Artificial Neural Networks for Material Identification, Mineralogy and Analytical Geochemistry Based on Laser-Induced Breakdown Spectroscopy
Notice bibliographique
Résumé
Artificial Neural Networks (ANN) are used nowadays in a broad range of areas such as pattern recognition, finances, data mining, battle scene analysis, process control, robotics, etc. Application of ANN in the field of spectroscopy has generated a long-standing interest of scientists, engineers and application specialists. The ANN' capability of producing fast, reliable and accurate spectral data processing has become, in many cases, a bridging mechanism between science and application. A particular example of how ANN can transform plasma emission spectroscopy, that is quit challenging to model, into a turnkey ready to use device is described in this Chapter. Laser-Induced Breakdown Spectroscopy (LIBS) is a material-composition analytical technique gaining increased interest last decade in various application fields, such as geology, metallurgy, pharmaceutical, bio-medical, environmental, industrial process control and others (Cremer & Radziemski, 2006; It is in essence a spectroscopic analysis of light emitted by the hot plasma created on a sample by the laser-induced breakdown. LIBS offers numerous advantages as compared to the standard elemental analysis techniques (X-ray fluorescence or X-ray diffraction spectroscopy, inductively coupled plasma spectroscopy, etc.), such as: capability of remote analysis in the field, compact instrumentation, detection of all elements and high spatial resolution. Such features as minimum or no sample preparation requirement and dust mitigation using "cleaning" laser shots are especially important for field geology and remotely operated rover-based instruments. As result, LIBS instruments have been selected as payloads for the 2011 Mars Science Laboratory mission led by the National Aeronautics and Space Administration Despite of the advantages, the main challenge is still the retrieval of accurate information from measured spectra. LIBS spectral signals, composed mostly of narrow emission lines, are complex nonlinear functions of concentrations of measured constituents and instrument 1 Government of Canada 2010 www.intechopen.com Artificial Neural Networks -Industrial and Control Engineering Applications 92
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».