光谱随机森林电子密度诊断模型

气体温度误差下稳健

机器学习结合斯塔克展宽，在气体温度偏差下保持稳健，比传统最小二乘法更快诊断等离子体电子密度。

Tinglin, Zhang · Long, Tang · Dongyu, Peng · Hao, Tang · Pan-Pan, Jiang · Liu, Botong · 陈传杰

Guang Pu Xue Yu Guang Pu Fen Xi/Spectroscopy and Spectral Analysis 2024

参数信息

平均相对误差

3 %

均方误差降低

30 %

训练集气体温度误差范围（最小均方误差）

0—±10 %

技术优势

误差传不下去

随机森林模型在训练集中引入气体温度随机误差，对温度偏差不敏感，预测结果比最小二乘法更稳定。

分析快得多

训练好的模型无需迭代拟合，直接输出电子密度，分析时间远少于最小二乘法。

温度误差越大越占优

随着气体温度误差增大，随机森林模型的预测优势更加明显，误差 ±10% 时均方误差降低超过 30%。

应用场景

• 等离子体诊断：用光谱数据快速获取电子密度，免受气体温度误差影响。