基于Inception网络的好奇号火星车地面标样LIBS光谱定量建模

摘要

传统的多变量分析方法是LIBS定量建模的主要手段,但光谱的输入维度较高,很多算法需要提前对光谱进行降维或特征谱线提取,导致部分信息丢失,影响准确率.针对该问题,本文引入以深度卷积神经网络Inception为基础的定量建模方法,算法设计时将原有常规的2D卷积网络改造为1D卷积网络以实现光谱信息的全谱输入和特征提取.该方法不仅不需要对原始光谱的降维操作,且其他的预处理如滤波等操作亦可以省略.经多次实验,训练次数为2 000次时具有较好的预测结果,同时并不会出现明显的过拟合现象.此时其平均决定系数(R2)为0.957 9,其均方根误差相比多元线性回归方法平均降低了61.69%,与深度学习方法 AlexNet对比也获得较好结果.