Smoothing Raman Spectra with Contiguous Single-Channel Fitting of Voigt Distributions: An Automated, High-Quality Procedure
Notice bibliographique
Résumé
Theoretical probability distributions are often fitted to the individual peaks of Raman spectra to decompose them and facilitate further analyses. Fitting has the additional advantage of eliminating noise. We have exploited this noise-eliminating attribute of fitting procedures in an automated algorithm to smooth Raman spectra. An initial smoothing was performed by fitting Voigt distributions to every channel in a spectrum. The Voigt distribution characters used were strongly Gaussian, the distribution widths equal to the spectral resolution, and their initial amplitudes equal to the spectral intensities at the channels where they were located. The smoothed spectrum was then subtracted from the original noisy spectrum to obtain a residual. For channels where the residual exceeded a limit-of-detection threshold, the distribution width was decreased. The fitting was then repeated until a secondary, lower limit distribution width was reached. The residual was then smoothed repeatedly in the same manner until the minimum distribution width was reached. After each repetition, the smoothed residual was added to the smoothed spectrum. The process was continued until a combined limit of detection and chi-squared stopping criterion was reached. Although slower in comparison to spline- and Savitzky-Golay-based methods, the smoothing quality was significantly better allowing the majority of smoothed spectra, in contrast to these methods, to pass a stringent smoothing quality test.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».