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.
