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= 0.0005的CNN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）模型和基于偏最小二乘回归（PLSR）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。

图1. CNN模型的结构。

图2. CNN模型、SVR模型和PLSR模型的性能比较。