On the application of a novel linear mixture model on laser‐induced breakdown spectroscopy: Implications for Mars
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract As the exploration of Mars and other solar system bodies becomes more prevalent, the importance of accurate methods in chemical analyses has increased. The use of laser‐induced breakdown spectroscopy (LIBS) in such analyses requires that well understood and accurate statistical methods exist for appropriate interpretation of resulting spectra. Many multivariate techniques have been developed for the elemental quantification of LIBS; however, each still has its limitations. In an endeavor to improve upon existing methodologies, a new algorithm is proposed using the ChemCam preflight calibration dataset and a dataset from the characterization of a LIBS/Raman sensor prototype developed at York University. The algorithm which was developed in this work is a linear mixture model within a submodel clustering framework. The cross validation and test results of the model on both datasets were reported using various metrics for each element under consideration (root mean square error, relative standard deviation, and R 2 value). The algorithm was subsequently compared with other well established chemometric models on both datasets, such as principal component regression, partial least square regression, and ordinary least squares regression. Further validation of the algorithm was achieved by comparing the results presented herein to previously published results on the ChemCam data. The samples in each dataset are highly representative of Martian geology, which, given the overwhelming success of the algorithm on both datasets, suggests that subsequent implementation of the proposed algorithm on larger databases may have significant implications for Martian geochemical analyses and for planetary exploration as a whole.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle