主成分的本质数目与用于光谱分析的近无训练模型
机器学习
2023-01-02 v1 计算物理
机器学习
摘要
通过对多气体混合物数据集的研究，我们表明在多组分光谱分析中，为保留本质信息所需的功能性或非功能性主成分数目，与混合物集合中独立组分数目相同。由于不同气体分子间的相互独立性，可建立从主成分到混合物组分的近乎一对一的投影，从而显著简化光谱定量。进一步，在已知各组分摩尔消光系数的情况下，可直接由系数提取出完整的主成分集合，且该学习模型所需训练样本极少甚至无需。与其他方法相比，所提方法以较小的内存需求提供了快速而准确的光谱定量解决方案。
引用
@article{arxiv.2212.14623,
title = {Essential Number of Principal Components and Nearly Training-Free Model for Spectral Analysis},
author = {Yifeng Bie and Shuai You and Xinrui Li and Xuekui Zhang and Tao Lu},
journal= {arXiv preprint arXiv:2212.14623},
year = {2023}
}