行星科学研究中心
 首页  研究队伍  数据与服务  教学与课程  实验室仪器  新闻中心  关于我们  English 
 
关于我们
 
  学术进展
当前位置: 首页>>关于我们>>学术进展>>正文
 
利用卷积神经网络对ChemCam光谱数据进行定量分析
2020-07-29 15:56:00 曹学强    (点击次数:)

激光诱导击穿光谱法(LIBS)已应用于许多领域,用于各种地质样品、材料的定量分析。我国天问一号将搭载LIBS仪器进行火星表面物质成分探测,因此提高LIBS光谱的回归模型的预测精度对于未来我国火星探测具有重要意义。

在这项研究中,我们探索了对ChemCam光谱数据的定量分析,该光谱数据是由ChemCam团队使用LIBS在类似火星的大气条件下产生的。我们为所有氧化物建立了具有统一参数的卷积神经网络(CNN)回归模型,该模型高效且简洁。具有出色特征提取能力的CNN可以有效克服阻碍回归模型预测准确性的化学基体效应。首先,我们探讨了四个激活函数对CNN模型性能的影响。结果表明,具有双曲正切(tanh)函数的CNN模型优于具有其他激活函数(ReLU函数,linear函数和Sigmoid函数)的CNN模型。其次,我们比较了使用不同优化方法的CNN模型之间的性能。与其它的CNN模型相比,具有随机梯度下降(SGD)优化和初始学习率= 0.0005CNN模型可获得令人满意的性能。最后,我们比较了CNN模型、基于支持向量回归(SVR)的模型和基于偏最小二乘回归(PLSR)的模型的性能。结果表明,对于所有元素,CNN模型均优于SVR模型和PLSR模型。基于以上分析,我们得出了CNN回归模型可以有效提高LIBS预测精度的结论。

研究成果发表于PLASMA SCIENCE & TECHNOLOGY.

Cao, X., Zhang, L., Wu, Z., Ling, Z., Li, J., Guo, K., 2020. Quantitative analysis modeling for the ChemCam spectral data based on laser-induced breakdown spectroscopy using convolutional neural network. PLASMA SCIENCE & TECHNOLOGY, in press, doi: 10.1088/2058-6272/aba5f6.

原文链接:https://doi.org/10.1088/2058-6272/aba5f6.

本研究得到国家自然科学基金(U1931211,41573056)、国家航天局民用航天技术预研项目(D020102)、山东省自然科学基金(ZR2019MD008)及山东省重大科研项目(GG201809130208)资助。



1. CNN模型的结构。


2. CNN模型、SVR模型和PLSR模型的性能比较。




关闭窗口
 
 

山东大学空间科学研究院行星科学研究中心    版权所有

 地址:山东省威海市文化西路180号     邮编:264209