一种基于激光诱导击穿光谱的塑料样品分类方法技术

本发明专利技术涉及一种基于激光诱导击穿光谱的塑料样品分类方法，包括以下步骤：步骤1，优化LIBS装置的实验参数，对塑料样品进行实验，获得塑料样品的数据矩阵；步骤2，根据步骤1中获得的样品数据矩阵，基于主成分分析、偏最小二乘判别分析、人工神经网络、支持向量机和K最近邻五种模式识别方法，分别建立样品分类模型；步骤3，将步骤2中建立的五种分类模型整合成一个集成的样品分类模型，将上述五种样品分类模型进行整合，并对建模参数进行调节，得到最佳的样品分类模型。本发明专利技术的优点在于实现塑料样品的分类识别，充分利用了各个算法模型的独立性得出的预测结果，又减少了由于单个模型本身的问题对实验结果造成的影响，提高了所建模型泛化能力和预测精度。

A classification method of plastic samples based on laser induced breakdown spectroscopy

【技术实现步骤摘要】
一种基于激光诱导击穿光谱的塑料样品分类方法
本专利技术属于塑料样品分类领域，特别涉及一种基于激光诱导击穿光谱的塑料样品分类方法。
技术介绍
塑料是一种成本低、可塑性极高的高分子聚合物，在日常生活中的应用越来越广泛。传统的废旧塑料处理方法多采用焚烧和掩埋，随着废旧塑料数量的不断增加，造成的环境污染也越来越严重，废旧塑料的分类和回收已经成为一个紧迫的问题。不同种类的塑料用途不同，对废旧塑料回收首先要进行塑料分类。常用的是塑料样品分类方法有人工分类法、近红外光谱法、原子吸收光谱法和电感耦合等离子体发射光谱法等。但是，人工分类方法存在成本高、效率低及可靠性差的缺点；近红外光谱法的样品分类精度受样品颜色的影响较大。原子吸收光谱法和电感耦合等离子体发射光谱法需要复杂的样品预处理程序。塑料样品的组成结构类似，应用LIBS装置获得的谱图差异度不大，应用化学计量学的模式识别方法可以更好的将LIBS谱图的差异性提取出来，实现塑料样品的分类识别。但是，不同的模式识别方法具有各自的局限性，例如，主成分分析方法在对数据进行降维时，仅消除了样品数据中无用噪声的影响，没有保持样品数据和样品标签的相关性；偏最小二乘本文档来自技高网...

【技术保护点】
一种基于激光诱导击穿光谱的塑料样品分类方法，其特征在于，该方法包括：步骤1，对LIBS装置的实验参数进行优化，针对11种塑料样品进行实验，获得塑料样品的二维数据矩阵；步骤2，基于主成分分析模式识别方法建立模型，针对获得的塑料样品数据进行标准化，并对标准化的数据进行模型训练，选取最佳的训练集及验证集比例和最佳的主成分数，得到主成分分类模型及模型的预测精度；步骤3，基于偏最小二乘模式识别方法建立模型，针对获得的塑料样品数据进行模型训练，选取最佳的训练集及验证集比例和最佳潜变量数，得到偏最小二乘分类模型及模型的预测精度；步骤4，基于支持向量机模式识别方法建立模型，针对获得的塑料样品数据进行模型训练，...

【技术特征摘要】
1.一种基于激光诱导击穿光谱的塑料样品分类方法，其特征在于，该方法包括：步骤1，对LIBS装置的实验参数进行优化，针对11种塑料样品进行实验，获得塑料样品的二维数据矩阵；步骤2，基于主成分分析模式识别方法建立模型，针对获得的塑料样品数据进行标准化，并对标准化的数据进行模型训练，选取最佳的训练集及验证集比例和最佳的主成分数，得到主成分分类模型及模型的预测精度；步骤3，基于偏最小二乘模式识别方法建立模型，针对获得的塑料样品数据进行模型训练，选取最佳的训练集及验证集比例和最佳潜变量数，得到偏最小二乘分类模型及模型的预测精度；步骤4，基于支持向量机模式识别方法建立模型，针对获得的塑料样品数据进行模型训练，选取最佳的训练集及验证集比例，核函数参数类型，degree设置，损失函数设置和coef0设置等，得到支持向量机分类模型及模型的预测精度；步骤5，基于人工神经网络模式识别方法建立模型，针对获得的塑料样品数据进行模型训练，选取最佳的训练集及验证集比例，输入层节点数，神经元数和初始向量权重等，得到人工神经网络分类模型及模型的预测精度；步骤6，基于K最近邻模式识别方法建立模型，针对获得的塑料样品数据进行模型训练，选取最佳的训练集及验证集比例和K值，得到K最近邻分类模型及模型的预测精度；步骤7，将上述五种样品分类模型进行整合，并...

【专利技术属性】
技术研发人员：田地，刘可，王宏霞，王成皓，杨光，韩旭，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22