論文の概要: Raman spectral analysis of mixtures with one-dimensional convolutional
neural network
- arxiv url: http://arxiv.org/abs/2106.05316v1
- Date: Tue, 1 Jun 2021 16:23:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-13 14:02:43.212982
- Title: Raman spectral analysis of mixtures with one-dimensional convolutional
neural network
- Title（参考訳）: 1次元畳み込みニューラルネットワークを用いた混合系のラマンスペクトル解析
- Authors: M. Hamed Mozaffari and Li-Lin Tay
- Abstract要約: 近年、ロバストな1次元畳み込みニューラルネットワーク (1-D CNN) とラマン分光法の組み合わせは、未知の物質を迅速に同定する大きな可能性を示している。
この手法を未知の混合物中の純粋な化合物の分類にまで拡張しようとする研究もある。
ここでは、多成分混合物中の化学成分のスペクトル認識と定量化における新しいアプローチを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, the combination of robust one-dimensional convolutional neural
networks (1-D CNNs) and Raman spectroscopy has shown great promise in rapid
identification of unknown substances with good accuracy. Using this technique,
researchers can recognize a pure compound and distinguish it from unknown
substances in a mixture. The novelty of this approach is that the trained
neural network operates automatically without any pre- or post-processing of
data. Some studies have attempted to extend this technique to the
classification of pure compounds in an unknown mixture. However, the
application of 1-D CNNs has typically been restricted to binary classifications
of pure compounds. Here we will highlight a new approach in spectral
recognition and quantification of chemical components in a multicomponent
mixture. Two 1-D CNN models, RaMixNet I and II, have been developed for this
purpose. The former is for rapid classification of components in a mixture
while the latter is for quantitative determination of those constituents. In
the proposed method, there is no limit to the number of compounds in a mixture.
A data augmentation method is also introduced by adding random baselines to the
Raman spectra. The experimental results revealed that the classification
accuracy of RaMixNet I and II is 100% for analysis of unknown test mixtures; at
the same time, the RaMixNet II model may achieve a regression accuracy of 88%
for the quantification of each component.
- Abstract（参考訳）: 近年,ロバストな1次元畳み込みニューラルネットワーク (1-d cnns) とラマン分光法の組み合わせにより,未知の物質の迅速同定が高精度に行えることが期待されている。
この技術を使って、研究者は純粋な化合物を認識し、混合物中の未知の物質と区別することができる。
このアプローチの新規性は、トレーニングされたニューラルネットワークがデータの事前処理や後処理なしに自動的に動作することだ。
この手法を未知の混合物中の純粋な化合物の分類にまで拡張しようとする研究もある。
しかし、1次元cnnの適用は通常、純粋な化合物のバイナリ分類に制限されている。
ここでは、多成分混合物中の化学成分のスペクトル認識と定量化における新しいアプローチを紹介する。
この目的のために2つの1次元CNNモデルRaMixNet IとIIが開発された。
前者は混合物中の成分の迅速な分類、後者はそれらの成分の定量化を目的としている。
提案手法では, 混合物中の化合物の数に制限はない。
また、ラマンスペクトルにランダムベースラインを追加することにより、データ拡張手法も導入する。
実験の結果,RaMixNet I と II の分類精度は未知の試験混合物の分析では100%であり,RMixNet II モデルでは各成分の定量化では88%の回帰精度が得られることがわかった。
関連論文リスト
- On the Equivalence of Graph Convolution and Mixup [70.0121263465133]
本稿では,グラフ畳み込みと混合手法の関係について検討する。
2つの穏やかな条件の下では、グラフの畳み込みはMixupの特別な形式と見なすことができる。
グラフ畳み込みネットワーク(GCN)と単純化グラフ畳み込み(SGC)をミックスアップの形で表現できることを証明し、数学的にこの等価性を確立する。
論文 参考訳（メタデータ） (2023-09-29T23:09:54Z) - Assessing the Performance of 1D-Convolution Neural Networks to Predict
Concentration of Mixture Components from Raman Spectra [0.0]
ラマン分光法の新たな応用は、生薬製造中の化学反応器の状態を監視することである。
化学計測アルゴリズムは、反応が進行するにつれてバイオリアクターの複雑な混合物から生成されるラマンスペクトルを解釈するために用いられる。
特定のバイオリアクター環境に最適なアルゴリズムを見つけることは、ラマン混合データセットが不足しているため困難である。
論文 参考訳（メタデータ） (2023-06-29T01:41:07Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - The Benefits of Mixup for Feature Learning [117.93273337740442]
最初に、機能やラベルに異なる線形パラメータを使用するMixupは、標準Mixupと同様のパフォーマンスが得られることを示す。
我々は、特徴雑音データモデルを検討し、Mixupトレーニングが共通の特徴と組み合わせることで、稀な特徴を効果的に学習できることを示します。
対照的に、標準的なトレーニングは共通の特徴しか学べないが、まれな特徴を学べないため、パフォーマンスが悪くなる。
論文 参考訳（メタデータ） (2023-03-15T08:11:47Z) - Photonic Quantum Computing For Polymer Classification [62.997667081978825]
2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。
高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2022-11-22T11:59:52Z) - A Robust and Flexible EM Algorithm for Mixtures of Elliptical
Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。
楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。
合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文 参考訳（メタデータ） (2022-01-28T10:01:37Z) - Spectral Complexity-scaled Generalization Bound of Complex-valued Neural
Networks [78.64167379726163]
本論文は,複素数値ニューラルネットワークの一般化を証明した最初の論文である。
複雑な値の畳み込みニューラルネットワークを異なるデータセット上でトレーニングして実験を行う。
論文 参考訳（メタデータ） (2021-12-07T03:25:25Z) - A Pilot Study For Fragment Identification Using 2D NMR and Deep Learning [0.0]
アプリケーションは単純なネットワークを用いて、純粋な化合物のサブ構造を確実に検出することができる。
HMBCデータおよびHMBCおよびHSQCの組合せはHSQCだけよりよい結果を示します。
論文 参考訳（メタデータ） (2021-03-18T20:25:41Z) - Spectral Unmixing With Multinomial Mixture Kernel and Wasserstein
Generative Adversarial Loss [4.56877715768796]
本研究では1次元畳み込みカーネルとスペクトル不確実性を用いたスペクトルアンミックスのための新しいフレームワークを提案する。
高レベルの表現はデータから計算され、さらに多項混合モデルでモデル化される。
実データと合成データの両方で実験を行う。
論文 参考訳（メタデータ） (2020-12-12T16:49:01Z) - Identification of complex mixtures for Raman spectroscopy using a novel
scheme based on a new multi-label deep neural network [0.0]
本稿では,定数ウェーブレット変換(CWT)と複雑な混合物を分類するためのディープネットワークに基づく新しいスキームを提案する。
次に、多ラベルディープニューラルネットワークモデル(MDNN)を材料分類に適用する。
本モデルから得られた平均検出時間は5.31秒であり,従来提案したモデルよりもはるかに高速である。
論文 参考訳（メタデータ） (2020-10-29T14:58:39Z) - Feature visualization of Raman spectrum analysis with deep convolutional
neural network [0.0]
本稿では,Ramanスペクトル解析にディープ畳み込みニューラルネットワークを用いた認識・特徴可視化手法を示す。
この方法は、まず単純なローレンツスペクトルに対して検討され、その後、医薬品化合物および数値混合アミノ酸のスペクトルに適用された。
論文 参考訳（メタデータ） (2020-07-27T08:15:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。