一种基于最小二乘支持向量机结合激光诱导击穿光谱识别炉渣种类的方法技术

本发明专利技术提出了一种基于最小二乘支持向量机结合激光诱导击穿光谱（LIBS）分析技术对炉渣种类识别的方法。采用网格全局寻优和五折交叉验证来优化最小二乘支持向量机参数（径向基核函数-γ和σ2），并构建最小二乘支持向量机分类模型，然后将该分类模型与LIBS技术结合实现炉渣种类的识别。研究表明，最小二乘支持向量机建模方法具有很好的预测效果，为LIBS技术进行模式识别提供了一种新的建模方法，可用于冶金废弃物的识别、回收和再利用。

【技术实现步骤摘要】

本专利技术涉及一种基于最小二乘支持向量机结合激光诱导击穿光谱识别炉渣种类 的方法，属于光谱分析

技术介绍
在炼钢工业，大量的副产物以炉渣和沉积物的形式存在。每年世界炉渣工业的炉 渣达到几乎5000万吨。炉渣作为炉渣行业的重要副产品在保障炼钢操作顺利进行、钢材 质量和金属回收等方面起着决定性作用。不同类型的炼钢炉会产生不同的炉渣。每种炉 渣具有其特有的化学、矿物和物理性能，然而其主要成分包括氧化钙、二氧化硅、氧化铝、氧 化镁、氧化铁等。炉渣的分类有助于冶金废料的回收和再利用。炉渣的重新利用主要集中 在混凝土、建筑材料、工程路基、肥料、污水处理的低成本吸附剂和土壤改良剂等。因此，对 炉渣种类的分析有助于冶金领域废弃物的回收和再利用。目前，炉渣分析的常规方法有 化学分析、原子荧光光谱法（XRF)、原子发射光谱法（AES)、电感耦合等离子体-发射光谱 (ICP-OES)和质谱（MS)等，这些技术都需要复杂的样品前处理，并且耗时，无法快速获取 钢材产品质量信息，限制了其实时快速分析的应用。激光诱导击穿光谱（laser-induced breakdown spectroscopy, LIBS)技术具有制样简单的优势，可以对炉澄进行快速分析，因 此在冶金分析领域具有广泛的应用前景。 LIBS是一种新兴的原子发射光谱技术，具有分析快捷、多元素同时分析以及无需 样品预处理等优势，因此，LIBS技术被认为是最有前途的分析手段之一。近年来，LIBS技术 广泛应用于环境污染、过程分析、科技考古、太空探测等领域，尤其在冶金领域具有很大的 应用潜力。目前，LIBS技术在冶金工业的应用主要包括铁矿石筛选、过程控制和炉渣分析 等。 炉渣的分类和识别已经成为世界各国环保部门的主要工作。利用LIBS技术实现 炉渣分类主要取决于其化学成分以及含量之间的差异，换句话说，它利用其LIBS光谱峰位 置和积分强度的差异来进行分类。采用化学计量学方法可以充分利用LIBS光谱有效信息， 可以一定程度上提高炉渣的分类性能。支持向量机是一种基于统计学习理论发展起来的新 兴分类和回归算法。该方法可以有效克服神经网络方法收敛难、不稳定以及推广性(即泛化 能力或预测能力）差的缺点，在解决小样本数、非线性和高维数据空间的模式识别问题上具 有独特的优势。最小二乘支持向量机（least squares-support vector machine, LS-SVM) 采用最小二乘线性系统作为损失函数，通过解一组线性方程组代替传统支持向量机采用的 较复杂的二次规划方法，可以一定程度上减少计算复杂程度，加快了求解速度。
技术实现思路
本专利技术的目的是提供一种最小二乘支持向量机算法结合激光诱导击穿光谱对炉 渣种类进行识别的方法，可以克服基体效应，自吸收效应以及过拟合现象，具有快速、高精 度分析的优点。 本专利技术实现过程如下： 最小二乘支持向量机算法结合激光诱导击穿光谱对炉渣种类进行识别的方法，包括以 下步骤： (1) 利用激光诱导击穿光谱仪器对分别在30个炉渣样品的不同测量位点进行光谱数 据采集； (2) 从30个炉渣样品中随机挑选20个样品的光谱数据作为训练模型的训练集，其余 10个样品对应的光谱数据作为测试集； (3) 使用训练集数据通过网格搜索和五折交叉验证方法对LS-SVM训练模型两个参数 径向基核函数-y和〇 2进行寻优； (4) 确定模型最优参数后利用训练集数据建立炉渣分类的LS-SVM分类模型； (5) 利用建立的LS-SVM模型预测未知炉渣所属的类别。 上述步骤（2)中，训练集和测试集的LIBS光谱数据是经过最大值归一化后的光 谱数据。 