Sep, 2023

便携式拉曼光谱鉴别威士忌的学习算法

HTML
PDF
TL;DR使用机器学习算法结合携带式拉曼光谱仪直接识别和表征商业威士忌样品中乙醇/甲醇浓度，可实现超过99%的品牌识别准确性，并能通过瓶内光谱分析检测伪造或掺杂的酒精和其他高价值液体样品。
发现论文，激发创造
  • 利用拉曼光谱和深度学习进行病原菌快速鉴定

    利用深度学习方法，通过获取最大的细菌 Raman 光谱数据集，成功实现对细菌病原体的快速识别和抗生素敏感性测试，证明了在不需要培养的情况下通过结合 Raman 光谱技术和深度学习方法对细菌菌株和抗生素抵抗性快速实现检测的潜力。

    Jan, 2019

  • 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

  • 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

  • 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

  • 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

  • 揭示蜂蜜掺假: 通过热像卷积神经网络分析的质量保证突破

    利用卷积神经网络（CNNs）基于热成像技术对蜂蜜样品进行分类，检测蜂蜜掺假问题，提供质量控制措施。

    Feb, 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

  • 利用高光谱成像和机器学习进行非破坏性泥炭分析

    通过使用高光谱成像技术进行非破坏性分析，本文旨在解决威士忌酿造中保持泥炭利用效率的问题。结果表明，短波红外数据对于分析泥炭样本和预测总酚水平更为有效，准确率高达99.81%。

    May, 2024

  • 机器学习与质谱技术的结合：一种专注角度

    质谱学数据的机器学习分析及相关挑战的前景探讨。

    Jun, 2024