摘要

在这项研究中，使用卷积神经网络长期短期记忆的深度学习算法(CNN-LSTM)来分类各种珠宝岩石，如玛瑙、绿松石、方解石和天青，这些岩石来自不同历史时期和与沙尔-e Sokhteh相关的风格。这里，CNN-LSTM体系结构包括利用CNN层从混合了LSTM的输入数据中提取特征以支持序列预测。值得一提的是，可解释的深度学习辅助激光诱导击穿光谱帮助实现了出色的性能。本文首次对卷积LSTM在自适应获取LIBS特征和珠宝岩石主要化学元素定量数据中的有效性进行了逐层解释。此外，还将Lasso方法应用于数据，作为考察互操作性的一个因素。实验结果表明，LIBS算法可以很好地结合深度学习算法对不同的首饰歌曲进行分类。所提出的方法具有较高的准确度，证实了该方法在识别过程中的有效性和适用性。

本文对LIBS光谱数据的预处理进行了归一化处理。值得一提的是，岩石的基质成分复杂，不同种类的LiBS等离子体的发射光谱频率和强度不同。利用与不同元素相关的LIBS光谱强度的不同峰值作为分类特征。此外，选择与每个条目对应的石头类型作为标签。为了将学习数据改变为可解释的信息，并另一方面包含使用LSTM方法建模所需的动力学，应用了组合张量输入的每个元素的谱的技巧。作为这种组合的结果，数据的数量已经达到了43,315个组合光谱。因此，光谱被用于通过LIBS光谱确定岩石类型，这使得数据可用于建模。