Tau-NET：波谱信号观察偏离（τ）可观测性评价 神经网络 打开
Tau-NET 是用于色谱、质谱、光谱等波谱数据的信号可观测性评价算法，负责对候选信号窗是否仍值得观察给出量化评价，服务于化学、药学、食品、环境、代谢组学等领域科研与检测工作中的谱图检查与数据分析前处理。
分析人员在检查波谱数据时，需要判断候选信号是真实的化学特征，还是基线起伏、噪声等干扰。传统依赖信噪比约定或个人经验，在噪声变化、主峰旁小峰、基线不稳等场景下标准难以统一。Tau-NET 通过观察偏离（τ）指标，度量候选信号相对局部观测背景的偏离程度：偏离小，信号窗干净，弱特征仍可被观察；偏离大，噪声起伏明显，弱特征不可信。用户只需在网页粘贴一段信号幅值数据（6 至 300 个数值），算法即可自动完成评价，输出该信号窗的可观测性量化结果，帮助分析人员快速、客观地锁定值得观察的弱信号，为后续成分识别与定量分析提供统一依据。
该算法不生成文本、图像、音视频等内容，定位为科研辅助分析工具，面向科研机构、制药与食品检测企业、环境与代谢组学实验室的分析人员。算法以浏览器网页形式部署，用户无需安装软件即可在本地完成分析——数据不上传、不落盘，兼顾便捷与数据安全。结果仅供科研参考，不用于临床或工业决策。
OGC-NET： 基于观察的自动找峰 神经网络 打开
OGC-NET 是用于质谱、色谱（如 GC-MS、LC-MS 等）仪器检测数据的色谱峰智能检测算法，负责谱图中的峰检测与峰发现，服务于化学、药学、食品、环境、代谢组学等领域科研与检测工作中的成分识别与定量分析前处理。
分析人员需要从色谱谱图中找出每一个成分对应的信号峰，再据此识别成分、计算含量。传统以信号幅度为阈值的检测方式，在基线漂移、进样量变化、主峰占优等场景下容易把小峰漏检或误检。OGC-NET 通过观测引导式检测，能够自动分辨谱图中真正可被观察的成分峰与基线起伏、噪声等干扰，做到大峰旁的小峰也能被准确找出，用户只需上传原始谱图数据，算法即可自动完成峰的识别与定位，输出每个峰的区间、峰宽、峰高及置信度等结构化结果，帮助分析人员快速、客观地锁定谱图中的各个成分信号，为后续成分识别与定量分析提供可靠依据。
该算法不生成文本、图像、音视频等内容，定位为科研辅助分析工具，面向科研机构、制药与食品检测企业、环境与代谢组学实验室的分析人员。算法以浏览器网页形式部署，用户无需安装软件即可在本地完成分析——数据仅在本机处理，不上传服务器，兼顾便捷与数据安全。