Comparison of the training of neural networks for quantitative x-ray fluorescence spectrometry by a genetic algorithm and backward error propagation

Bos, M.; Weber, H.

doi:10.1016/s0003-2670(00)83058-5

Cited by 70 publications

(19 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Moreover, neural networks have gained attention in XRF. Bos 61 compared the results of x-ray fluorescence spectrometry by backward error propagation (BEP) and a genetic algorithm, based on data from Fe-Ni-Cr samples taken from the literature. For a small training set with 13 data members, the BEP model compared favorably with the traditional matrix correction models.…”

Section: Neural Network and Their Application To Xrsmentioning

confidence: 99%

Chemometrics and its applications to x‐ray spectrometry

Luo

2006

X-Ray Spectrometry

View full text Add to dashboard Cite

Recent developments in curve fitting, multivariate calibration, and pattern recognition in chemometrics, and their application to x-ray spectrometry, are reviewed. Relatively innovated algorithms, namely genetic algorithms, neural networks and support vector machines, are discussed. Together with the three algorithms, the performances of different algorithms are compared briefly, which mainly includes principal component analysis, partial least-squares regression, factor analysis, cluster analysis, nearest neighbor methods, linear discriminant analysis, linear learning machine, and soft independent modeling of class analogy. In general, the chemometrics methods are superior to the conventional methods, such as Fourier transform and Marquardt-Levenberg algorithms, to a certain extent.

show abstract

Section: Neural Network and Their Application To Xrsmentioning

confidence: 99%

Chemometrics and its applications to x‐ray spectrometry

Luo

2006

X-Ray Spectrometry

View full text Add to dashboard Cite

show abstract

“…Uma de suas aplicações é o treinamento da rede para análise quantitativa de espectros de fluorescência de raios-X 14 . O algoritmo genético também tem sido utilizado no mapeamento de átomos, para determinar a distância mínima entre eles 15 .…”

Section: Aplicação Do Algoritmo Genético Em Químicaunclassified

Algoritmo genético em química

Filho

Poppi

1999

Quím. Nova

View full text Add to dashboard Cite

Recebido em 30/4/98; aceito em 2/9/98 GENETIC ALGORITHM IN CHEMISTRY. Genetic algorithm is an optimization technique based on Darwin evolution theory. In last years its application in chemistry is increasing significantly due the special characteristics for optimization of complex systems. The basic principles and some further modifications implemented to improve its performance are presented, as well as a historical development. A numerical example of a function optimization is also shown to demonstrate how the algorithm works in an optimization process. Finally several chemistry applications realized until now is commented to serve as parameter to future applications in this field.Keywords: chemometrics; optimization; genetic algorithm. DIVULGAÇÃO INTRODUÇÃOEm química muitas vezes surgem situações onde se deve considerar uma série de fatores que exercem influência sobre um determinado processo. Devemos então decidir qual desses fatores, ou em quais níveis (quantidades), que irão produzira a melhor resposta baseada em algum parâmetro pré-estabelecido. Neste caso, deseja-se realizar uma otimização numérica do sistema, ou seja, pretende-se encontrar as condições que irão fornecer a melhor resposta desejada baseada nos parâmetros quantificáveis.Por exemplo, em uma determinada síntese, deseja-se determinar quais valores de temperatura, pH e quantidade de catalisador que irão fazer com que numa determinada reação obtenha-se o maior rendimento possível. Outro exemplo seria encontrar quais as melhores condições operacionais de um equipamento para realizar-se uma análise. Como em cromatografia gasosa, onde seria determinada qual a melhor temperatura da coluna e a melhor vazão do gás de arraste que proporcione a separação dos picos.A utilização de métodos para otimização numérica em quí-mica já é explorada há bastante tempo, podendo ser considerada uma das primeiras aplicações da disciplina que hoje se conhece como quimiometria 1 . A quimiometria, na definição atualmente mais aceita, pode ser considerada como a disciplina que utiliza métodos matemáticos e estatísticos, assim como de lógica matemática, a problemas de origem química.Os métodos normalmente utilizados para a otimização de sistemas químicos podem ser divididos em dois grandes grupos. Tem-se os métodos baseados em gradientes e os que não são. Nos métodos baseados em gradiente 2 explora-se o fato de que a partir de processos derivativos pode-se encontrar os mínimos e máximos. Os métodos que não são baseados em derivadas encontram-se assim no outro grupo, e dentre os mais largamente conhecidos e empregados em química destaca-se o método simplex 3 . Este se baseia no deslocamento do simplex, que é uma figura geométrica, sobre a superfície de resposta para encontrar os máximos e mínimos.Mais recentemente tem surgido na literatura e causado grande impacto na comunidade científica o chamados métodos de inteligência artificial 4 . A inteligência artificial faz parte dos processos que simulam via "software" ou "hardware", o talento dos seres racionais para a represen...

show abstract

“…A PNN is predominantly a classifier that combines attributes of statistical pattern recognition and feed forward artificial neural networks [4]. In the past decade the ANN modeling technique has found applications for recognition and classification of spectra from a variety of spectroscopic methods [5][6][7][8][9]. Different network architectures, including a MLP, radial basis function (RBF), self-organizing map (SOM), and probabilistic neural network (pnn), have been proposed for classification purposes.…”

Section: Introductionmentioning

confidence: 99%

The Use of Probabilistic Neural Network and UV Reflectance Spectroscopy as an Objective Cultured Pearl Quality Grading Method

Agatonović-Kuštrin

Morton²

2015

Mod Chem Appl

View full text Add to dashboard Cite

Pearl quality and value are determined as a combination of different features, with mollusk species, nacre thickness, luster, surface, shape, color and pearl size, being the most important. A pearl grader has to quantify visual observations and to assign a grading level to a pearl. The aim of this work was to reduce subjectivity in the assessment of some aspects of pearl quality by using artificial neural networks to predict pearl quality parameters from UV reflectance spectra. Given the good predictability of our previous model that used multilayer perceptron ANN modeling of UVVisible spectra to predict the grade of pearls, we wanted to simplify and improve the model by reducing the spectral input to UV only and by using classifier neural network modelling. It is hypothesized that as UV light is of higher energy than visible light, it may penetrate further into the surface of the pearl, and hence the corresponding UV diffuse reflectance spectrum may provide more information that can be used to assess pearl quality.The developed models were successful in predicting mollusk pearl growing species, pearl and donor color, luster, and surface complexity. The simplified models have been built resulting in more accurate prediction of selected pearl quality parameters when compared with the previous reported model.

show abstract

Comparison of the training of neural networks for quantitative x-ray fluorescence spectrometry by a genetic algorithm and backward error propagation

Cited by 70 publications

References 6 publications

Chemometrics and its applications to x‐ray spectrometry

Chemometrics and its applications to x‐ray spectrometry

Algoritmo genético em química

The Use of Probabilistic Neural Network and UV Reflectance Spectroscopy as an Objective Cultured Pearl Quality Grading Method

Contact Info

Product

Resources

About