English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

In diesem Beitrag wird eine Methode vorgestellt, mit der Daten zum Training von künstlichen neuronalen Netzen für die spektrale Entmischung erzeugt werden. Dies hat den Vorteil, dass nur Spektren der beteiligten Reinstoffe und, je nach verwendetem Modell, wenige Mischspektren zur Bestimmung der Parameter an realen Daten zur Verfügung stehen müssen. Daraus können mit Hilfe von Mischmodellen, die auch direkt zur Entmischung herangezogen werden können, große Mengen an Spektren zum Trainieren erzeugt werden. Im Gegensatz zum direkten Einsatz der Mischmodelle, wo von einem Spektrum pro Reinstoff ausgegangen wird, wird hier die Spektrenvariabilität berücksichtigt, indem unterschiedliche Spektren desselben Reinstoffs genutzt werden. Dabei wird die Eigenschaft künstlicher neuronaler Netze ausgenutzt, aussagekräftige Merkmale auf Basis großer Datenmengen lernen zu können.

Erzeugung künstlicher Datensätze zum Training konvolutionaler neuronaler Netze für die spektrale Entmischung