Повышение устойчивости нейросетевого решения обратной задачи спектроскопии комбинационного рассеяния света к искажениям, обусловленным смещением частоты каналов спектра

Abstract

В данной работе рассматривалась задача определения концентраций растворенных в воде ионов посредством спектроскопии комбинационного рассеяния света. В настоящее время не существует адекватных математических моделей, описывающих исследуемый объект, поэтому практически единственным способом решения рассматриваемой задачи является применение методов машинного обучения с использованием экспериментальных данных. Вследствие того, что любые данные, полученные экспериментальным путем, содержат шум, возникает необходимость в разработке специальных подходов к повышению устойчивости решения к шумам в данных. Применительно к рассматриваемой задаче, данные могут содержать искажения следующих типов: неточности в заданных концентрациях ионов, возникающие при приготовлении растворов, погрешности измерения интенсивности каналов спектра и смещение частоты каналов спектра, вызванное изменением юстировки экспериментальной установки. Настоящая работа посвящена разработке подходов к повышению устойчивости нейросетевого решения к искажениям, обусловленным смещением частоты каналов спектра. In this study, we considered the problem of determining the concentrations of ions dissolved in water by the spectra of Raman scattering of light. At the moment, there are no adequate mathematical models describing the studied object, so in fact the only way to solve this problem is the use of machine learning methods based on experimental data. As any data resulting from experimental measurements contain noise, there is a need to develop specific approaches to improving the resilience of the solution to noise in the data. Regarding the studied problem, experimental data may contain distortions of three types: variations in the concentrations of ions, error in the determination of the intensity in the channels of the spectra, and frequency shift of the channels of the spectrum. This study is devoted to the development of approaches to improve the resilience of the neural network solution to the distortions caused by the shift of the spectral channels.