基于盲点网络与柯尔莫哥洛夫-阿诺德网络的激光光谱增强与高精度定量分析

本文创新性地提出基于盲点网络(BSSDN)的自监督激光诱导击穿光谱(LIBS)降噪框架，结合柯尔莫哥洛夫-阿诺德网络(KANs)定量分析模型，突破传统方法对"洁净数据"的依赖。BSSDN通过中心盲点卷积(1D CBS-Conv)和动态掩码策略，将不锈钢标准样品光谱相对标准偏差(RSD)从73.8%降至23.9%；KANs模型通过自适应样条基函数实现9种元素平均决定系数(R2)0.978，预测均方根误差(RMSEP)降低45%+，为工业检测与痕量分析提供新范式。

　　

Highlight

本研究开发了LIBS自监督降噪模型，并建立基于KANs的自适应定量分析模型，显著提升降噪后LIBS数据的处理效率与精度。提出的盲点光谱降噪网络(BSSDN)通过中心盲点卷积机制和动态掩码策略，摆脱了对"洁净数据"的依赖。在六种不锈钢标准样品上的实验验证表明，BSSDN能有效抑制噪声，同时保留90%特征峰并维持优异强度保真度。

BSSDN

本研究提出的BSSDN为LIBS创建了从噪声数据到降噪数据的端到端映射。如第2.1节所述，使用六种不锈钢标准样品数据集进行系统训练验证。在降噪训练集完成训练后，通过降噪测试集评估性能，实验结果如图3所示。实际应用中，高RSD值的LIBS数据反映等离子体动态导致的显著信号波动，而BSSDN通过局部上下文推理有效稳定光谱信号。

Conclusion

本工作开发的LIBS自监督降噪模型和KANs自适应定量分析模型，通过创新性地结合盲点学习架构与动态掩码策略，克服了传统方法对洁净训练数据的依赖。实验证明该框架在噪声抑制、信号保真和预测精度方面均优于常规方法，为工业检测与痕量分析建立了稳健的高精度LIBS应用框架。