Deep Learning on Synthesized Sensor Characteristics and Transmission Spectra Enabling MEMS-Based Spectroscopic Gas Analysis beyond the Fourier Transform Limit
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
Miniaturized Fourier transform infrared spectrometers serve emerging market needs in many applications such as gas analysis. The miniaturization comes at the cost of lower performance than bench-top instrumentation, especially for the spectral resolution. However, higher spectral resolution is needed for better identification of the composition of materials. This article presents a convolutional neural network (CNN) for 3X resolution enhancement of the measured infrared gas spectra using a Fourier transform infrared (FTIR) spectrometer beyond the transform limit. The proposed network extracts a set of high-dimensional features from the input spectra and constructs high-resolution outputs by nonlinear mapping. The network is trained using synthetic transmission spectra of complex gas mixtures and simulated sensor non-idealities such as baseline drifts and non-uniform signal-to-noise ratio. Ten gases that are relevant to the natural and bio gas industry are considered whose mixtures suffer from overlapped features in the mid-infrared spectral range of 2000–4000 cm−1. The network results are presented for both synthetic and experimentally measured spectra using both bench-top and miniaturized MEMS spectrometers, improving the resolution from 60 cm−1 to 20 cm−1 with a mean square error down to 2.4×10−3 in the transmission spectra. The technique supports selective spectral analysis based on miniaturized MEMS spectrometers.
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 | 0,001 | 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) | 0,006 | 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