This report is a preliminary study about the evaluation of the Artificial Neural Network (ANN) performances in a spectral classification scenario. Several different ANN architectures has been tested in order to solve signal identification tasks, starting from a simple input set and refining the task step to step. Since the aim is to define in the future a robust method to classify Raman spectra in non-laboratory conditions, the input set has been built as a Raman-like spectra set, with noisy signals containing narrow Gaussian peaks. The behavior of the neural networks has been evaluated varying the main input properties and analyzing the standard ANN key performance indicators. All the tests in this paper have been developed and generated with MATLAB®. After a description of the artificial neural networks and their features, the report analyzes the task identification, the noise definition and some concepts in the statistic theory field. Then, a series of tests with their performance plots are illustrated, both with artificial spectra and real laboratory spectra generated with a mercury-vapor lamp. In the end, the report produces a list of conclusions with some further analysis and task refinements to do.

Questo documento presenta uno studio preliminare riguardo la valutazione delle performance di una rete neurale artificiale (ANN) in uno scenario di classificazione spettrale. Differenti architetture di reti neurali sono state testate al fine di risolvere problemi di identificazione spettrale, iniziando da un semplice insieme di input, per poi raffinare il problema un passo alla volta. Dato che l’obiettivo in futuro è quello di definire un sistema robusto ed efficiente per la classificazione di spettri Raman in condizioni non di laboratorio, l’insieme di spettri di input è stato costruito sul modello di spettri Raman, con segnali rumorosi contenenti picchi gaussiani stretti. Il comportamento delle reti neurali è stato valutato variando le principali proprietà di input e analizzando gli indicatori chiave di performance delle reti neurali. Tutti i test contenuti in questo documento sono stati sviluppati e generati con il software MATLAB®. Dopo una descrizione generale delle reti neurali e delle loro proprietà, il documento analizza l’identificazione del problema, la definizione di rumore e alcuni concetti nel campo dell’inferenza statistica. Quindi, vengono illustrati una serie di test con i relativi grafici di performance, in cui sono stati usati sia spettri artificiali che spettri reali generati in laboratorio con una lampada a vapori di mercurio. Alla fine del documento sono state prodotte una serie di conclusioni, con ulteriori analisi e raffinamenti del problema da eseguire in futuro.

Evaluation of artificial neural networks performances on spectral classification tasks

Angelini, F.;Di Frischia, S.
2019-05-01

Abstract

This report is a preliminary study about the evaluation of the Artificial Neural Network (ANN) performances in a spectral classification scenario. Several different ANN architectures has been tested in order to solve signal identification tasks, starting from a simple input set and refining the task step to step. Since the aim is to define in the future a robust method to classify Raman spectra in non-laboratory conditions, the input set has been built as a Raman-like spectra set, with noisy signals containing narrow Gaussian peaks. The behavior of the neural networks has been evaluated varying the main input properties and analyzing the standard ANN key performance indicators. All the tests in this paper have been developed and generated with MATLAB®. After a description of the artificial neural networks and their features, the report analyzes the task identification, the noise definition and some concepts in the statistic theory field. Then, a series of tests with their performance plots are illustrated, both with artificial spectra and real laboratory spectra generated with a mercury-vapor lamp. In the end, the report produces a list of conclusions with some further analysis and task refinements to do.
mag-2019
Questo documento presenta uno studio preliminare riguardo la valutazione delle performance di una rete neurale artificiale (ANN) in uno scenario di classificazione spettrale. Differenti architetture di reti neurali sono state testate al fine di risolvere problemi di identificazione spettrale, iniziando da un semplice insieme di input, per poi raffinare il problema un passo alla volta. Dato che l’obiettivo in futuro è quello di definire un sistema robusto ed efficiente per la classificazione di spettri Raman in condizioni non di laboratorio, l’insieme di spettri di input è stato costruito sul modello di spettri Raman, con segnali rumorosi contenenti picchi gaussiani stretti. Il comportamento delle reti neurali è stato valutato variando le principali proprietà di input e analizzando gli indicatori chiave di performance delle reti neurali. Tutti i test contenuti in questo documento sono stati sviluppati e generati con il software MATLAB®. Dopo una descrizione generale delle reti neurali e delle loro proprietà, il documento analizza l’identificazione del problema, la definizione di rumore e alcuni concetti nel campo dell’inferenza statistica. Quindi, vengono illustrati una serie di test con i relativi grafici di performance, in cui sono stati usati sia spettri artificiali che spettri reali generati in laboratorio con una lampada a vapori di mercurio. Alla fine del documento sono state prodotte una serie di conclusioni, con ulteriori analisi e raffinamenti del problema da eseguire in futuro.
Raman;Artificial intelligence;Spectroscopy;Signal processing;Algorithms;Spectral classification;Pattern recognition;Neural networks
File in questo prodotto:
File Dimensione Formato  
RT-2019-06-ENEA.pdf

accesso aperto

Licenza: Creative commons
Dimensione 8.63 MB
Formato Adobe PDF
8.63 MB Adobe PDF Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12079/6836
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
social impact