基于 NASA ChemCam 数据的深度学习模型精度验证
基于 58 个标准样品、231 条光谱的 5 折交叉验证结果。Spectral Transformer 模型在 7/8 种氧化物上优于 CNN 基线模型。
| 氧化物 | CNN RMSEP (wt%) | Transformer RMSEP (wt%) | 提升幅度 | CNN R² | Transformer R² |
|---|---|---|---|---|---|
| SiO₂ | 9.49 ± 3.22 | 8.38 ± 2.77 | +12% | 0.645 ± 0.245 | 0.737 ± 0.179 |
| TiO₂ | 0.92 ± 0.26 | 0.78 ± 0.19 | +15% | -0.652 ± 1.418 | -0.000 ± 0.302 |
| Al₂O₃ | 5.61 ± 2.47 | 4.92 ± 2.13 | +12% | 0.163 ± 0.420 | 0.314 ± 0.431 |
| FeOT | 6.50 ± 1.62 | 6.17 ± 1.60 | +5% | 0.085 ± 0.220 | 0.192 ± 0.138 |
| MgO | 6.19 ± 3.92 | 5.65 ± 3.60 | +9% | -0.211 ± 0.452 | -0.288 ± 1.171 |
| CaO | 8.00 ± 4.88 | 5.50 ± 3.82 | +31% | -0.107 ± 1.086 | 0.710 ± 0.219 |
| Na₂O | 1.39 ± 0.32 | 1.31 ± 0.30 | +6% | 0.250 ± 0.299 | 0.321 ± 0.284 |
| K₂O | 1.30 ± 0.57 | 1.31 ± 0.41 | -1% | -0.372 ± 1.013 | -1.105 ± 1.847 |
我们使用仅 58 个标样（占文献数据量的 14%）取得了具有竞争力的结果。扩展至 400+ 标样后预期达到国际领先水平。
在测试集上的真实预测值与实际值的对比，展示模型的实际性能。
理想状态：所有点落在对角线上。当前模型相关性 R² = 0.737
我们已经制定了详细的精度改进计划，预期在 10 周内将主量元素精度提升至工业级应用水平。
| 阶段 | 目标 SiO₂ RMSEP | 关键技术 | 时间预估 | 相对改进 |
|---|---|---|---|---|
| 当前基线 | 8.38 wt% | 58标样 Transformer | - | - |
| 阶段一：数据扩充 | ~5.5 wt% | 408 完整标样库 | 2周 | -34% |
| 阶段二：数据增强 | ~5.0 wt% | Mixup + 光谱增强 | 1-2周 | -40% |
| 阶段三：多激发融合 | ~4.5 wt% | Multi-shot Fusion | 2周 | -46% |
| 阶段四：自监督预训练 | ~4.0 wt% | 无标注数据预训练 | 2-3周 | -52% |
| 阶段五：模型集成 | ~3.5 wt% | 物理约束 + 集成 | 1周 | -58% |
| 客户微调 | ~3.0 wt% | 客户数据迁移学习 | 客户依赖 | -64% |