@article{Rezaei M. 2023-05-31,
author = { Rezaei M. ,  Rezaei F. ,  Karimi P. },
title = {Гибридные алгоритмы машинного обучения для прогнозирования количественного состава алюминиевых сплавов методом лазерно-искровой эмиссионной спектроскопии},
year = {2023},
publisher = {NP «NEICON»},
abstract = {Проведен количественный анализ образцов алюминия с помощью лазерно-искровой эмиссионной спектроскопии (LIBS) и различных классических подходов к машинному обучению. Nd:YAG-лазер с модулятором добротности на основной гармонике 1064 нм используется для создания плазмы LIBS Для прогнозирования концентраций составляющих стандартных алюминиевых сплавов. Прогнозирование концентрации выполнено с помощью линейных подходов регрессии опорных векторов (SVR), множественной линейной регрессии (MLR), анализа главных компонент (PCA), интегрированного с MLR (PCA-MLR) и SVR (PCA-SVR), а также нелинейных алгоритмов искусственной нейронной сети (ANN), ядерной регрессии опорных векторов (KSVR) и объединения традиционного анализа главных компонент с KSVR (РСА-KSVR) и ANN (РСА-ANN). Для улучшения количественного анализа применяется уменьшение размерности к различным методологиям на основе алгоритма PCA. Комбинация PCA-KSVR показывает наибольшую эффективность в прогнозировании большинства элементов среди других классических алгоритмов машинного обучения.},
URL = {https://www.academjournals.by/publication/15330},
eprint = {https://www.academjournals.by/files/15289},
journal = {Журнал прикладной спектроскопии},
}