Алгоритмический конвейер обработки спектров жидких сред для автоматизированной спектральной аналитики

Рассматривается задача классификации жидких сред по спектральным данным с использованием методов кластеризации и снижения размерности. Предложен алгоритмический конвейер, включающий предварительную обработку спектров методом дискретной разности первого порядка, нелинейное понижение размерности с помощью t-SNE или UMAP с метрикой Канберры и последующую кластеризацию методом K-Means. Проведён сравнительный анализ комбинаций различных методов кластеризации и редукции размерности на открытых наборах ИК- и Раман-спектров. Показано, что предложенный подход позволяет достичь высокой точности (до 99,7%) при классификации спектров, значительно превосходя традиционные хемометрические и машинно-обучаемые методы. Отмечена особая эффективность применения разности первого порядка и метрики Канберры для повышения чувствительности к локальным спектральным различиям. Метод отличается универсальностью, устойчивостью к шуму и простотой реализации, что делает его перспективным для автоматизированной спектральной аналитики в различных прикладных задачах.