.png){kind=icon}
返回
3PIGENet:A multi-pollutant identification algorithm using multi-source spectroscopy for label-missing scenarios
.png){kind=icon}
OA
AI
DOI：10.1016/j.wroa.2025.100359.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现实世界的水样常面临多源污染混合及标签缺失等问题，对污染物的精确识别构成重大挑战。在此背景下，污染物识别的关键在于通过半监督学习策略有效表征污染物的光谱信息并分离不同类别的特征。因此，本研究提出了一种基于多源光谱的半监督原型对比损失图卷积网络（GCN）模型，用于水污染物识别。该方法首先构建标准污染样品的光谱库，并利用不同污染源的特征峰关系函数提取样品的拓扑特征。通过整合GCN，模型能够计算不同污染条件下的原型向量，并通过结合原型对比学习与交叉熵损失进行半监督学习，以解决标签缺失场景下的样本污染表征问题。最后，通过计算学习得到的污染原型向量与污染样本表征向量之间的余弦相似度进行污染物预测。与传统的光谱特征提取方法相比，拓扑特征能更好地揭示不同光谱中特征峰之间的关系；图原型对比学习有助于更稳健地捕捉类间判别信息及特征一致性。实验结果表明，在水污染物识别任务中，特别是在半监督学习任务中，所提出的3PIGENet模型在半监督学习下达到0.915的准确率和0.683的宏F1分数，显著优于现有SOTA模型。
Keyword:
Graph convolutional network (GCN)
Semi-supervised learning
Prototype Contrast Learning
UV–Vis
EEM
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
12.4
论文数:
3.1W
被引数:
15.7W
机构
引用论文
Cross-Social-Network User Identification Based on Bidirectional GCN and MNF-UI Models基于双向GCN和MNF-UI模型的跨社交网络用户识别.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏Prediction of water quality based on SVR by fluorescence excitation-emission matrix and UV-Vis absorption spectrum基于荧光激发-发射矩阵和紫外-可见吸收光谱的SVR水质预测
PREAI
分享收藏A review of graph neural networks: concepts, architectures, techniques, challenges, datasets, applications, and future directions图神经网络综述: 概念、架构、技术、挑战、数据集、应用和未来方向JOURNAL OF BIG DATAOAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏Antibiotic pollution of the Yellow River in China and its relationship with dissolved organic matter: Distribution and Source identification中国黄河抗生素污染及其与溶解性有机物的关系: 分布和来源识别WATER RESEARCH
WATER RESEARCHIF12.4
PREAI
分享收藏
查看更多内容