Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Benchmarking in Laser-Induced Breakdown Spectroscopy

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26620%2F20%3APU137844" target="_blank" >RIV/00216305:26620/20:PU137844 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://icpinformation.org/Winter_Conference.html" target="_blank" >http://icpinformation.org/Winter_Conference.html</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Benchmarking in Laser-Induced Breakdown Spectroscopy

  • Popis výsledku v původním jazyce

    The recent technological boom in LIBS resulted in the production of very large spectroscopic data.1 Various processing techniques and methods have been developed over time with ranging applicability and performance. Well-established algorithms based on classical statistics are not anymore usable for more advanced processing of large high-dimensional data. On the other side, modern Machine Learning techniques (Neural Networks, Support Vector Machines, etc.) are very often overused or applied in an incorrect way. Establishing a robust benchmark for a specific task (classification or quantification,...) is necessary to distinguish between approaches and select a “correct” solution/s to each problem. We are presenting a challenging benchmark for material classification through LIBS spectra. It consists of 138 physical samples, separated into 12 categories according to their elemental composition. For each sample 500 spectra of dimension 40,002 wavelength values are available (in training part of the datas

  • Název v anglickém jazyce

    Benchmarking in Laser-Induced Breakdown Spectroscopy

  • Popis výsledku anglicky

    The recent technological boom in LIBS resulted in the production of very large spectroscopic data.1 Various processing techniques and methods have been developed over time with ranging applicability and performance. Well-established algorithms based on classical statistics are not anymore usable for more advanced processing of large high-dimensional data. On the other side, modern Machine Learning techniques (Neural Networks, Support Vector Machines, etc.) are very often overused or applied in an incorrect way. Establishing a robust benchmark for a specific task (classification or quantification,...) is necessary to distinguish between approaches and select a “correct” solution/s to each problem. We are presenting a challenging benchmark for material classification through LIBS spectra. It consists of 138 physical samples, separated into 12 categories according to their elemental composition. For each sample 500 spectra of dimension 40,002 wavelength values are available (in training part of the datas

Klasifikace

  • Druh

    O - Ostatní výsledky

  • CEP obor

  • OECD FORD obor

    10406 - Analytical chemistry

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/LQ1601" target="_blank" >LQ1601: CEITEC 2020</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2020

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů