстро и точно. Для идентификации образцов почвы из 10 регионов в качестве входных данных модели APSO-RBF использованы шесть первых главных компонент, точность классификации тестового набора 98.81%. Производительность предлагаемой модели выше по сравнению с алгоритмами обратного распространения, APSO-RBF и RBF. Показано, что сочетание LIBS с моделью APSO-RBF значительно повышает точность идентификации почвы.
Ключевые слова
лазерно-искровая эмиссионная спектроскопия,
адаптивная оптимизация метода роя частиц,
метод главных компонент,
классификация почвы
При поддержке: This research work has been awarded grants by the National Natural Science Foundation of China (No. 52475575), Shanxi Province Key R&D Program Projects (No. 202302150101016), the State Key Laboratory of Quantum Optics and Optical Quantum Devices (Shanxi University) Open project (No. KF202301), and Central Guided Local Science and Technology Development Funding Program (YDZJSX2024D033)
Об авторах
J. Chen
Национальная лаборатория фотоэлектрических динамических технологий и испытаний приборов в экстремальных условиях Северного университета Китая; Школа приборостроения и электроники Северного университета Китая
Китай
Китай
Тайюань, Шаньси
X. Hao
Национальная лаборатория фотоэлектрических динамических технологий и испытаний приборов в экстремальных условиях Северного университета Китая; Школа приборостроения и электроники Северного университета Китая
Китай
Китай
Тайюань, Шаньси
R. Jia
Национальная лаборатория фотоэлектрических динамических технологий и испытаний приборов в экстремальных условиях Северного университета Китая; Школа приборостроения и электроники Северного университета Китая
Китай
Китай
Тайюань, Шаньси
B. Mo
Национальная лаборатория фотоэлектрических динамических технологий и испытаний приборов в экстремальных условиях Северного университета Китая; Школа приборостроения и электроники Северного университета Китая
Китай
Китай
Тайюань, Шаньси
S. Li
Национальная лаборатория фотоэлектрических динамических технологий и испытаний приборов в экстремальных условиях Северного университета Китая; Школа приборостроения и электроники Северного университета Китая
Китай
Китай
Тайюань, Шаньси
H. Wei
Национальная лаборатория фотоэлектрических динамических технологий и испытаний приборов в экстремальных условиях Северного университета Китая; Школа приборостроения и электроники Северного университета Китая
Китай
Китай
Тайюань, Шаньси
Список литературы
1. J. R. Bacon, O. T. Butler, W. R. L. Cairns, O. Cavoura, J. M. Cook, C. M. Davidson, R. Mertz-Kraus, J. Anal. At. Spectrometry, 39, No. 1, 11–65 (2024), doi: 10.1039/d3ja90044d.
2. W. Yang, F. Li, S. Lyu, Q. Zhang, Y. Zhao, J. Anal. At. Spectrometry, 38, No. 9, 1830–1840 (2023), doi: 10.1039/d3ja00120b.
3. B. M. Butler, J. Palarea-Albaladejo, K. D. Shepherd, K. M. Nyambura, E. K. Towett, A. M. Sila, S. Hillier, Geoderma, 375 (2020), doi: 10.1016/j.geoderma.2020.114474.
4. A. L. Sikora, L. W. Maguire, R. W. Nairn, R. C. Knox, Environ. Monitoring and Asses., 193, No. 8 (2021), doi: 10.1007/s10661-021-09275-9.
5. S. Krzebietke, M. Daszykowski, H. Czarnik-Matusewicz, I. Stanimirova, L. Pieszczek, S. Sienkiewicz, J. Wierzbowska, Talanta, 251 (2023), doi: 10.1016/j.talanta.2022.123749.
6. J. G. Decaillon, M. Bickel, C. Hill, T. Altzitzoglou, Appl. Rad. and Isotopes, 61, No. 2-3, 409–413 (2004), doi: 10.1016/j.apradiso.2004.03.016.
7. S. Zhu, L. Gao, M. Zheng, H. Liu, B. Zhang, L. Liu, Y. Wang, Talanta, 118, 210–216 (2014), doi: 10.1016/j.talanta.2013.09.044.
8. J. Ning, J. Zhao, L. Meng, Y. Yang, Anal. Lett., 48, No. 6, 1021–1029 (2015), doi: 10.1080/00032719.2014.966375.
9. D. Zhang, J. Nie, H. Ma, X. Niu, S. Shi, F. Chen, L. Guo, X. Ji, Anal. Chim. Acta, 1236 (2022), doi: 10.1016/j.aca.2022.340552.
10. J. Wang, X. Hao, B. Pan, X. Huang, H. Sun, P. Pei, Opt. Express, 31, No. 5 (2023), doi: 10.1364/oe.481822.
11. X. Zhang, Y. Ge, E. Wan, Y. Liu, J. Yao, Plasma Sci. Technol., 24, No. 8 (2022), doi: 10.1088/20586272/ac639b.
12. R. Gaudiuso, E. Ewusi-Annan, W. Xia, N. Melikechi, Spectrochim. Acta B: At. Spectrosc., 171 (2020), doi: 10.1016/j.sab.2020.105931.
13. W. Zhao, C. Li, C. Yan, H. Min, Y. An, S. Liu, Anal. Chim. Acta, 1166 (2021), doi: 10.1016/j.aca.2021.338574.
14. J. Qi, T. Zhang, H. Tang, H. Li, Spectrochim. Acta B: At. Spectrosc., 149, 288–293 (2018), doi: 10.1016/j.sab.2018.09.006.
