日本最大色倩网站www,真人性做爰在线观看,美女网站免费观看视频

三維激發發射矩陣（3D-EEM）熒光光譜已廣泛應用于檢測從天然水體到廢水處理過程樣品中的熒光成分，一般需要使用并行因子分析 (PARAFAC) 等數據解釋方法來分解3D-EEM光譜中的重疊熒光信號。然而，PARAFAC對數據的嚴格要求和復雜的程序限制了樣品的在線監測和分析。

圖1. 3D-EEM數據的預處理、代表性光譜和PARAFAC分析程序

在此，河海大學方芳副教授等人開發了一種基于深度學習方法的快速熒光識別網絡 (FFI-Net) 模型，只需輸入單個3D-EEM光譜即可快速預測熒光成分的數量和圖譜。由從含微生物分泌的胞外聚合物（EPS）和可溶性微生物產物（SMP）的活性污泥和微囊藻收集的3D-EEM進行訓練，包括那些存在于實際應用中的物質，并評估了FFI-Net模型的預測性能。

具體地，PARAFAC分析了3D-EEM數據集以形成熒光成分的數量和圖譜，但僅應用于訓練數據集的準備階段。經過訓練數據集訓練后的FFI-Net可以直接使用，無需再利用PARAFAC方法。

圖2. FFI-Net模型的建立

作者訓練了兩種類型的卷積神經網絡 (CNN)模型，最終以0.956的精度對熒光成分的數量進行分類，并以 8.9×10^-4的最小平均絕對誤差預測熒光成分。當更多3D-EEM數據可用作訓練數據集時，FFI-Net模型的準確性將得到進一步提高。

同時，作者還設計了一個用戶友好的界面，以方便實際應用。這項研究提供了一種有效的方法來克服 PARAFAC方法的不足，并為在線分析水樣中的熒光成分提供了一個新平臺。

圖3. 兩種類型的卷積神經網絡結構及FFI-Net的應用程序

Fast identification of fluorescent components in three-dimensional excitation-emission matrix fluorescence spectra via deep learning, Chemical Engineering Journal 2021. DOI: 10.1016/j.cej.2021.132893

原創文章，作者：科研小搬磚，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/15/898a07e405/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

河海大學方芳CEJ: 深度學習快速識別3D激發-發射矩陣熒光光譜中的熒光成分

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

河海大學方芳CEJ: 深度學習快速識別3D激發-發射矩陣熒光光譜中的熒光成分

相關推薦