Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
电子能量损失谱数据库合成与深度学习神经网络核损失边缘识别自动化
Scientific Reports ( IF 3.8 ) Pub Date : 2022-12-23 , DOI: 10.1038/s41598-022-25870-3
Lingli Kong 1 , Zhengran Ji 1 , Huolin L Xin 1
Affiliation
|
电子能量损失光谱 (EELS) 光谱中编码的电离边缘可实现高级材料分析,包括成分分析和元素定量。并行 EELS 仪器和快速、灵敏探测器的发展大大提高了 EELS 光谱的采集速度。然而,传统的岩芯损耗边缘识别方式是基于经验的,并且依赖于人力,这限制了处理速度。到目前为止,原始 EELS 光谱上核丢失边缘的低信噪比和低跳跃比一直是边缘识别自动化的挑战。在这项工作中,提出了一种卷积双向长短期记忆神经网络 (CNN-BiLSTM) 来自动检测和识别原始光谱中的核心损失边缘。通过使用我们的前向模型合成 EELS 谱数据库,以协助神经网络的训练和验证。为了使合成的光谱与真实光谱相似,我们收集了一个大型实验获得的 EELS 核心边缘库。在综合训练库中,通过将多高斯模型拟合到实验中的真实边缘来对边缘进行建模,并模拟和添加噪声和仪器不完美性。训练有素的 CNN-BiLSTM 网络针对从实验中收集的模拟光谱和真实光谱进行了测试。该网络的准确率高达 94.9%,证明所提出的 CNN-BiLSTM 网络无需对原始光谱进行复杂的预处理,就实现了高精度的 EELS 光谱核损边缘识别自动化。

"点击查看英文标题和摘要"