15. J. Moros, L. M. Cabalín, J. J. Laserna, Anal. Chim. Acta, 1191 (2022), doi: 10.1016/j.aca.2021.339294.
16. D. Zhang, J. Ding, Z. Feng, R. Yang, Y. Yang, S. Yu, B. Xie, J. Zhu, Spectrochim. Acta B: At. Spectrosc., 180 (2021), doi: 10.1016/j.sab.2021.106192.
17. X. Jin, G. Yang, X. Sun, D. Qu, S. Li, G. Chen, C. Li, D. Tian, L. Yao, J. Anal. Atom. Spectrometry, 38, No. 1, 243–252 (2023), doi: 10.1039/d2ja00290f.
18. M. Yao, G. Fu, T. Chen, M. Liu, J. Xu, H. Zhou, X. He, L. Huang, J. Anal. At. Spectrometry, 36, No. 2, 361–367 (2021), doi: 10.1039/d0ja00317d.
19. D. Stefas, N. Gyftokostas, S. Couris, Spectrochim. Acta B: At. Spectroscopy, 172 (2020), doi: 10.1016/j.sab.2020.105969.
20. H. Li, T. Liu, Y. Fu, W. Li, M. Zhang, X. Yang, D. Song, J. Wang, Y. Wang, M. Huang, Chin. Opt. Lett., 21, No. 4 (2023), doi: 10.3788/col202321.043001.
21. G. Song, S. Zhu, W. Zhang, B. Hu, F. Zhu, H. Zhang, T. Sun, K. T. V. Grattan, Appl. Optics, 61, No. 35 (2022), doi: 10.1364/ao.472220.
22. W. Hao, X. Hao, Y. Yang, X. Liu, Y. Liu, P. Sun, R. Sun, J. Anal. At. Spectrometry, 36, No. 11, 2509–2518 (2021), doi: 10.1039/d1ja00078k.
23. Q. Li, Q. Xiong, S. Ji, Y. Yu, C. Wu, H. Yi, Neurocomputing, 431, 7–22 (2021), doi: 10.1016/j.neucom.2020.12.032.
24. Z. Luo, L. Zhang, T. Chen, M. Liu, J. Chen, H. Zhou, M. Yao, Appl. Optics, 58, No. 7 (2019), doi: 10.1364/ao.58.001631.
25. S. Vijh, P. Gaurav, H. M. Pandey, Neural Comp. Appl., 35, No. 33, 23711–23724 (2020), doi: 10.1007/s00521-020-05362-z.
26. A. A. Yahya, A. Osman, M. S. El-Bashir, Swarm and Evolutionary Comp., 34, 18–32 (2017), doi: 10.1016/j.swevo.2016.11.005.
27. O. Hamdy, Z. Abdel-Salam, M. Abdel-Harith, Appl. Opt., 61, No. 34 (2022), doi: 10.1364/ao.470835.
28. J. Wang, X. Hao, B. Pan, X. Huang, H. Sun, P. Pei, Opt. Lett., 48, No. 2 (2023), doi: 10.1364/ol.478629.
29. J. Chen, X. Hao, B. Mo, S. Li, J. Ma, X. Liang, Z. Wang, H. Zhang, J. Anal. At. Spectrometry, 39, No. 10, 2382–2394 (2024), doi: 10.1039/d4ja00143e.
30. J. Chen, J. Pisonero, S. Chen, X. Wang, Q. Fan, Y. Duan, Spectrochim. Acta B: At. Spectroscopy, 166 (2020), doi: 10.1016/j.sab.2020.105801.
31. H. Jin, X. Hao, B. Mo, J. Anal. At. Spectrometry, 38, No. 11, 2280–2290 (2023), doi: 10.1039/d3ja00254c.
32. C. Wang, J. Wang, J. Wang, H. Du, J. Wang, Laser Phys., 31, No. 3 (2021), doi:10.1088/15556611/abdfc8.
33. H. Jin, X. Hao, N. Li, Y. Han, B. Mo, S. Zhang, J. Anal. At. Spectrometry, 39, No. 7 (2024), doi: 10.1039/d4ja00062e.
34. Q. Zeng, G. Chen, W. Li, Z. Li, J. Tong, M. Yuan, B. Wang, H. Ma, Y. Liu, L. Guo, H. Yu. Plasma Sci. Technol., 24, No. 8 (2022), doi: 10.1088/2058-6272/ac72e3.
35. N. d. A. Porto, J. V. Roque, C. A. Wartha, W. Cardoso, L. A. Peternelli, M. H. P. Barbosa, R. F. Teófilo, Spectrochim. Acta A: Mol. Biomolec. Spectrosc., 218, 69–75 (2019), doi: 10.1016/j.saa.2019.03.114.
Рецензия
Для цитирования:
Chen J., Hao X., Jia R., Mo B., Li S., Wei H. Адаптивная оптимизация метода роя частиц на основе нейронной сети на радиальном базисе для классификации почв с помощью лазерно-искровой эмиссионной спектроскопии. Журнал прикладной спектроскопии. 2025;92(3):409.
For citation:
Chen J., Hao X., Jia R., Mo B., Li S., Wei H. Adaptive Particle Swarm Optimization Radial Basis Neural Network (APSO-RBF)-Based Method for Classifying Soils by Laser-Induced Breakdown Spectroscopy. Zhurnal Prikladnoii Spektroskopii. 2025;92(3):409.
Просмотров:
385
JATS XML
Послать статью по эл. почте 