塑料型号的化学计量学鉴别方法技术

一种塑料型号的化学计量学鉴别方法，是利用塑料红外光谱中特征区的光谱信息，采用非线性迭代偏最小二乘变量选择技术选取特征区红外光谱作为竞争性反向传播人工神经网络的变量输入；该竞争性反向传播神经网络由前端反向传播神经网络层与后端竞争函数层构成，以已知塑料树脂样品的数目为秩的单位矩阵为网络训练目标，用已知型号的塑料样品输入矩阵及模拟含噪声输入矩阵对网络连接权值进行训练，建立网络连接；输入变量经反向传播网络层及竞争函数层的转换后，最显著的神经元胜出并作为结果表示出来，从而建立塑料型号识别系统。利用本方法已对１８类、１０００多种塑料建立了对应的人工神经网络识别系统，能快速、准确、可靠的鉴别塑料型号。

【技术实现步骤摘要】

本专利技术涉及一种对塑料树脂型号的鉴别方法——。
技术介绍
塑料广泛使用于工农业生产各个领域，也是进出口贸易大宗货物。不同种类、型号的塑料树脂其材料性能差别较大，价值差别也较大，应用领域各异，因此，其型号的鉴别对于生产加工、进出口贸易的货物鉴别具有重要意义及实用价值。现有技术对各种塑料树脂，如聚乙烯(PE)、聚丙烯(PP)、聚苯乙烯(PS)等的鉴别，是通过对样品红外谱图的特征峰和谱带进行定性鉴别，即利用红外光谱方法对于塑料进行分类鉴别，这种方法十分有效，且简便迅速。但用红外光谱方法对某一大类塑料树脂内的型号进行鉴别却有很多困难，因为同一类塑料内不同型号塑料的分子结构差别非常小，所以用红外光谱法基本上不能完成此项工作。尽管已有其他现代先进分析手段来对样品进行剖析，但由于被鉴别塑料树脂性质相近，往往得不到很好的鉴别效果，所以如何在数据中高效提取具代表性的信息是解决问题的关键。人工神经网络(ANN)是近年来化学计量学研究的前沿与热点，已在分类、模式识别、结果预测等方面取得显著成果，尤其在处理传统线性技术难以有效解决的非线性问题处理方面有着独到之处，被认为是解决分类、模式识别等非线性问题的首选方法。本专利技术将人工神经网络结合非线性迭代偏最小二乘变量选择技术(NIPALS)对塑料树脂进行分类及型号鉴别，获得了很好的结果。
技术实现思路
本专利技术的目的是提供一种塑料树脂型号的化学计量学鉴别方法，以弥补现有技术只能对塑料树脂进行分类鉴别，但难以对某一大类塑料树脂内的型号进行鉴别的缺点。本专利技术的原理是利用不同塑料样品红外光谱，特别是红外光谱中特征区(1350～650nm-1)的光谱信息，采用非线性迭代偏最小二乘变量选择技术选择具有代表性的一段样品指纹区红外光谱作为竞争性反向传播人工神经网络的变量输入；该竞争性反向传播神经网络由前端反向传播神经网络层与后端竞争函数层构成，以已知的塑料树脂样品的数目为秩的单位矩阵为网络训练目标，用已知型号的塑料样品输入矩阵及模拟含噪声输入矩阵对网络连接权值进行训练，建立网络连接；输入变量经反向传播网络层及竞争函数层的转换后，最显著的神经元胜出并作为结果表示出来，查对训练目标对应的塑料型号得到最终鉴别结果，从而形成塑料型号识别系统。本专利技术的鉴别方法是首先用傅立叶变换红外光谱仪测试塑料树脂样品，得到相应的红外光谱图，以2nm-1为间隔单位截取红外光谱特征区的红外光谱数据，以各种塑料型号为样本点空间，截取的红外光谱数据为变量空间构成塑料型号鉴别的原始数据矩阵；然后将原始数据矩阵经过际准化处理，得到标准化数据矩阵；通过非线性迭代偏最小二乘变量选择技术对标准化数据矩阵进行主成分分析，主成分数目采用比率法做判别指标，确定非线性迭代偏最小二乘变量选择的主成分数目为3，作为人工神经网络的变量输入K。进一步对竞争性反向传播人工神经网络的网络连接进行训练，以其中的塑料样品的数目为秩的单位矩阵作为网络训练目标，建立网络连接，即在输出向量相应位置产生“1”，其余位置输出“0”；输出层为n个，网络结构为输入层、隐含层和输出层的三层误差反向传播人工神经网络，隐含层含10个神经元，以logsig(IW(1，i)p(i)+b1)函数作为传递函数，采用自适应学习速率结合动量方式进行训练，动量项常数为0.95，以总误差平方和作为收敛判据；然后将反向传播网络输出经竞争层函数转换后，获胜的神经元作为结果表示出来，得到对输入型号的初步分类结果，形成塑料型号的初级识别系统。为了进一步提高塑料型号鉴别的准确率，再采用多组含噪声的数据集对网络连接再进行训练，该多组含噪声的数据集是在原始数据基础上，依据测定数据的噪声水平，利用噪声产生函数随机产生多组正态分布噪声，进行叠加而成，训练完成后形成实用的竞争性反向传播人工神经网络，从而建立起相应的人工神经网络识别塑料树脂型号的识别系统。上述红外光谱中特征区的波数范围是1350～650nm-1。本专利技术的优点是能准确、快速而有效地鉴别常见塑料树脂的型号。附图说明图1本专利技术的整体程序示意图。图2网络训练最终目标是以已知的聚乙烯样品的数目为秩的单位矩阵示意图。图3鉴别塑料型号所用反向传播人工神经网络层结构示意图。图4鉴别网络训练过程示意5实施例的聚乙烯塑料PE203、PE722的鉴别结果列表图。图6实施例的聚乙烯塑料PE203红外光谱图。图7实施例的聚乙烯塑料PE722红外光谱图。其中，W(1，i)隐含层每一输入p(i)对应的相应权值；W(2，i)输出层每一输入a1对应的相应权值；p(i)输入；a1隐含层输出，输出层输入；a2输出层输出；b1阈值；b2阈值；logsig(IW(1，i)p(i)+b1)传递函数。n塑料型号数目具体实施方式本实施例以聚乙烯树脂型号为PE203、PE722的两种塑料树脂为例说明本专利技术。本专利技术以MatLab语言编程实现，在内嵌神经网络工具包的MatLab环境下运行，本专利技术的整体程序如图1所示。具体步骤如下第一步，用傅立叶变换红外光谱仪测试已知的塑料样品，如300种聚乙烯树脂样品，得到相应的红外光谱图(PE203、PE722的红外光谱图见图6、7)，以2nm-1为间隔单位截取特征区(1350～650nm-1)的红外光谱数据，以300种塑料型号为样本点空间，截取的红外光谱数据为变量空间构成塑料型号鉴别的原始数据矩阵。第二步，将原始数据矩阵进行标准化处理，得到标准化数据矩阵，即数据的中心化处理及无量纲化处理，经标准化处理的矩阵其变量空间内每一变量的均值为0，方差为1。第三步，按照非线性迭代偏最小二乘变量选择技术对标准化数据矩阵进行主成分分析，主成分数目采用比率法做判别指标，确定非线性迭代偏最小二乘变量选择的主成分数目为3，作为人工神经网络的变量输入K。第四步，对反向传播人工神经网络的网络连接进行训练，以已知300种聚乙烯塑料样品的数目为秩的单位矩阵为网络训练目标，建立网络连接，如图2，即在输出向量相应位置产生“1”，其余位置输出“0”；输出层为n个(n为聚乙烯标准样品数目，本实施例中n为300)输出，见图2。网络结构为三层(输入层、隐含层和输出层)反向传播人工神经网络，隐含层含10个神经元，采用logsig(IW(1，i)p(i)+b1)函数作为传递函数，采用自适应学习速率结合动量方式进行训练，动量项常数为0.95，以总误差平方和作为收敛判据。将反向传播网络输出经竞争层函数转换后，最易产生“1”的输出通过竞争层竞争-抑制作用，最后仅一个输入成为胜者，其它输出为0，对获胜神经元有关的各连接权朝着更有利于竞争的方向调整，获胜的神经元作为结果表示出来，得到无噪声矩阵，这个过程是原始数据训练过程，这样得到对输入型号的初步分类结果，形成塑料型号的初级识别系统。塑料样品鉴别的反向传播人工神经网络结构图见图3。第五步，为了进一步提高塑料型号鉴别的准确率，在由上步获得的原始数据训练的基础上，再采用多组含噪声的数据集对网络连接进行训练。含噪声的数据集是在原始数据集的基础上，依据测定数据的噪声水平，利用噪声产生函数随机产生多组正态分布噪声，进行叠加形成，形成实用的竞争性反向传播人工神经网络，从而建立起一套有效的应用人工神经网络识别塑料树脂型号的识别系统。含噪声鉴别网络训练过程见示意图4。第六本文档来自技高网...