上述步骤（3)中，使用训练集数据对两个参数径向基核函数-Y和〇2进行寻优， y取值范围为1-100, 〇 2取值范围为1-100,两个参数的取值间隔均为1 ;采用网格搜索和 五折交叉验证来进行寻优，正确分类率作为评价参数。 上述步骤（5)中，通过建立的最优LS-SVM训练模型来预测测试集炉渣样品所属类 另IJ，采用正确分类率和错误分类率两种指标进行评价。 本专利技术的优点与积极效果：本专利技术将最小二乘支持向量机算法结合激光诱导击穿 对炉渣种类识别的方法，最小二乘支持向量机算法对异常值和噪声具有很好的容忍度，能 够克服基体效应等因素的干扰，有效提高预测准确度，具有较强的泛化能力。【附图说明】 图1是最小二乘支持向量机建模流程图。【具体实施方式】 以下以对三种炉渣样品分类为例，结合附图和实例来进一步说明本专利技术的操作流 程，但本专利技术不限于此例。 实施例1 本实例使用的LIBS系统包括双波长调Q单脉冲Nd:YAG激光器，光路系统，可调三维 样品台，中阶梯光谱仪（ARYELLE-UV-VIS，LTB400，German)和计算机。激光能量为80mJ， 基频光波长1064 nm，脉宽为10ns，延迟时间为1.5ys，重复频率为5Hz，光谱范围为 220nm_800 nm。 选择三种炉渣（高炉渣、转炉渣和平炉渣），共30个炉渣样品，为了便于测试，每种 炉渣样品用球磨机研磨至200目，然后每种样品被压成大约2mm厚的薄片，压力为400MPa 并持续5min。 利用激光诱导击穿光谱系统采集不同炉渣样品的LIBS信号。在每个炉渣样品随 机挑选50个测量点，在每个测量点经20次连续激光脉冲打击后得到一个测量光谱，每10 个测量光谱经平均得到一个分析光谱，最终30个炉渣样品共获得150个分析光谱(每个样 品5个光谱)。 考虑到炉渣样品具有整体成分不均一，局部成分均匀的特点，如果将所有炉渣样 品的光谱主观性地分为训练集和测试集则容易出现过拟合导致分类准确率虚高。因此，我 们对30个炉渣样品随机地分为训练集和测试集，训练集和测试集的LIBS光谱数据是经过 最大值归一化后的光谱数据。 使用训练集数据对径向基核函数-y和〇2进行寻优，通常y取值范围为1-100， 〇 2取值范围为1-100,其中两者的取值间隔均为1。采用网格全局寻优和五折交叉验证来 进行寻优，正确分类率作为评价参数。 确定最优参数Y= 8, 〇2 =23后，用训练集数据建立LS-SVM训练模型并对测 试集炉渣样品所属种类进行判别。为了对比，将同样的数据采用偏最小二乘法判别分析 (PLS-DA)进行预测，对比两种算法的正确分类率和错误分类率，见表1。【主权项】1. 最小二乘支持向量机算法结合激光诱导击穿光谱对炉渣种类进行识别的方法，包括 以下步骤： (1) 利用激光诱导击穿光谱仪器对分别在30个炉渣样品的不同测量位点进行光谱数 据采集； (2) 从30个炉渣样品中随机挑选20个样品的光谱数据作为训练模型的训练集，其余 10个样品对应的光谱数据作为测试集； (3) 使用训练集数据通过网格搜索和五折交叉验证方法对LS-SVM训练模型两个参数 径向基核函数-Y和〇 2进行寻优； (4) 确定模型最优参数后利用训练集数据建立炉渣分类的LS-SVM分类模型； (5) 利用建立的LS-SVM模型预测未知炉渣所属的类别。2. 根据权利要求1所述的最小二乘支持向量机算法结合激光诱导击穿光谱对炉渣种 类进行识别的方法，其特征在于：步骤（2)中，训练集和测试集的LIBS光谱数本文档来自技高网...

【技术保护点】
最小二乘支持向量机算法结合激光诱导击穿光谱对炉渣种类进行识别的方法，包括以下步骤：（1）利用激光诱导击穿光谱仪器对分别在30个炉渣样品的不同测量位点进行光谱数据采集；（2）从30个炉渣样品中随机挑选20个样品的光谱数据作为训练模型的训练集，其余10个样品对应的光谱数据作为测试集；（3）使用训练集数据通过网格搜索和五折交叉验证方法对LS‑SVM训练模型两个参数径向基核函数‑γ和σ2进行寻优；（4）确定模型最优参数后利用训练集数据建立炉渣分类的LS‑SVM分类模型；（5）利用建立的LS‑SVM模型预测未知炉渣所属的类别。

【技术特征摘要】

【专利技术属性】
技术研发人员：李华，张天龙，汤宏胜，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西;61