文献类型：期刊文章

作　　者：赵文雅[1,2] 闵红[2] 刘曙[2] 安雅睿[1] 俞进[3]

ZHAO Wen-ya;MIN Hong;LIU Shu;AN Ya-rui;YU Jin(College of Science,University of Shanghai for Science and Technology,Shanghai 200093,China;Technical Center for Industrial Product and Raw Material Inspection and Testing,Shanghai Customs,Shanghai 200135,China;School of Physics and Astronomy,Shanghai Jiao Tong University,Shanghai 200240,China)

机构地区：[1]上海理工大学理学院化学系,上海200093 [2]上海海关工业品与原材料检测技术中心,上海200135 [3]上海交通大学物理与天文学院,上海200240

出　　处：《光谱学与光谱分析》

基　　金：海关总署科研项目(2019HK074);国家重点研发计划(2018YFF0215400)资助。

年　　份：2021

卷　　号：41

期　　号：7

起止页码：1998-2004

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、PUBMED、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：激光诱导击穿光谱(LIBS)具有实时、远程、多元素同时分析的优点,近年来在工业在线分析领域逐渐受到关注,发挥着重要作用。但基于发射光谱本身的特性,LIBS存在光谱噪声、基线漂移、自吸收和重叠峰等现象;又由于环境变化、激光能量波动、基体效应、样品表面形貌等因素,造成光谱稳定性和重现性差。这些问题导致光谱信息与定性、定量分析之间呈非线性关系,限制了分析灵敏度和准确度。随着LIBS器件稳定性的逐渐改善,LIBS光谱数据分析方法日新月异,人工神经网络(ANN)能跟踪和识别非线性特性,自适应学习LIBS光谱特征,筛除干扰信息,在LIBS数据分析领域的应用得到飞速发展。介绍了LIBS原理、仪器结构和工作流程以及在LIBS光谱分析领域常见的神经网络模型,总结出2015年—2020年LIBS结合常见的ANN模型在地质、合金、有机聚合物、煤炭、土壤及生物等领域的具体应用,指出ANN在数据分析领域的超强能力可有效改进LIBS分析精度,提升光谱数据利用率,降低光谱采集环境要求。针对仍然有待突破的技术难点,展望了ANN在LIBS光谱深度信息挖掘、便携式专用型设备开发、技术联用等方面的发展前景。LIBS日趋成熟,但其数据分析领域仍有广阔发展空间。该综述可为机器学习在LIBS数据分析领域的应用提供参考。

关 键 词：激光诱导击穿光谱 人工神经网络 数据分析 应用  

分 类 号：O657.3]