Mar, 2024

非线性流形学习确定微胶体尺寸的拉曼光谱

PDF
TL;DR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。
polymer particle sizeraman spectroscopymachine learning workflowsdiffusion mapsconformal autoencoder neural networks
发现论文，激发创造
  • 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

  • 表面增强拉曼光谱与转移学习在手术区域精确重建方面的应用

    本研究提出了一种机器人拉曼系统，能够可靠地定位和界定嵌入到健康组织中的肿瘤，在模拟组织中建模为选择性注入金纳米星区域。此外，通过实现迁移学习，对比控制琼脂进行了金纳米星的验证分类，从而为基于拉曼的深度学习训练流程提供了概念验证。该研究在 10.2 分钟内重建了 30x60mm 的手术区域，并实现了 98.2% 的准确度。此外，还验证了拉曼系统和分类算法不是基于样本颜色，而是基于 SERS 试剂的存在。本研究在术中肿瘤学领域中智能拉曼系统的应用上迈出了关键一步。

    Jan, 2024

  • 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

  • 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

  • 便携式拉曼光谱鉴别威士忌的学习算法

    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。

    Sep, 2023

  • 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

  • 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

  • 基于机器学习辅助物理受激拉曼散射模型的柔性拉曼放大器优化

    该研究通过机器学习得到一个可微的插值函数以优化 Raman 放大器的增益系数，并应用于前向泵浦 Raman 放大器中优化任意数量的泵浦频率和功率以及后向泵浦 Raman 放大器的效率。最终验证并优化了 250 千米未重复传输中的波长增益平坦度，实现了小于 1dB 的增益平坦度。

    Jun, 2022