基于鲸鱼算法优化的双向长短期记忆网络(WOA-Bi-LSTM)在火星矿物LIBS光谱定量分析中的创新应用

本文推荐一种融合鲸鱼优化算法(WOA)与双向长短期记忆网络(Bi-LSTM)的激光诱导击穿光谱(LIBS)定量分析模型。该模型通过ChemCam和SuperCam火星矿物数据集验证，相比传统偏最小二乘(PLS)、随机森林(RF)等算法，预测均方根误差(RMSEP)平均降低15.1%，决定系数(R2)达0.936，为深空探测中的元素定量分析提供了高精度解决方案。

　　

亮点

与传统深度模型追求架构深度的设计理念不同，本研究提出了一种经WOA优化的浅层Bi-LSTM网络，在实现高性能的同时保持易用性。相较于现有主流机器学习模型（PCR、ELM、RF、PLS、TCN、CNN），该框架在多种元素分析中展现出更优的预测稳定性与能力。此外，除常规类火星矿物元素外，本研究还将定量分析方法拓展至实际火星探测场景。

多任务学习

当前深度学习范式通常针对单一任务进行训练，模型参数调整仅聚焦特定目标损失。虽然单任务模型能获得优异性能，但可能忽略辅助信息对模型的优化潜力。近年来，通过设置关联任务获取辅助信息的多任务学习策略，已成为提升模型泛化能力的重要途径。

结论

基于ChemCam和SuperCam的LIBS光谱数据，本研究对比了PLS、RF等机器学习方法与CNN、TCN等深度学习算法对主要元素的定量反演性能。通过RPD、R_p²和RMSEP等指标评估，发现深度学习算法（特别是WOA-Bi-LSTM）能更有效捕捉光谱与元素浓度间的非线性关系，为未来火星探测任务中的LIBS数据分析提供了可靠工具。