Oct, 2023

利用人工智能分析质谱数据，辅助理解火星过去的生存条件并为未来任务提供思路

PDF
TL;DR这篇研究论文应用了人工智能技术分析质谱数据，用于检测古代火星的适居潜力，并探讨了该方法在质谱学和其他领域的适用性。
artificial intelligencemass spectrometryhabitability potentialextra-terrestrial material analysismachine learning
发现论文，激发创造
  • 基于 GC-EI-MS 光谱的小分子的去新识别

    本文介绍了一种用于 GC-EI-MS 数据的基于机器学习的新型的 de-novo 方法，主要解决由于缺乏附加信息而导致的质谱数据的结构鉴定问题。

    Apr, 2023

  • 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

  • 火星光谱学 2: 气相色谱 - 第二名解决方案

    本研究报告描述了在 2022 年 NASA 赞助并在 DrivenData 竞赛平台上举办的火星光谱学 2：气相色谱挑战中，该解决方案在竞赛的测试数据集上获得了第二高的得分。该解决方案利用了竞赛的色谱数据样本的二维图像表示，使用了多个不同的卷积神经网络模型进行训练和集成以进行最终提交。

    Mar, 2024

  • 使用 GC-IMS 数据探索感染检测的机器学习算法：初步研究

    通过将气相色谱 - 离子迁移谱（GC-IMS）数据与机器学习算法整合到一个统一的实验室信息管理系统（LIMS）平台中，我们的研究目标在于解决精确感染识别的持续问题，为先进诊断技术领域做出贡献，并通过不同的机器学习算法区分感染和非感染样本，以支持疾病的早期检测。

    Apr, 2024

  • 高光谱物质分析下的空间目标识别和分类

    该研究论文提出了一种数据处理流水线，旨在从未知太空物体的高光谱特征中提取信息，通过单像素图像确定太空物体的物质组成，并使用基于机器学习和最小二乘匹配的技术对物质进行识别和分类，研究了在非理想情况下的物质分类方法的行为，并初步展示了太空物体的鉴定和分类的一些初步结果。

    Aug, 2023

  • 基于机器学习的高光谱图像分析：一项调查

    本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法，将方法按图像分析任务和机器学习算法类型进行组织，并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法，涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计，涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时，文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。

    Feb, 2018

  • 利用机器学习进行异常检测，在系外行星大气中寻找新颖的化学反应

    下一代望远镜将提供大量高分辨率光谱数据，用于分析成千上万个系外行星。我们提倡将机器学习技术应用于异常检测，以识别具有不寻常化学组成甚至寻找未知生物特征的行星的恒星过境光谱。我们成功地证明了两种流行的异常检测方法（局部异常因子和单类支持向量机）在大型公开数据库的合成光谱上的可行性，并使用 ROC 曲线量化和比较了这两种机器学习技术的性能。

    Aug, 2023

  • 利用深度学习在多光谱卫星数据中进行甲烷排放的自主检测

    利用深度学习方法可以自动化检测卫星多光谱数据中的甲烷泄漏，无需事先了解潜在泄漏点，从而大幅降低误报率，为全球点源甲烷排放的自动化、高清晰度和高频率监测铺平了道路。

    Aug, 2023

  • 近红外地质目标高光谱图像的通用非监督聚类

    这篇论文开发了一种全自动的无监督处理工作流程，使用一种轻量级的自动编码器和高斯混合模型来对地质材料进行聚类，该工作流程称为 GyPSUM， 可以快速准确地聚类相似的地质材料并在实验室图像和遥感图像中一致地识别和分离主要的矿物类。

    Jun, 2021

  • 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