Die Analyse der Pigmentzusammensetzung ermöglichte die Detektion der chemischen Elemente in den gemalten Materialien und die genaueste Identifizierung der Pigmente. Die identifizierten Pigmente sind in Tabelle 1 aufgeführt, zusammen mit den entsprechenden Gemälden. Darüber hinaus wurde Zitronengelb an mehreren analysierten Stellen entdeckt, während sogar die Verwendung von Bleiglanzpigment nicht ausgeschlossen werden kann. Mindestens fünf chemisch unterschiedliche gelbe Pigmente wurden verwendet und sind auf den meisten analysierten Gemälden zu finden, unabhängig von der Schaffensperiode.
Die Wahl der Hyperparameter (Anzahl der Schichten und Neuronen in den Encoder/Decoder-Schichten und Aktivierungsfunktionen) ermöglicht es, das Design des Autoencoder-Neuronalen Netzwerks als effizientes Verfahren zur Dimensionenreduktion zu gestalten. Die Ausbildung erfolgte unter Verwendung nicht transformierter spektraler Daten so erfolgreich, dass die entscheidenden Informationen über das Spektrum in der Bottleneck-Schicht erhalten blieben. Die Dimensionenreduktion zeigt, dass die Struktur des Datensatzes eher kohärent ist mit geringen Klassifizierungsmöglichkeiten. Durch Anwendung einer Quadratwurzeltransformierung auf die rohen spektralen Daten wurde eine effiziente Trennung erreicht. Die Vorverarbeitung der Daten trug wesentlich dazu bei, Informationen zu erhalten und zu verstärken, die für die Unterscheidung zwischen verschiedenen Klassen entscheidend sind.
Nach Auswahl der Netzwerkstruktur, Aktivierungsfunktionen und Datenverarbeitung wurde die Optimierung der Anzahl der Neuronen in der Zwischenschicht des Autoencoder-Neuronalen Netzwerks verfolgt. Es war notwendig, die optimale Anzahl von Neuronen zu bestimmen, die eine gute Spektrumrekonstruktion ermöglichen, während sichergestellt wird, dass die Bottleneck-Schicht Koordinaten enthält (\(x_1\), \(x_2\)), die ausreichende Trennbarkeit im reduzierten 2D-Raum bieten. Es wurde festgestellt, dass die Interdependenz zwischen der Anzahl der Neuronen und der gemeinsamen Abgrenzung der Klassen vorhanden ist. Die optimale Anzahl von Neuronen wurde bei 70 identifiziert. Die Training und Simulationen wurden auf der CPU durchgeführt anstelle der GPU, da aufgrund der geringen Datenmenge kein Vorteil durch die Verwendung der GPU entstand. Dies zeigt, dass eine leistungsstarke Plattform nicht notwendig ist, um das vorgeschlagene Verfahren anzuwenden, was die einfache Implementierung und Nachhaltigkeit der Methodik verdeutlicht.