一種基于最小二乘支持向量機結合激光誘導擊穿光譜識別爐渣種類的方法技術

本發明專利技術提出了一種基于最小二乘支持向量機結合激光誘導擊穿光譜（LIBS）分析技術對爐渣種類識別的方法。采用網格全局尋優和五折交叉驗證來優化最小二乘支持向量機參數（徑向基核函數-γ和σ2），并構建最小二乘支持向量機分類模型，然后將該分類模型與LIBS技術結合實現爐渣種類的識別。研究表明，最小二乘支持向量機建模方法具有很好的預測效果，為LIBS技術進行模式識別提供了一種新的建模方法，可用于冶金廢棄物的識別、回收和再利用。

【技術實現步驟摘要】

本專利技術涉及一種基于最小二乘支持向量機結合激光誘導擊穿光譜識別爐渣種類 的方法，屬于光譜分析

技術介紹
在煉鋼工業，大量的副產物以爐渣和沉積物的形式存在。每年世界爐渣工業的爐 渣達到幾乎5000萬噸。爐渣作為爐渣行業的重要副產品在保障煉鋼操作順利進行、鋼材 質量和金屬回收等方面起著決定性作用。不同類型的煉鋼爐會產生不同的爐渣。每種爐 渣具有其特有的化學、礦物和物理性能，然而其主要成分包括氧化鈣、二氧化硅、氧化鋁、氧 化鎂、氧化鐵等。爐渣的分類有助于冶金廢料的回收和再利用。爐渣的重新利用主要集中 在混凝土、建筑材料、工程路基、肥料、污水處理的低成本吸附劑和土壤改良劑等。因此，對 爐渣種類的分析有助于冶金領域廢棄物的回收和再利用。目前，爐渣分析的常規方法有 化學分析、原子熒光光譜法（XRF)、原子發射光譜法（AES)、電感耦合等離子體-發射光譜 (ICP-OES)和質譜（MS)等，這些技術都需要復雜的樣品前處理，并且耗時，無法快速獲取 鋼材產品質量信息，限制了其實時快速分析的應用。激光誘導擊穿光譜（laser-induced breakdown spectroscopy, LIBS)技術具有制樣簡單的優勢，可以對爐澄進行快速分析，因 此在冶金分析領域具有廣泛的應用前景。 LIBS是一種新興的原子發射光譜技術，具有分析快捷、多元素同時分析以及無需 樣品預處理等優勢，因此，LIBS技術被認為是最有前途的分析手段之一。近年來，LIBS技術 廣泛應用于環境污染、過程分析、科技考古、太空探測等領域，尤其在冶金領域具有很大的 應用潛力。目前，LIBS技術在冶金工業的應用主要包括鐵礦石篩選、過程控制和爐渣分析 等。 爐渣的分類和識別已經成為世界各國環保部門的主要工作。利用LIBS技術實現 爐渣分類主要取決于其化學成分以及含量之間的差異，換句話說，它利用其LIBS光譜峰位 置和積分強度的差異來進行分類。采用化學計量學方法可以充分利用LIBS光譜有效信息， 可以一定程度上提高爐渣的分類性能。支持向量機是一種基于統計學習理論發展起來的新 興分類和回歸算法。該方法可以有效克服神經網絡方法收斂難、不穩定以及推廣性(即泛化 能力或預測能力）差的缺點，在解決小樣本數、非線性和高維數據空間的模式識別問題上具 有獨特的優勢。最小二乘支持向量機（least squares-support vector machine, LS-SVM) 采用最小二乘線性系統作為損失函數，通過解一組線性方程組代替傳統支持向量機采用的 較復雜的二次規劃方法，可以一定程度上減少計算復雜程度，加快了求解速度。
技術實現思路
本專利技術的目的是提供一種最小二乘支持向量機算法結合激光誘導擊穿光譜對爐 渣種類進行識別的方法，可以克服基體效應，自吸收效應以及過擬合現象，具有快速、高精 度分析的優點。 本專利技術實現過程如下： 最小二乘支持向量機算法結合激光誘導擊穿光譜對爐渣種類進行識別的方法，包括以 下步驟： (1) 利用激光誘導擊穿光譜儀器對分別在30個爐渣樣品的不同測量位點進行光譜數 據采集； (2) 從30個爐渣樣品中隨機挑選20個樣品的光譜數據作為訓練模型的訓練集，其余 10個樣品對應的光譜數據作為測試集； (3) 使用訓練集數據通過網格搜索和五折交叉驗證方法對LS-SVM訓練模型兩個參數 徑向基核函數-y和〇 2進行尋優； (4) 確定模型最優參數后利用訓練集數據建立爐渣分類的LS-SVM分類模型； (5) 利用建立的LS-SVM模型預測未知爐渣所屬的類別。 上述步驟（2)中，訓練集和測試集的LIBS光譜數據是經過最大值歸一化后的光 譜數據。 