Preview

Журнал прикладной спектроскопии

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Оптимизированное генетическим алгоритмом B-сплайн извлечение признаков для точного прогнозирования концентрации в онлайн спектроскопии комбинационного рассеяния света: сравнительный анализ эффективности разреженных обучающих данных

Аннотация

Представлена структура, которая интегрирует аппроксимацию B-сплайном для извлечения признаков в модели наименьших квадратов для преодоления ограничений точности спектрометров комбинационного рассеяния света (КР) при количественном исследовании аналитов с низкой концентрацией, которая улучшена за счет оптимизации гиперпараметров с помощью генетического алгоритма (ГА). Производительность структуры оценена по сравнению с четырьмя альтернативными моделями прогнозирования, оптимизированными ГА: извлечение признаков с помощью вейвлет-преобразования с гребневой регрессией, линейные регрессионные нейронные сети, автономная гребневая регрессия и полиномиальная аппроксимация методом наименьших квадратов. Для экспериментальной проверки использованы наборы спектральных данных КР растворов борной и азотной кислот в 11 концентрациях (0–500 мг/л). Использован подход стратифицированного разбиения данных, при котором в тестовую выборку включены шесть уровней концентрации, а пять использованы для создания трех отдельных обучающих выборок (3, 4 и 5 уровней концентрации). Модель B-сплайн наименьших квадратов достигла оптимальной точности прогнозирования при обучении на четырех уровнях концентрации и среднеквадратичного отклонения (СКО) 5.83 мг/л для обоих аналитов. Модель вейвлет-гребневой регрессии (5-уровневая обучающая выборка, СКО = 6.02 мг/л) оказалась вторым по эффективности методом. Линейные регрессионные нейронные сети, гребневая регрессия и полиномиальные модели наименьших квадратов достигли оптимальной производительности при пяти обучающих концентрациях с СКО = 7.35, 9.17 и 12.21 мг/л соответственно. 

Об авторах

S. Wang
Китайский университет Илян
Китай

Чжэцзян



P.-F. Xiong
China Nuclear Power Operation Management Co., Ltd.
Китай

Чжэцзян



B. Xu
China Nuclear Power Operation Management Co., Ltd.
Китай

Чжэцзян



Y.-L. Meng
Китайский университет Илян
Китай

Чжэцзян



C.-L. Zhan
Китайский университет Илян
Китай

Чжэцзян



Z.-Y. Zhou
China Nuclear Power Operation Management Co., Ltd.
Китай

Чжэцзян



Список литературы

1. Muhammad Shahbaz, Ayesha Tariq, Muhammad I. Majeed, Haq Nawaz, Nosheen Rashid, Hina Shehnaz, Kiran Kainat, et al., ACS Omega, 8, No. 39, 36393–36400 (2023).

2. Yuyang Miao, Lihong Wu, Junlian Qiang, Jinfeng Qi, Ying Li, Ruihua Li, Xiaodong Kong, et al., Front. Bioeng. Biotechnol., 12, 1385552 (2024).

3. Yunfei Bai, Haiyan Luo, Zhiwei Li, Yi Ding, Yunfei Han, Wei Xiong, Anal. Lett., 57, No. 13, 2018–2033 (2024).

4. Saga Bergqvist, Per-Erik Bengtsson, Kim C. Le, Opt. Express, 32, No. 16, 28681–28694 (2024).

5. Jin Wang, Wuye Yang, Meng Su, Huipeng Deng, Yiping Du, Anal. Methods, 17, No. 1, 184–192 (2025).

6. Haowen Huang, Zile Fang, Yuelong Xu, Guosheng Lu, Can Feng, Min Zeng, Jiaju Tian, et al., Talanta, 276, 126242 (2024).

7. Xun Zhang, Sheng Chen, Zhe Ling, Xia Zhou, Da-Yong Ding, Yoon S. Kim, Feng Xu, Sci. Rep., 7, 39891 (2017).

8. H. Georg Schulze, Shreyas Rangan, James M. Piret, Michael W. Blades, Robin F. B. Turner, Appl. Spectrosc., 72, No. 9, 1322–1340 (2018).

9. Dimitar Georgiev, Simon V. Pedersen, Ruoxiao Xie, Álvaro Fernández-Galiana, Molly M. Stevens, Mauricio Barahona, Anal. Chem., 96, No. 21, 8492–8500 (2024).

10. Ravi T. Vulchi, Volodymyr Morgunov, Rajendhar Junjuri, Thomas Bocklitz, Molecules, 29, No. 19, 4748 (2024).

11. Derrick Boateng, Chuanzhen Hu, Yichuan Dai, Kaiqin Chu, Jun Du, Zachary J. Smith, Analyst, 147, No. 20, 4607–4615 (2022).

12. Nicolas Pavillon, Nicholas I. Smith, Analyst, 146, No. 11, 3633–3641 (2021).

13. Riham Ezzeldin, Martina Zelenakova, Hany F. Abd-Elhamid, Katarzyna Pietrucha-Urbanik, Samer Elabd, Water, 15, No. 10, 1906 (2023).

14. M. A. El-Shorbagy, Adel M. El-Refaey, J. Comput. Des. Eng., 9, No. 2, 706–730 (2022).

15. Ning Yang, Cédric Guerin, Ninel Kokanyan, Patrick Perré, Spectrochim. Acta Mol. Biomol. Spectrosc., 304, 123343 (2024).

16. Aliaksandra Sikirzhytskaya, Vitali Sikirzhytski, Luis Pérez-Almodóvar, Igor K. Lednev, Forensic Chem., 32, 100468 (2023).

17. Gull Rimsha, Muhammad Shahbaz, Muhammad I. Majeed, Haq Nawaz, Nosheen Rashid, Muhammad W. Akram, Ifra Shabbir, et al., ACS Omega, 8, No. 44, 41451–41457 (2023).

18. Tuyu Li, Yong Zheng, Chang Huang, Jianhua Cao, Lingling Wang, Guihua Wang, Forests, 14, No. 6, 1122 (2023).

19. Muhammad Usman, Ahmad Ali, Abdullah Tahir, Muhammad Z. U. Rahman, Abdul Manan Khan, Sensors, 22, No. 23, 9168 (2022).

20. David Lenz, Raine Yeh, Vijay Mahadevan, Iulian Grindeanu, Tom Peterka, J. Comp. Sci., 71, 102037 (2023).

21. Qingxian Zhang, Hui Li, Hongfei Xiao, Jian Zhang, Xiaozhe Li, Rui Yang, Anal. Methods, 13, No. 17, 2037–2043 (2021).


Рецензия

Для цитирования:


Wang S., Xiong P., Xu B., Meng Y., Zhan C., Zhou Z. Оптимизированное генетическим алгоритмом B-сплайн извлечение признаков для точного прогнозирования концентрации в онлайн спектроскопии комбинационного рассеяния света: сравнительный анализ эффективности разреженных обучающих данных. Журнал прикладной спектроскопии. 2025;92(5):708.

For citation:


Wang Sh., Xiong P., Xu B., Meng Ya., Zhan Ch., Zhou Zh. Genetic Algorithm-Optimized B-Spline Feature Extraction for Accurate Concentration Prediction by Online Raman Spectroscopy: a Comparative Analysis of the Efficacy of Sparse Training Data. Zhurnal Prikladnoii Spektroskopii. 2025;92(5):708.

Просмотров: 26


ISSN 0514-7506 (Print)