Oct, 2017

基于卷积神经网络的光谱数据数据增强与深度化学计量学研究

PDF
TL;DR使用深度学习方法，利用近红外光谱数据，通过卷积神经网络从光谱数据中提取特征，数据预处理使用了标准的扩展乘性散射校正和新的光谱数据增强方法进行基准测试，结果表明数据扩增并结合扩展乘性散射校正的组合效果最佳。卷积神经网络模型在使用第二台仪器和未被训练数据覆盖的分析物浓度创建的外推挑战中表现优异，同时定性研究表明 CNNs 核激活与著名的数据处理方法（如平滑、斜率 / 导数、阈值和光谱区域选择）相似。
发现论文，激发创造
  • 一种高度相关注释的拉曼光谱数据增强方案

    通过添加数据点并利用峰面积特性，使用卷积神经网络提高了在 Raman 光谱中监测底物、生物量和 PHA 生物聚合物浓度的能力。

    Feb, 2024

  • 评估一维卷积神经网络从拉曼光谱中预测混合物组分浓度的性能

    Raman spectroscopy 及其化学计量学等算法对生物药物生产过程实时监控的应用进行了研究，并通过生成合成的 Raman 混合物数据集，比较了 4 种不同的算法，实证了卷积神经网络自动提取浓度信息的潜力，可用于提高药物生产的过程控制。

    Jun, 2023

  • 基于领域适应的荧光光谱解释的深度学习

    该研究提出了一种新方法，利用预训练的视觉模型进行领域适应，并结合新的可解释性算法，以解决荧光光谱数据（尤其是激发 - 发射矩阵）分析中的挑战。通过对特定特征工程的神经网络的描述，我们现在能够更深入、更有意义地理解数据背后的物理化学过程。该方法通过对初榨橄榄油（EVOO）中的氧化过程进行分析来进行论证，展示了在预测质量指标和识别相关光谱带方面的有效性。该研究在光谱学领域中使用深度学习取得显著创新性结果，将其从黑盒转变为理解复杂生物和化学过程的工具。

    Jun, 2024

  • 一种基于概率深度学习的自动化多相衍射谱解释方法

    设计了一种基于深度学习和概率算法的新型自动合成无机材料的方法，可在高通量和自主发现无机材料的工作流程中使用，具有出色性能和准确度。

    Mar, 2021

  • 利用统计和深度学习模型结合多光谱数据，提高高对比度直接成像中外行星的检测

    该研究基于卷积神经网络，结合空间，时间和光谱特征，利用多次观测的图像数据中残留信号检测方法，有效提高了外行星探测的精度和召回率。

    Jun, 2023

  • 基于仿真合成数据增强和多任务学习的激光诱导击穿光谱预测可信度

    本文介绍了使用激光诱导击穿光谱 (Raman) 进行光谱数据的定量分析。采用深度卷积多任务学习结构建立了鲁棒的校准模型，以预测分析物的浓度，辅助谱信息作为辅助输出。使用了基于模拟的数据扩充过程以合成代表实验数据的任意数量的光谱。通过利用多任务神经网络参数之间的相互依赖性，可以使用这些辅助输出来验证模型的可靠性。本文通过比较深度多任务模型与传统单变量和多变量分析的性能来突出了在该过程中引入的每个元素的单独贡献。

    Oct, 2022

  • 基于可解释的卷积神经网络的极少数据下 X 射线衍射光谱快速识别

    本文报道了一种使用卷积神经网络 (CNN) 对金属 - 有机框架 (MOFs) 实验 X-ray 衍射谱进行快速识别的方法，并使用数据增强技术对模型进行训练，进而实现其自主分析数据，打开了使用不同物料的 XRD 谱进行识别的众多潜在应用的可能，并为自主分析其他表征工具（如 FTIR，拉曼和 NMR）的数据铺平了道路。

    Dec, 2019

  • 用于代谢物注释的集成光谱预测（ESP）模型

    本文介绍了一种基于机器学习和神经网络的代谢物注释模型 ——Ensemble Spectral Prediction (ESP)，该模型通过加权 MLP 和 GNN 光谱预测器的输出来生成查询分子的光谱预测，可提高注释能力的 41% 和 30%，是目前神经网络方法中性能最优秀的模型之一，并在实验中验证了候选分子的相似性和数量对注释性能的影响。

    Mar, 2022

  • 深度卷积神经网络与数据增强在环境音分类中的应用

    本文提出了一种使用深度卷积神经网络和音频数据增强相结合的方法来进行环境声音分类，通过对增强技术的探索发现在不同类别下所使用的增强技术会对分类准确率产生影响。实验结果表明，该方法在环境声音分类上表现出了最先进的效果。

    Aug, 2016

  • 从 NMR 谱直接推导化学类别

    本文提出了一种在无需进行结构阐明的情况下，利用核磁共振（NMR）数据直接对化合物进行分类的方法，使用卷积神经网络（CNN）进行分类，并表明深度学习可以解决化学信息学中的自动化问题。

    Nov, 2022