稳定学习LIBS定量模型

抗基质干扰

通过物理先验特征选择与去相关样本加权，抑制碱金属强发射谱线的混杂干扰，使机器学习定量模型在不同基质氯形态样品间保持预测稳定。

Yunfei, Rao · Sun, Chen · Yu, Xiao Wen · Chen, Fengye · Li, Wang · Beiyi, Zhang · Tianyang, Sun · Cong, Liu · Jinbo, Qiu · Zhao, Yuyansara Yan Sara · 俞进

Spectrochimica Acta - Part B: Atomic Spectroscopy 2024

参数信息

检测限 (LOD)

0.16 wt%

预测均方根误差 (RMSEP) - 第一测试集

0.57 wt%

预测均方根误差 (RMSEP) - 第二测试集

0.59 wt%

技术优势

预测更稳定

通过物理先验引导的特征选择去除碱金属强发射谱线，降低其对模型的混杂影响。

不依赖单一谱线

样本加权使特征去相关，避免模型过度依赖少数强谱线，提高泛化能力。

检测限够低

优化后的稳定学习模型实现0.16 wt%的检测限，满足火星地质样品痕量氯分析需求。

应用场景

• 火星土壤分析：火星土壤中氯的含量可追溯古热液活动，该模型可直接用于火星车原位探测。
• 地质样品检测：地球地质样品中氯的定量常受基质干扰，该方法提供更稳健的解决方案。
• 元素定量分析：针对难测的卤素元素氯，提供基于分子发射与机器学习的有效定量途径。
• 材料成分分析：对不同基质和氯化学形态的材料，预测误差保持稳定，可直接用于成分分析。