Том 37, номер 11, статья № 1
Щербаков А. В. Нейросеть для автоматизации подгонки контуров колебательно-вращательных линий в спектрах высокого разрешения. // Оптика атмосферы и океана. 2024. Т. 37. № 11. С. 897–904. DOI: 10.15372/AOO20241101.Скопировать ссылку в буфер обмена
Аннотация:
Статья посвящена проблеме автоматизации подгонки параметров линий в спектрах высокого разрешения, зарегистрированных на современных спектрометрах. При подгонке модельного контура, в силу наличия множества локальных минимумов у минимизируемого среднеквадратичного отклонения, требуется достаточно точное начальное приближение параметров контура линии. Предлагается метод нахождения достаточно точного начального приближения параметров контура линий, основанный на использовании нейронной сети Кохонена. Проведены тесты и сравнение других алгоритмов и сетей для решения данной задачи. Описанный метод может использоваться для обработки колебательно-вращательных спектров и получения баз данных, необходимых для решения задач атмосферного зондирования, молекулярной физики и технических задач.
Ключевые слова:
параметры линии поглощения, Фурье-спектрометр, профиль Фойгта, автоматическая обработка, нейронная сеть
Иллюстрации:
Список литературы:
1. Куряк А.Н., Тихомиров Б.А. Влияние водяного пара на поглощение излучения 266 нм алюминиевым оптическим зеркалом // Оптика атмосф. и океана. 2018. Т. 31, № 10. С. 791–793. DOI: 10.15372/AOO20181003.
2. Василенко И.А., Науменко О.В. Экспертный список линий поглощения молекулы 32S16O2 в диапазоне 2000–3000 см-1 // Оптика атмосф. и океана. 2020. Т. 33, № 5. С. 342–346. DOI: 10.15372/AOO20200503; Vasilenko I.A., Naumenko O.V., Horneman V.-M. Expert list of absorption lines of the SO2 molecule in the 2000–3000 cm-1 spectral region // Atmos. Ocean. Opt. 2020. V. 33, N 5. P. 443–448.
3. Ромашенко О.П., Корнев А.С., Зон Б.А. Поглощение лазерного излучения в атмосфере Титана // Оптика атмосф. и океана. 2020. Т. 33, № 5. С. 329–333. DOI: 10.15372/AOO20200501; Romashenko O.P., Kornev A.S., Zon B.A. Laser radiation absorption in the atmosphere of Titan // Atmos. Ocean. Opt. 2020. V. 33, N 5. P. 439–442.
4. Shcherbakov A.P., Pshenichnicov A.M. Computer-aided system for automatic peak searching and contour fitting in molecular spectra // Proc. SPIE. 2000. N 4341. P. 60–63. DOI: 10.1117/12.411924.
5. Круглова Т.В., Щербаков А.П. Автоматический поиск линий в молекулярных спектрах на основе методов непараметрической статистики. Регуляризация в оценке параметров спектральных линий // Опт. и спектроскоп. 2011. Т. 111, № 3. C. 383–386.
6. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука, Главная редакция физико-математической литературы, 1979. 285 с.
7. Левин Л.Л. Введение в теорию распознавания образов: учеб. пособие. Томск: ТГУ, 1982, 2004, 2008. 97 с.
8. Айзерман М.А., Браверман Э.И., Розоноэр Л.И. Метод потенциальных функций в задачах обучения машин. М.: Наука, 1970. 384 с.
9. Хайкин С. Нейронные сети: полный курс / пер. с англ. М.: Вильямс, 2008. 1103 с.
10. Fausett Laurene V. Fundamentals of Neural Networks: Architectures, Algorithms and Applications. Pearson Education, 2006. 467 p.