Розробка комбінованої моделі нейромережі для ефективного спектроскопічного аналізу
DOI:
https://doi.org/10.15587/1729-4061.2025.322627Ключові слова:
моделі глибокого навчання, чисельне моделювання, метод оптимізації, спектральний аналіз, обробка сигналівАнотація
Об’єктом дослідження є спектроскопічні дані хімічних, органічних сполук та фізичних експериментів, що характеризуються складністю сигналів, низьким співвідношенням сигнал/шум і значною варіативністю умов знімання. Проблема, що вирішувалася, – підвищення точності та стійкості аналізу спектральних даних у задачах ідентифікації та кількісного визначення компонентів, зокрема за умов шуму, змінних базових ліній та експериментальних параметрів. Суть отриманих результатів полягає у розробці оптимізованої комплексної моделі нейромережі (CNN+LSTM), яка забезпечує високу стійкість до шуму та варіативності експериментальних параметрів. Розроблена нейромережева модель спектрального аналізу досягла точності прогнозування концентрації на рівні R²=0.98 при RMSE менше 5 %, що значно перевершує традиційні методи. Реалізація включає використання сучасних оптимізаторів для стабільного навчання та програмне впровадження на Python із застосуванням бібліотек TensorFlow/Keras. Особливості та відмінності, які дозволили вирішити зазначену проблему, включають розробку алгоритму автоматичної нормалізації спектрів, створення синтетичного навчального набору даних, адаптацію моделі до низького співвідношення сигнал/шум і стійкість до змін експериментальних умов. Отримані результати пояснюються здатністю запропонованої архітектури нейромережі моделювати нелінійні залежності, автоматично виділяти релевантні ознаки та компенсувати шумові впливи, що є критичним для роботи зі спектральними даними. Умови використання на практиці включають задачі фармацевтичного аналізу, екологічний моніторинг, фізичний та хімічний аналіз складних багатокомпонентних систем, особливо за обмежених експериментальних ресурсів і змінних зовнішніх факторів
Посилання
- Khayatzadeh Mahani, M., Chaloosi, M., Ghanadi Maragheh, M., Khanchi, A. R., Afzali, D. (2007). Comparison of Artificial Neural Networks with Partial Least Squares Regression for Simultaneous Determinations by ICP‐AES. Chinese Journal of Chemistry, 25 (11), 1658–1662. https://doi.org/10.1002/cjoc.200790306
- Liu, X., An, H., Cai, W., Shao, X. (2024). Deep learning in spectral analysis: Modeling and imaging. TrAC Trends in Analytical Chemistry, 172, 117612. https://doi.org/10.1016/j.trac.2024.117612
- Primrose, M., Giblin, J., Smith, C., Anguita, M., Weedon, G. (2022). One dimensional convolutional neural networks for spectral analysis. Algorithms, Technologies, and Applications for Multispectral and Hyperspectral Imaging XXVIII, 12. https://doi.org/10.1117/12.2618487
- Schuetzke, J., Szymanski, N. J., Reischl, M. (2023). Validating neural networks for spectroscopic classification on a universal synthetic dataset. Npj Computational Materials, 9 (1). https://doi.org/10.1038/s41524-023-01055-y
- Liu, J., Osadchy, M., Ashton, L., Foster, M., Solomon, C. J., Gibson, S. J. (2017). Deep convolutional neural networks for Raman spectrum recognition: a unified solution. The Analyst, 142 (21), 4067–4074. https://doi.org/10.1039/c7an01371j
- Marini, F., Bucci, R., Magrì, A. L., Magrì, A. D. (2008). Artificial neural networks in chemometrics: History, examples and perspectives. Microchemical Journal, 88 (2), 178–185. https://doi.org/10.1016/j.microc.2007.11.008
- Butler, K. T., Davies, D. W., Cartwright, H., Isayev, O., Walsh, A. (2018). Machine learning for molecular and materials science. Nature, 559 (7715), 547–555. https://doi.org/10.1038/s41586-018-0337-2
