論文の概要: Essential Number of Principal Components and Nearly Training-Free Model for Spectral Analysis

• arxiv url: http://arxiv.org/abs/2212.14623v1
• Date: Fri, 30 Dec 2022 10:19:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 16:02:51.729642
• Title: Essential Number of Principal Components and Nearly Training-Free Model for Spectral Analysis
• Title（参考訳）: スペクトル解析のための主成分本数とほぼトレーニングフリーモデル
• Authors: Yifeng Bie and Shuai You and Xinrui Li and Xuekui Zhang and Tao Lu
• Abstract要約: 本研究は, 基本情報を保持するために必要な機能的, 非機能的主成分の数は, 混合集合中の独立成分の数と同じであることを示す。 異なるガス分子間の相互依存性のため、主成分から混合成分への1対1の射影が成立する。
• 参考スコア（独自算出の注目度）: 5.374884291606767
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Through a study of multi-gas mixture datasets, we show that in multi-component spectral analysis, the number of functional or non-functional principal components required to retain the essential information is the same as the number of independent constituents in the mixture set. Due to the mutual in-dependency among different gas molecules, near one-to-one projection from the principal component to the mixture constituent can be established, leading to a significant simplification of spectral quantification. Further, with the knowledge of the molar extinction coefficients of each constituent, a complete principal component set can be extracted from the coefficients directly, and few to none training samples are required for the learning model. Compared to other approaches, the proposed methods provide fast and accurate spectral quantification solutions with a small memory size needed.
• Abstract（参考訳）: 本研究では,多成分スペクトル解析において,本質情報保持に必要な主成分および非機能主成分の数は,混合系における独立成分数と同じであることを示す。 異なる気体分子間の相互独立性のため、主成分から混合物成分への1対1の投影が確立され、スペクトル定量化が大幅に単純化される。 さらに、各構成成分の臼歯の絶滅係数の知識により、その係数から直接完全主成分集合を抽出することができ、学習モデルにトレーニングサンプルを必要とせずに済む。 他の手法と比較して,提案手法はメモリサイズが小さい高速かつ高精度なスペクトル定量化ソリューションを提供する。

関連論文リスト

• Automated Mixture Analysis via Structural Evaluation [0.0]
  本稿では,機械学習の分子埋め込み手法とグラフベースのランキングシステムを組み合わせることで,混合系に存在する分子の可能性を判定する。 混合成分を極めて高い精度 (>97%) で効率よく同定できることを実証した。
  論文  参考訳（メタデータ） (2024-08-28T14:32:24Z)
• On the estimation of the number of components in multivariate functional principal component analysis [0.0]
  保持する主成分の数の選定を検討するため, 広範囲なシミュレーションを行った。 本研究では,各単変量機能特徴に対する分散説明しきい値のパーセンテージを用いた従来の手法は信頼性が低いことを示す。
  論文  参考訳（メタデータ） (2023-11-08T09:05:42Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Gaussian Process Regression for Absorption Spectra Analysis of Molecular Dimers [68.8204255655161]
  本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。 このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。 実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
  論文  参考訳（メタデータ） (2021-12-14T17:46:45Z)
• Boosting Independent Component Analysis [5.770800671793959]
  本稿では,独立成分分析のためのブースティングに基づく新しいアルゴリズムを提案する。 提案アルゴリズムは,最大推定値にブースティングを導入することで,非パラメトリック独立成分分析のギャップを埋める。
  論文  参考訳（メタデータ） (2021-12-12T14:53:42Z)
• Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
  本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。 このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。 我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
  論文  参考訳（メタデータ） (2021-10-26T08:54:41Z)
• Probabilistic Simplex Component Analysis [66.30587591100566]
  PRISMは、データ循環記述のシンプルさの頂点をデータから識別する確率論的シンプルコンポーネント分析手法である。 この問題には多様な応用があり、最も注目すべきはリモートセンシングにおけるハイパースペクトルアンミックスと機械学習における非負行列分解である。
  論文  参考訳（メタデータ） (2021-03-18T05:39:00Z)
• Sequential optical response suppression for chemical mixture characterization [0.0]
  本稿では, 量子混合における成分の相対濃度を決定するための量子トラッキング制御に基づくアプローチを提案する。 気体相中の二原子分子の混合物と、成分の混合物からなる固体物質という、2つの非常に異なるモデルシステムを考える。
  論文  参考訳（メタデータ） (2020-10-26T19:24:00Z)
• Consistent Estimation of Identifiable Nonparametric Mixture Models from Grouped Observations [84.81435917024983]
  この研究は、グループ化された観測から任意の同定可能な混合モデルを一貫して推定するアルゴリズムを提案する。 ペア化された観測のために実践的な実装が提供され、アプローチは既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-12T20:44:22Z)
• Constrained Nonnegative Matrix Factorization for Blind Hyperspectral Unmixing incorporating Endmember Independence [0.0]
  本稿では,KbSNMF(Kurtosis-based Smooth Non negative Matrix Factorization)と呼ばれる新しいブラインドHUアルゴリズムを提案する。 終端スペクトルの確率密度関数の統計的独立性に基づく新しい制約が組み込まれている。 これは特に高スペクトルデータからエンドメンバースペクトルを抽出するという点で優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-02T17:20:04Z)

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。