机器学习专辑（2022-2024）
随着深度学习技术的飞速发展与数据的海量积累，人工智能（AI）已成为科研创新的重要驱动力。而在分析化学领域中，AI与机器深度学习技术已被广泛运用于提高复杂计算的效率、优化制备工艺、优化分析检测方案等领域。本期虚拟专辑专门整合了本刊2022-2024年刊发的围绕“机器学习”这一主题的20篇论文，旨在让读者们了解相关领域研究的最新进程，以更好地把握该领域的未来发展趋势。
主题关键词： 机器学习深度学习
- 论文汇编
基于高光谱与纹理特征融合的甘草药材基源鉴别研究
摘要：不同甘草的基源鉴别对保障其临床应用具有重要意义。该研究基于乌拉尔甘草、胀果甘草和光果甘草3种基源共89根甘草药材的光谱特征，进一步利用灰度行程矩阵从4个角度（0°、45°、90°和135°）分别提取11个纹理特征参数（短行程强调、长行程强调、灰度不均匀性、行程不均匀性、行程百分比、低灰度行程强调、高灰度行程强调、短行程低灰度强调、短行程高灰度强调、长行程低灰度强调、长行程高灰度强调）对甘草药材进行鉴别，开发了归一化后求平均值的差异度法（NAD），筛选出对基源鉴别贡献较大的5个纹理特征，并将其与光谱特征进行融合，以提高基源鉴别的准确性。与传统的特征筛选方法SKB法、RFE法和SFM法相比，归一化后求平均值的差异度法展现出更高的适用性，支持向量机（SVM）分类器在测试集上的基源鉴别准确率达到了95.28%，高于未筛选（92.22%）、SKB法筛选（95.00%）、RFE法筛选（95.00%）和SFM法筛选（93.89%）的准确率。该研究提出的数据挖掘方法充分利用高光谱的光谱数据和图像数据，将光谱特征和纹理特征进行有机融合，为甘草药材的基源鉴别提供了一种新型无损的检测方法。关键词：甘草;基源鉴别;高光谱成像技术;机器学习;灰度行程矩阵;特征选择1321|1003|0<HTML><网络PDF><Meta-XML>更新时间：2024-11-26基于傅里叶变换中红外光谱的不同维度光谱图像结合残差神经网络鉴别黄精属物种
摘要：将不同维度光谱图像的概念首次应用于物种鉴别，建立了快速准确的黄精属鉴别方法。采集6种黄精属共计563批样品，基于傅里叶变换中红外光谱（FT-MIR）的一阶导数（1st）、二阶导数（2nd）、乘法散射校正（MSC）、标准正态变量变换（SNV）和Savitzky-Golay（SG）5种预处理方法，构建了决策树（DT）、随机森林（RF）和支持向量机（SVM）3种机器学习算法。同时构建了深度学习残差神经网络（ResNet）模型，绘制了不同维度的光谱图像，包括一维MIR，同步、异步和综合二维相关光谱、三维相关光谱、三维相关光谱投影图像的10个数据集，并将其与ResNet模型相结合进行分类。结果表明，不同预处理方法对模型结果的影响不同，MSC预处理方法可显著提高DT、RF和SVM 3种算法的准确率。基于同步二维相关光谱数据集的ResNet算法建模效果最好，准确率达到100%，损失值较小，不需要复杂的预处理，时间成本低，可以准确鉴别黄精属物种，为食品、中草药等其他领域的鉴别提供了参考。关键词：黄精属物种;傅里叶变换中红外光谱;不同维度光谱图像;机器学习算法;残差神经网络1449|1671|3<HTML><网络PDF><Meta-XML>更新时间：2024-11-26机器学习在环境分析检测中的应用研究进展
