循环神经网络与经典机器学习方法在激光诱导击穿光谱中的比较
机器学习
2023-04-19 v1
摘要
循环神经网络是一类人工神经网络，其在不同节点间建立连接，形成有向或无向图以进行时间动态分析。本研究使用激光诱导击穿光谱（LIBS）技术，通过不同循环神经网络（RNN）架构对铝合金进行定量分析。采用纳秒 Nd:YAG 激光脉冲的基频（1064 nm）产生 LIBS 等离子体，用于预测铝标准样品的成分浓度。此处，基于不同网络的循环神经网络，如长短期记忆（LSTM）、门控循环单元（GRU）、简单循环神经网络（Simple RNN），以及由 Conv-SimpleRNN、Conv-LSTM 和 Conv-GRU 组成的循环卷积网络，被用于浓度预测。随后，与经典机器学习方法——支持向量回归（SVR）、多层感知机（MLP）、决策树算法、梯度提升回归（GBR）、随机森林回归（RFR）、线性回归和 k-近邻（KNN）算法——的预测结果进行比较。结果表明，基于卷积循环网络的机器学习工具在其他多元方法中，对大多数元素的预测效率最佳。
引用
@article{arxiv.2304.08500,
title = {A comparison between Recurrent Neural Networks and classical machine learning approaches In Laser induced breakdown spectroscopy},
author = {Fatemeh Rezaei and Pouriya Khaliliyan and Mohsen Rezaei and Parvin Karimi and Behnam Ashrafkhani},
journal= {arXiv preprint arXiv:2304.08500},
year = {2023}
}