Jun, 2023

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

PDF
TL;DRRaman 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。
raman spectroscopybiologic drug productionchemometric algorithmssynthetic raman mixture datasetsconvolutional neural networks
发现论文，激发创造
  • 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

    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。

    Oct, 2017

  • RamanNet：一种广义的拉曼光谱分析神经网络架构

    该研究介绍了一种综合机器学习和传统方法的新型神经网络，RamanNet，用于分析 Raman 光谱数据，并证明其在公共数据集上表现优异，有潜力成为 Raman 光谱数据分析的标准。

    Jan, 2022

  • 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

  • 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

  • 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

  • 基于物理约束的自编码器的拉曼光谱高光谱成分分解

    基于自编码神经网络的高光谱解混算法在化学计量学领域中可以更准确、更稳定、更高效地分离复杂混合物质，同时也适用于基于细胞的生物学研究中改进体积拉曼成像数据的生化特征分析。

    Mar, 2024

  • 应用于洗涤剂的人工智能逆向工程：基于拉曼光谱学

    通过使用数字化工具和分析技术，例如化学计量学、机器学习、拉曼光谱、近红外光谱和质谱等，我们可以快速评估新产品对环境的潜在毒性，并可以精确鉴定和定量洗涤剂产品的成分，从而节省时间并改善污染物鉴定和污染评估的效率。

    Oct, 2023

  • 通过特征正则化提高对未知类别的抗干扰能力的开放式细菌拉曼光谱鉴别

    深度学习技术与拉曼光谱学的结合在临床环境中具有潜力，能够精确快速地鉴定病原细菌。然而，传统的封闭集分类方法假设所有测试样本属于已知病原体，其适用性有限；本研究通过开发一种新颖的 ResNet 集成模型和注意机制，结合目标空间损失函数进行特征正则化，提高了病原体检测的准确性，并有效降低了误报率。该研究提出的拉曼光谱学算法能够检测未知、未编目和新出现的病原体，为适应未来可能出现的病原体提供了灵活性，并有潜力提高在动态操作环境（如公共安全应用）中拉曼光谱解决方案的可靠性。

    Oct, 2023

  • 通过机器分类表面增强拉曼光谱确定痕量有机污染物浓度

    使用机器学习方法从原始拉曼数据中预测样本污染物的浓度，以及标准机器学习模型和深度学习方法在模型训练和特征选择中的准确性。

    Jan, 2024

  • 非线性流形学习确定微胶体尺寸的拉曼光谱

    通过扩散映射方法和依托于拉曼光谱的数据集，建立了三个机器学习流程来准确预测从拉曼光谱中得出的聚合物颗粒大小，其中包括直接扩散映射、交替扩散映射和一种名为对等自编码器神经网络的方法。对比现有技术方法，这些自编码器在预测聚合物大小方面取得了有希望的首次突破。

    Mar, 2024