摘要：随着环境数据的迅速增加，机器学习已成为环境分析检测研究领域的重要工具。为推动该领域的持续创新，该综述简要介绍了机器学习的基本概念、常见算法和软件平台，并通过全面的文献分析，重点总结了利用机器学习技术开展环境分析检测研究的最新进展。基于机器学习方法的环境分析检测研究目前主要集中在常规环境质量指标检测、环境（非）靶向检测分析、微（纳）塑料分类识别、污染物的环境行为及溯源研究等五个方面。进一步指出目前机器学习在样品采集和前处理部分研究领域、新技术整合、多模态数据融合、模型可解释性和可信度等方面存在不足。最后，提出了机器学习方法在未来环境分析检测中可能的应用方向，进一步推动和扩展机器学习在该领域的应用。该综述可为环境分析检测及其交叉领域的相关研究者和管理决策者提供指导和建议。关键词：环境分析化学;环境检测;机器学习;新污染物3712|7121|7<HTML><网络PDF><Meta-XML>更新时间：2024-08-08流过式介质阻挡放电电离质谱法结合随机森林模型快速鉴别棉、涤纶纺织品
摘要：为实现对棉、涤纶纺织品的快速准确鉴别，开发了电烙铁灼烧-流过式介质阻挡放电电离质谱法。结果表明，电烙铁灼烧-流过式介质阻挡放电电离质谱法无需样品前处理，操作简便，单次数据采集用时仅为4~5 s。使用棉、涤纶与棉涤混纺纺织品样品的质谱指纹图谱数据，建立了基于随机森林算法的预测模型。优化后的随机森林模型五折交叉验证与袋外验证的误判率分别为2.50%和2.52%。基于袋外验证混淆矩阵，求得该模型的预测准确率为97.5%，对棉与涤纶样品的精确率、召回率和F1分数均高于95%，满足快速鉴别要求。该方法可为棉、涤纶纺织品真伪鉴别与品质评价提供技术参考。关键词：流过式介质阻挡放电电离质谱;随机森林模型;棉;涤纶;快速鉴别1259|1069|0<HTML><网络PDF><Meta-XML>更新时间：2024-06-11高光谱喷墨打印墨水数据的非线性降维及分类建模方法研究
摘要：在法庭科学实践中，往往需要通过对文件中字迹墨水的成分分析来精确判定检材和样本文件的同一性。该文利用高光谱成像技术结合机器学习对喷墨打印墨水的种类进行区分，分别采集14套不同品牌、型号的4色（黑、青、品红和黄色）喷墨打印墨水打印的文件在400～1 000 nm范围的高光谱图像，共提取56种样品墨迹的光谱数据。使用均匀流形逼近与投影技术（UMAP）和T分布随机近邻嵌入技术（t-SNE）两种算法对高光谱喷墨打印墨水数据进行降维处理，然后建立极致梯度提升（XGBoost）、轻量级梯度提升机器学习（LightGBM）和支持向量机（SVM）3种分类模型，以1∶4的比例确定测试集和训练集，分别对原始数据和降维后的数据进行分类。实验结果显示，UMAP降维算法结合SVM模型对喷墨打印墨水分类的效果最优，黑色墨水样品的分类精度为90%左右，其余颜色墨水样品的分类精度均为100%。该研究为喷墨打印文件的检验鉴定提供了一种新的、无损、准确的鉴别方法。关键词：高光谱成像技术;喷墨打印墨水;降维算法;分类模型836|1146|2<HTML><网络PDF><Meta-XML>更新时间：2024-04-18基于深度残差网络和近红外光谱的煤矸石智能识别
摘要：该文开发了一种融合近红外光谱技术与一维残差深度网络（1D-ResNet）的煤炭及矸石快速分类方法。为保证实验样本的多样性，从河南、河北、山东3省份的多个煤矿中采集了430个煤炭与矸石样本，并基于欧氏距离对异常样本予以剔除，以获得高质量的建模数据集。在此基础上，为准确捕捉煤炭和矸石与其光谱特征之间的复杂映射关系，构建了基于1D-ResNet的分类模型，可在有效解决梯度消失问题的同时深度挖掘煤炭与矸石的光谱特性，获得高精度的分析结果。五折交叉验证结果显示，该模型的平均准确率达96.26%，显著优于支持向量机和随机森林等传统机器学习算法。在训练集和测试集上，该模型的损失函数变化趋势表现出较高的一致性，说明模型具备良好的泛化能力。测试发现，模型处理每一百个样本的推理时间仅为16.230 ms，进一步突显了其在煤炭与矸石在线分选领域的优势和潜在应用价值。关键词：煤矸石识别;近红外光谱;深度学习;残差网络1107|1807|5<HTML><网络PDF><Meta-XML>更新时间：2024-04-18基于随机森林算法的烟草提取物类别识别模型研究