【技术保护点】
一种塑料型号的化学计量学鉴别方法，其特征是首先用傅立叶变换红外光谱仪测试塑料树脂样品，得到相应的红外光谱图，以２ｎｍ↑［－１］为间隔单位截取红外光谱特征区的红外光谱数据，以各种塑料型号为样本点空间，截取的红外光谱数据为变量空间构成塑料型号鉴别的原始数据矩阵；然后将原始数据矩阵经过标准化处理，得到标准化数据矩阵；通过非线性迭代偏最小二乘变量选择技术对标准化数据矩阵进行主成分分析，主成分数目采用比率法做判别指标，确定非线性迭代偏最小二乘变量选择的主成分数目为３，作为人工神经网络的变量输入，进一步对竞争性反向传播人工神经网络的网络连接进行训练，以其中的塑料样品的数目为秩的单位矩阵作为网络训练目标，建立网络连接，即在输出向量相应位置产生“１”，其余位置输出“０”；输出层为ｎ个，网络结构为输入层、隐含层和输出层的三层误差反向传播人工神经网络，隐含层含１０个神经元，以ｌｏｇｓｉｇ（ＩＷ（１，ｉ）ｐ（ｉ）＋ｂ１）函数作为传递函数，采用自适应学习速率结合动量方式进行训练，动量项常数为０．９５，以总误差平方和作为收敛判据；然后将反向传播网络输出经竞争层函数转换后，获胜的神经元作为结果表示出来，获得成对输入型号的初步分类结果，形成塑料型号的初级识别系统。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王岩，刘心同，纪雷，孙健，李成德，杜恒清，于立欣，张萍，孙忠松，王境堂，王英杰，牛增元，刘学惠，李保家，李佩暖，
申请(专利权)人：中华人民共和国山东出入境检验检疫局，
类型：发明
国别省市：95[中国|青岛]