上述步驟（3)中，使用訓練集數據對兩個參數徑向基核函數-Y和〇2進行尋優， y取值范圍為1-100, 〇 2取值范圍為1-100,兩個參數的取值間隔均為1 ;采用網格搜索和 五折交叉驗證來進行尋優，正確分類率作為評價參數。 上述步驟（5)中，通過建立的最優LS-SVM訓練模型來預測測試集爐渣樣品所屬類 另IJ，采用正確分類率和錯誤分類率兩種指標進行評價。 本專利技術的優點與積極效果：本專利技術將最小二乘支持向量機算法結合激光誘導擊穿 對爐渣種類識別的方法，最小二乘支持向量機算法對異常值和噪聲具有很好的容忍度，能 夠克服基體效應等因素的干擾，有效提高預測準確度，具有較強的泛化能力。【附圖說明】 圖1是最小二乘支持向量機建模流程圖。【具體實施方式】 以下以對三種爐渣樣品分類為例，結合附圖和實例來進一步說明本專利技術的操作流 程，但本專利技術不限于此例。 實施例1 本實例使用的LIBS系統包括雙波長調Q單脈沖Nd:YAG激光器，光路系統，可調三維 樣品臺，中階梯光譜儀（ARYELLE-UV-VIS，LTB400，German)和計算機。激光能量為80mJ， 基頻光波長1064 nm，脈寬為10ns，延遲時間為1.5ys，重復頻率為5Hz，光譜范圍為 220nm_800 nm。 選擇三種爐渣（高爐渣、轉爐渣和平爐渣），共30個爐渣樣品，為了便于測試，每種 爐渣樣品用球磨機研磨至200目，然后每種樣品被壓成大約2mm厚的薄片，壓力為400MPa 并持續5min。 利用激光誘導擊穿光譜系統采集不同爐渣樣品的LIBS信號。在每個爐渣樣品隨 機挑選50個測量點，在每個測量點經20次連續激光脈沖打擊后得到一個測量光譜，每10 個測量光譜經平均得到一個分析光譜，最終30個爐渣樣品共獲得150個分析光譜(每個樣 品5個光譜)。 考慮到爐渣樣品具有整體成分不均一，局部成分均勻的特點，如果將所有爐渣樣 品的光譜主觀性地分為訓練集和測試集則容易出現過擬合導致分類準確率虛高。因此，我 們對30個爐渣樣品隨機地分為訓練集和測試集，訓練集和測試集的LIBS光譜數據是經過 最大值歸一化后的光譜數據。 使用訓練集數據對徑向基核函數-y和〇2進行尋優，通常y取值范圍為1-100， 〇 2取值范圍為1-100,其中兩者的取值間隔均為1。采用網格全局尋優和五折交叉驗證來 進行尋優，正確分類率作為評價參數。 確定最優參數Y= 8, 〇2 =23后，用訓練集數據建立LS-SVM訓練模型并對測 試集爐渣樣品所屬種類進行判別。為了對比，將同樣的數據采用偏最小二乘法判別分析 (PLS-DA)進行預測，對比兩種算法的正確分類率和錯誤分類率，見表1。【主權項】1. 最小二乘支持向量機算法結合激光誘導擊穿光譜對爐渣種類進行識別的方法，包括 以下步驟： (1) 利用激光誘導擊穿光譜儀器對分別在30個爐渣樣品的不同測量位點進行光譜數 據采集； (2) 從30個爐渣樣品中隨機挑選20個樣品的光譜數據作為訓練模型的訓練集，其余 10個樣品對應的光譜數據作為測試集； (3) 使用訓練集數據通過網格搜索和五折交叉驗證方法對LS-SVM訓練模型兩個參數 徑向基核函數-Y和〇 2進行尋優； (4) 確定模型最優參數后利用訓練集數據建立爐渣分類的LS-SVM分類模型； (5) 利用建立的LS-SVM模型預測未知爐渣所屬的類別。2. 根據權利要求1所述的最小二乘支持向量機算法結合激光誘導擊穿光譜對爐渣種 類進行識別的方法，其特征在于：步驟（2)中，訓練集和測試集的LIBS光譜數本文檔來自技高網...

【技術保護點】
最小二乘支持向量機算法結合激光誘導擊穿光譜對爐渣種類進行識別的方法，包括以下步驟：（1）利用激光誘導擊穿光譜儀器對分別在30個爐渣樣品的不同測量位點進行光譜數據采集；（2）從30個爐渣樣品中隨機挑選20個樣品的光譜數據作為訓練模型的訓練集，其余10個樣品對應的光譜數據作為測試集；（3）使用訓練集數據通過網格搜索和五折交叉驗證方法對LS?SVM訓練模型兩個參數徑向基核函數?γ和σ2進行尋優；（4）確定模型最優參數后利用訓練集數據建立爐渣分類的LS?SVM分類模型；（5）利用建立的LS?SVM模型預測未知爐渣所屬的類別。

【技術特征摘要】

【專利技術屬性】
技術研發人員：李華，張天龍，湯宏勝，
申請(專利權)人：西北大學，
類型：發明
國別省市：陜西;61