融合X射线荧光基本参数与机器学习的自编码器神经网络
机器学习
2023-03-23 v3
摘要
我们考虑能量色散X射线荧光(EDXRF)的应用场景,其中基本参数法不切实际,例如当仪器参数不可用时。例如,在采矿铲或传送带上,岩石不断移动(导致入射角和距离变化),并且可能存在其他未考虑的因素(如粉尘)。神经网络不需要仪器和基本参数,但训练神经网络需要标注了元素组成的XRF谱,而由于其成本高昂,这类数据往往有限。我们开发了一种神经网络模型,该模型从有限的标注数据中学习,并通过学习反演前向模型来利用领域知识。该前向模型使用所有元素的跃迁能量和概率以及参数化分布来近似其他基本参数和仪器参数。我们在一个来自锂矿勘探项目的岩石数据集上评估了该模型及基线模型。我们的模型对一些低Z元素(Li、Mg、Al和K)以及一些高Z元素(Sn和Pb)表现尤为良好,尽管这些元素超出了常见光谱仪直接测量的合适范围,这很可能归功于神经网络学习相关性和非线性关系的能力。
引用
@article{arxiv.2210.12239,
title = {Auto-Encoder Neural Network Incorporating X-Ray Fluorescence Fundamental Parameters with Machine Learning},
author = {Matthew Dirks and David Poole},
journal= {arXiv preprint arXiv:2210.12239},
year = {2023}
}
备注
X-Ray Spectrometry 2023