Інформаційна система на основі комплексної моделі з використанням машинного навчаннядля спектрального аналізу
DOI:
https://doi.org/10.17721/1812-5409.2025/1.14Ключові слова:
інформаційна система, штучний інтелект, спектральний аналіз, моделювання, машинне навчання, інтелектуальний аналіз данихАнотація
Присвячено проєктуванню та розробленню інформаційної системи на основі комплексної моделі з використанням методів машинного навчання для автоматизації спектрального аналізу з метою підвищення точності та швидкості оброблення даних. Історія дослідження пов'язана з розвитком аналітичних методів у фізиці, хімії та біології, де спектральний аналіз традиційно відігравав ключову роль. Проте сучасні виклики, зокрема зростання обсягів даних і потреба в автоматизації, стимулювали впровадження інноваційних методів на основі штучного інтелекту.
Актуальність пропонованої роботи зумовлена необхідністю оброблення великих обсягів складних спектральних даних у реальному часі, що важливо для медицини, екології, хімії та інших галузей. Традиційні методи аналізу мають обмеження, тому використання машинного навчання є доцільним для підвищення ефективності процесу. Дослідження сфокусовано на таких питаннях: як автоматизувати оброблення спектральних даних, у який спосіб забезпечити інтеграцію класичних методів з машинним навчанням і як підвищити точність і масштабованість аналізу. Для цього були застосовані методи оброблення сигналів, включно із фільтрацією шуму, згладжуванням, корекцією базової лінії та аналізом піків із використанням похідних і чисельного інтегрування. Машинне навчання реалізоване через моделі Random Forest і нейронні мережі, адаптовані для прогнозування параметрів спектра.
Результати показали, що розроблена система забезпечує високу точність і швидкість аналізу спектральних даних, інтерактивну візуалізацію параметрів спектра, а також можливість інтеграції з іншими інформаційними платформами. Це значно спрощує процеси аналізу, знижує залежність від експертного втручання та підвищує продуктивність.
Перспективи досліджень передбачають оптимізацію математичних моделей для ще більшої точності, інтеграцію з IoT-системами та розширення функціоналу для аналізу складних багатовимірних спектрів. Це відкриває можливості для застосування розробок у міждисциплінарних проєктах, таких як моніторинг екологічних змін або діагностика медичних станів.
Посилання
Alsmeyer, F., & Marquardt, W. (2004). Automatic Generation of Peak-Shaped Models. Applied Spectroscopy, 58, 986–994. https://opg.optica.org/as/abstract.cfm?uri=as-58-8-986
Bilak, Yu., Kozubovskii, V., & Rol, M. (2023). Using the Fabry – Pérot interferometer as a spectral mask. Journal of Physical Studies, 27(1), 1402–1409. https://doi.org/10.30970/jps.27.1402
Butler, K. T., Davies, D. W., Cartwright, H., Isayev, O., & Walsh, A. (2018). Machine learning for molecular and materials science. Nature, 559, 547–555. https://doi.org/10.1038/s41586-018-0337-2
Butucea, C., Delmas, J.-F., Dutfoy, A., & Hardy, C. (2021). Modeling Infrared Spectra: An Algorithm for an Automatic and Simultaneous Analysis. In B. Castanier, M. Cepin, D. Bigaud, & C. Berenguer (Eds.), 31st European Safety and Reliability Conference (ESREL), Angers, France (pp. 3359–3366). https://doi.org/10.3850/978-981-18-2016-8_732-cd
Griffiths, P. (1983). Fourier Transform Infrared Spectrometry. Science, 222(4621), 297–302. https://doi.org/10.1126/science.6623077
Huang, L. (2014). Modeling and Simulation in Spectroscopic Study. Spectral Analysis Review, 2(3), 7–9. https://doi.org/10.4236/sar.2014.23023
Kozubovsky, V. R., & Bilak, Y. Y. (2022). Express Analysis of Gas Mixtures Using a Spectral Correlator Based on the Fabry – Perot Interferometer. Journal of Applied Spectroscopy, 89, 495–499. https://doi.org/10.1007/s10812-022-01385-7
Kriesten, E., Alsmeyer, F., Bardow, A., & Marquardt, W. (2008). Fully automated indirect hard modeling of mixture spectra. Chemometrics and Intelligent Laboratory Systems, 91(2), 181–193. https://doi.org/10.1016/j.chemolab.2007.11.004
Lavanya, A., Sindhuja, S., Gaurav, L., & Ali, W. (2023). Assessing the Performance of Python Data Visualization Libraries. International Journal of Computer Engineering in Research Trends, 10, 28–39. https://doi.org/10.22362/ijcert/2023/v10/i01/v10i0104
Mishra, P., Passos, D., Marini, F., Xu, J., Amigo, J. M., Gowen, A. A., Jansen, J. J., Biancolillo, A., Roger, J. M., Rutledge, D. N., & Nordon, A. (2022). Deep learning for near-infrared spectral data modelling: Hypes and benefits. TrAC Trends in Analytical Chemistry, 157(2), 116804. https://doi.org/10.1016/j.trac.2022.116804
Murray, S. (2013). Interactive Data Visualization for the Web. O'Reilly Media, Inc. https://www.oreilly.com/library/view/interactive-data-visualization/9781449340223/
Rodionova, O. Y., & Brereton, R. G. (2005). Chemometrics: Data Analysis for the Laboratory and Chemical Plant. Journal of Analytical Chemistry, 60, 994–996. https://doi.org/10.1007/s10809-005-0223-6
Shuaibov, O. K., Hrytsak, R. V., Minya, O. I., Malinina, A. A., Bilak, Yu. Yu., & Gomoki, Z. T. (2022). Spectroscopic diagnostics of overstressed nanosecond discharge plasma between zinc electrodes in air and nitrogen. Journal of physical studies, 26(2), 2501–2509. https://doi.org/10.30970/jps.26.2501
Tagliaferri, R., Ciaramella, A., Barone, F., Longo, G., & Milano, L. (2001). Neural Networks for Spectral Analysis of Unevenly Sampled Data. In A. J. Banday, S. Zaroubi, & M. Bartelmann (Eds.), Mining the Sky (pp. 386–390). Springer Nature. https://doi.org/10.1007/10849171_47
McKinney, W. (2017). Python for Data Analysis (2nd ed.). O'Reilly Media. https://www.oreilly.com/library/view/python-for-data/9781491957653/
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Yuriy Bilak
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Автори, роботи яких публікуються у цьому журналі, погоджуються з такими умовами:
- Автори зберігають авторські права та надають журналу право на першу публікацію роботи, яка одночасно ліцензується згідно із Creative Commons Attribution License, тобто надається дозвіл іншим ділитися роботою з визнанням авторства роботи та першої публікації в цьому журналі.
- Автори можуть укладати окремі додаткові угоди щодо невиключного розповсюдження опублікованої журналом версії роботи (наприклад, розмістити її у репозитарії наукової установи чи опублікувати у книзі) з підтвердженням її початкової публікації у цьому журналі.
- Дозволяється та заохочується розміщення своїх робіт в мережі Інтернет авторами (наприклад, у репозитаріях наукових установ або на особистих веб-сторінках) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш ранніх цитувань опублікованої роботи та їх більшої кількості (див. The Effect of Open Access).
