从机器学习到激光诱导击穿光谱中的迁移学习：以火星探测岩石分析为例
应用物理
2022-04-19 v1
摘要
借助 ChemCam 仪器，激光诱导击穿光谱（LIBS）已通过测定土壤、地壳和岩石的元素组成 successively 为火星探测作出贡献。中国天问一号与美国毅力号两个新发射的任务，将在 2021 年春季计划着陆后进一步增加火星上 LIBS 仪器数量。此种前所未有的局面需要对 LIBS 光谱数据处理方法加强研究投入。尽管基体效应是 LIBS 中的普遍问题，其在火星探测岩石分析情形下因岩石组成大范围变化导致化学基体效应，以及用于建立校准模型的实验室标准样品（压片、玻璃或陶瓷）与火星上天然岩石在形貌上的差异导致物理基体效应而更显突出。ChemCam 项目已用大量实验室标准样品解决化学基体效应，这些样品良好代表了火星岩石的多种组成。本工作处理仍待满意解决的物理基体效应。该方法在于将迁移学习引入 LIBS 数据处理。针对天然岩石全碱-硅（TAS）分类这一具体情形，结果表明基于压片样品的模型在迁移学习流程中与来自岩石的合适信息共同训练时，预测能力显著提升。岩石正确分类率从机器学习模型的 33.3% 提高到迁移学习模型的 83.3%。
引用
@article{arxiv.2102.03768,
title = {From Machine Learning to Transfer Learning in Laser-Induced Breakdown Spectroscopy: the Case of Rock Analysis for Mars Exploration},
author = {Chen Sun and Weijie Xu and Yongqi Tan and Yuqing Zhang and Zengqi Yue and Sahar Shabbir and Mengting Wu and Long Zou and Fengye Chen and Jin Yu},
journal= {arXiv preprint arXiv:2102.03768},
year = {2022}
}