基于强化学习的人工神经网络与基于 Parzen 密度估计的多维贝叶斯分类用于部分甲基化醛糖醇乙酸酯 GC-EIMS 谱识别的比较研究
信号处理
2020-08-06 v1 机器学习
神经与进化计算
生物大分子
摘要
本研究报道了用于部分甲基化醛糖醇乙酸酯（PMAAs）的气相色谱-电子轰击质谱（GC-EIMS）万维网数据库的模式识别搜索引擎的开发。在此，我们也报道了用于本研究的两种模式识别技术的比较结果。第一种技术是使用贝叶斯分类器和 Parzen 密度估计的统计技术。第二种技术涉及用强化学习训练的人工神经网络模块。我们在此证明，两种系统在识别含有少量噪声的谱时均表现良好。两种系统的性能都随信噪比（SNR）的降低而下降。在处理部分谱（缺失数据）时，人工神经网络系统表现更好。所开发的系统实现于万维网上，旨在通过使用在任何 GC-EIMS 仪器上记录的这些分子的上交谱来识别 PMAAs。因此，该系统对 GC-EIMS 谱中仪器和色谱柱相关的变化不敏感。
引用
@article{arxiv.2008.02072,
title = {A Comparative study of Artificial Neural Networks Using Reinforcement learning and Multidimensional Bayesian Classification Using Parzen Density Estimation for Identification of GC-EIMS Spectra of Partially Methylated Alditol Acetates},
author = {Faramarz Valafar and Homayoun Valafar},
journal= {arXiv preprint arXiv:2008.02072},
year = {2020}
}
备注
5 pages