摘要：采用气相色谱-四极杆飞行时间质谱（GC-QTOF MS）获取20种烟草提取物的色谱数据，对其进行各成分分析，构建二进制向量数据集。通过随机森林模型，优化了实验条件，对烟草提取物中提取物、油类物质和浸膏物质3类物质，以及A、B、C、D、E和F 6个地域产地烟草提取物进行了识别，所建模型可以100%识别烟草提取物类型和地域。关键词：GC-QTOF MS;随机森林;烟草提取物;种类;地域;识别724|1441|7<HTML><网络PDF><Meta-XML>更新时间：2023-11-10高分辨质谱与深度学习视阈下的藏红花品质分析
摘要：高分辨质谱结合传统数据分析方法常用于藏红花品质鉴别。但传统数据分析算法的准确率低、模型拟合效果差，导致判别结果的假阳性率与假阴性率高，难以进行精准鉴别。深度学习算法可自动提取数据中的隐藏特征信息，与高分辨质谱技术结合，可实现藏红花品质的精准鉴别。该文简要概述了深度学习算法在处理高分辨质谱代谢组学数据方面的研究进展，并在此基础上，总结了深度学习算法在藏红花品质鉴别中的应用，探讨了高分辨质谱技术结合深度学习算法鉴别藏红花品质的可行性。关键词：深度学习;藏红花;高分辨质谱;特征提取;品质鉴别768|1457|1<HTML><网络PDF><Meta-XML>更新时间：2023-10-18基于组学、机器学习和生物转化技术的农药及其转化物筛查方法研究
摘要：该研究基于液相色谱-高分辨质谱联用技术，针对不同食品基质，通过标准化的样品提取方法，低歧视的仪器采集方法，以及组学、机器学习和生物转化等技术的融合，建立了各类农药及其转化物的靶向和拟靶向数据筛查方法。实验结果表明，不同农药在多种基质中的回收率为80%~120%。样本中农药的MS2特征能在基于特定列表（Inclusion list）的数据依赖性扫描（DDA）方式下兼顾检出率和特异性。靶向方法基于数据库的保留时间（RT）、MS1（m/z偏差、同位素轮廓、加合形态、源内裂解）和MS2（二级碎片）等多元参数匹配，可以高置信度地鉴定阳性物质。同时，拟靶向方法在人工智能（AI）预测模型的帮助下，在菊花茶中发现8种疑似的农药转化物，这些特征在MS1匹配的基础上进行MS2的预测和RT的过滤，并通过体外肝微粒生物合成获得无商业化标准品的农药转化物的质谱特征，确证疑似结果。该方法实现了农药及其转化物的高通量和高特异性的筛查，适用于各类食品基质的快速筛查。关键词：农药;农药转化物;拟靶向筛查;机器学习;生物转化869|1131|1<HTML><网络PDF><Meta-XML>更新时间：2023-10-18基于改进堆叠自编码器结合LightGBM的近红外光谱回归算法研究
摘要：为实现高效的近红外光谱非线性回归分析，提出了一种基于改进堆叠自编码器结合LightGBM的近红外光谱回归分析算法。该算法由堆叠自编码器模块与LightGBM模块构成，将堆叠自编码模块得到的隐层特征输入LightGBM模块进行回归分析，通过递进式策略自适应确定堆叠自编码器模块的结构，并利用Optuna框架自动优化LightGBM模块的超参数。为验证方法的有效性，以烟草的还原糖、氯、钾、总氮4种成分为研究对象，利用1 911个烟草样本进行建模，并与其他4种近红外光谱回归分析算法进行了对比。经实验验证，烟草还原糖、氯、钾、总氮预测模型的平均RP、RMSEP、RP2分别为0.911 0、0.056 8、0.832 8，预测精度在5种方法中综合最优。在训练集表现相当的前提下，所建方法的预测集精度相较于XGBoost提高1%~40%，过拟合问题得到改善。改进的堆叠自编码器结合LightGBM算法应用于近红外光谱分析表现出良好的成分回归分析能力，可用于烟叶化学成分预测模型的构建。关键词：近红外光谱;回归分析;改进堆叠自编码器;LightGBM991|959|3<HTML><网络PDF><Meta-XML>更新时间：2023-09-19