- Mishra, P., Passos, D., Marini, F., Xu, J., Amigo, J. M., Gowen, A. A. et al. (2022). Deep learning for near-infrared spectral data modelling: Hypes and benefits. TrAC Trends in Analytical Chemistry, 157, 116804. https://doi.org/10.1016/j.trac.2022.116804
- Saravanan, N., Ganesan, M. (2024). Spectral Analysis of Cellular Neural Network: Unveiling Network Parameters and Graph Characteristics. https://doi.org/10.21203/rs.3.rs-4338706/v1
- Madden, M. G., Ryder, A. G. (2003). Machine learning methods for quantitative analysis of Raman spectroscopy data. Opto-Ireland 2002: Optics and Photonics Technologies and Applications, 4876, 1130. https://doi.org/10.1117/12.464039
- Randolph, T. W. (2006). Scale-based normalization of spectral data. Cancer Biomarkers, 2 (3-4), 135–144. https://doi.org/10.3233/cbm-2006-23-405
- Wei, J., Pan, S., Gao, W., Zhao, T. (2022). A dynamic object filtering approach based on object detection and geometric constraint between frames. IET Image Processing, 16 (6), 1636–1647. https://doi.org/10.1049/ipr2.12436
- Wiatowski, T., Bolcskei, H. (2018). A Mathematical Theory of Deep Convolutional Neural Networks for Feature Extraction. IEEE Transactions on Information Theory, 64 (3), 1845–1866. https://doi.org/10.1109/tit.2017.2776228
- Zhang, Z. (2018). Improved Adam Optimizer for Deep Neural Networks. 2018 IEEE/ACM 26th International Symposium on Quality of Service (IWQoS), 1–2. https://doi.org/10.1109/iwqos.2018.8624183
- Zaheer, R., Shaziya, H. (2019). A Study of the Optimization Algorithms in Deep Learning. 2019 Third International Conference on Inventive Systems and Control (ICISC). https://doi.org/10.1109/icisc44355.2019.9036442
- Shao, X., Bian, X., Liu, J., Zhang, M., Cai, W. (2010). Multivariate calibration methods in near infrared spectroscopic analysis. Analytical Methods, 2 (11), 1662. https://doi.org/10.1039/c0ay00421a
- Alsmeyer, F., Marquardt, W. (2004). Automatic Generation of Peak-Shaped Models. Applied Spectroscopy, 58 (8), 986–994. https://doi.org/10.1366/0003702041655421
- Hrytsak, R., Shuaibov, O., Minya, O., Malinina, A., Shevera, I., Bilak, Y., Homoki, Z. (2024). Conditions for pulsed gas-discharge synthesis of thin tungsten oxide films from a plasma mixture of air with tungsten vapors. Physics and Chemistry of Solid State, 25 (4), 684–688. https://doi.org/10.15330/pcss.25.4.684-688
- Shuaibov, O. K., Hrytsak, R. V., Minya, O. I., Malinina, A. A., Bilak, Yu. Yu., Gomoki, Z. T. (2022). Spectroscopic diagnostics of overstressed nanosecond discharge plasma between zinc electrodes in air and nitrogen. Journal of Physical Studies, 26 (2). https://doi.org/10.30970/jps.26.2501
- Bondar, I. I., Suran, V. V., Minya, O. Y., Shuaibov, O. K., Bilak, Yu. Yu., Shevera, I. V. et al. (2023). Synthesis of Surface Structures during Laser-Stimulated Evaporation of a Copper Sulfate Solution in Distilled Water. Ukrainian Journal of Physics, 68 (2), 138. https://doi.org/10.15407/ujpe68.2.138
- Kozubovsky, V. R., Bilak, Yu. Yu. (2022). Express Analysis of Gas Mixtures Using a Spectral Correlator Based on the Fabry–Perot Interferometer. Journal of Applied Spectroscopy, 89 (3), 495–499. https://doi.org/10.1007/s10812-022-01385-7
- Kozubovsky, V., Bilak, Y. (2021). Phase Methods in Absorption Spectroscopy. Ukrainian Journal of Physics, 66 (8), 664. https://doi.org/10.15407/ujpe66.8.664
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Yurii Bilak, Antonina Reblian, Roman Buchuk, Pavlo Fedorka
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
