一种基于光谱数据的铁矿石全铁含量检测方法技术

本发明专利技术涉及一种基于光谱数据的铁矿石全铁含量检测方法，包括以下步骤：获取待检测铁矿石样品的光谱数据，所述光谱数据中包含m个光谱特征；将所述光谱数据输入铁矿石分类模型中，获得所述待检测铁矿石样品的铁矿石类型；根据获得的铁矿石类型，将所述光谱数据输入相应铁矿石类型的铁矿石全铁含量检测模型中，获得所述光谱数据对应的铁矿石全铁含量。本发明专利技术提供的一种基于光谱数据的铁矿石全铁含量检测方法，具有效率高、成本低、且精度高的优点。

【技术实现步骤摘要】
一种基于光谱数据的铁矿石全铁含量检测方法
本专利技术属于计算机
，尤其涉及一种基于光谱数据的铁矿石全铁含量检测方法。
技术介绍
赤铁矿和磁铁矿是铁矿石的主要种类，铁矿石中的含铁量决定了铁矿石的品位和质量。铁矿石的品位和质量又关系到开采矿石的成本以及经济收益。选取准确简便的测定铁矿石全铁含量的方法对于开采铁矿石，获得较大的经济效益有重要的指导作用。对铁矿石中全铁含量的测定方法，主要有化学分析方法和仪器分析法。化学分析方法中最常用的就是经典的重铬酸钾滴定法，该方法灵敏度高，适用性较强，可以准确定量的观测到数据的大小和变化。但在测定过程中使用到的汞不能消除，会对环境造成一定的污染。仪器分析方法具有检测速度快，能够排除人为主观因素影响等优势，但如何尽可能降低复杂基体的干扰，提高仪器检测的准确度，涉及到样品前处理以及仪器分析软件的优化，仍待进一步完善。上述缺陷是本领域技术人员期望克服的。
技术实现思路
(一)要解决的技术问题为了解决现有技术的上述问题，本专利技术提供了一种基于光谱数据的铁矿石全铁含量检测方法，具有效率高、成本低、且精度高的优点。(二)技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：一种基于光谱数据的铁矿石全铁含量检测方法，包括以下步骤：获取待检测铁矿石样品的光谱数据，所述光谱数据中包含m个光谱特征；将所述光谱数据输入铁矿石分类模型中，获得所述待检测铁矿石样品的铁矿石类型；其中，所述铁矿石分类模型为预先采用类型已知的多个铁矿石样品的光谱数据建立的，所述铁矿石分类模型为极限学习机神经网络，所述铁矿石分类模型用于处理包含m个光谱特征的铁矿石的光谱数据以获得光谱数据对应的铁矿石的种类。根据获得的铁矿石类型，将所述光谱数据输入相应铁矿石类型的铁矿石全铁含量检测模型中，获得所述光谱数据对应的铁矿石全铁含量。其中，所述铁矿石全铁含量检测模型为预先采用全铁含量已知的多个铁矿石样品的光谱数据建立的，所述铁矿石全铁含量检测模型为改进粒子群算法优化的双隐含层极限学习机神经网络模型，所述铁矿石全铁含量检测模型具有经过改进粒子群算法优化后的最优权重矩阵、最优偏置向量以及最优隐含层节点数，所述铁矿石全铁含量检测模型用于处理包括m个特征的铁矿石光谱数据以获得对应铁矿石的全铁含量。优选地，将所述光谱数据输入铁矿石分类模型中，获得所述待检测铁矿石样品的铁矿石类型之前，还包括：采用类型已知的多个铁矿石样品光谱数据，利用主成分分析算法对所述光谱数据进行处理，建立基于极限学习机神经网络的铁矿石分类模型。优选地，所述方法还包括如下子步骤：获取类型已知的多个铁矿石样品光谱数据，其中，每个铁矿石样品的光谱数据中包含m个光谱特征；利用主成分分析算法将铁矿石样本光谱数据中m个光谱特征降为n个光谱特征；设置极限学习机神经网络的参数，其中，设置输入层的节点个数为n，设置输出层的节点为1；将类型已知的多个铁矿石样品光谱数据利用主成分分析算法处理后，作为所述极限学习机神经网络的输入数据；将类型已知的多个铁矿石样品的铁矿石类型对应地作为所述极限学习机神经网络的输出数据，训练网络得到的极限学习机神经网络即为铁矿石分类模型。优选地，在根据获得的铁矿石类型，将所述光谱数据输入相应铁矿石类型的铁矿石全铁含量检测模型中，获得所述光谱数据对应的铁矿石全铁含量之前，还包括：采用多组类型和全铁含量已知的铁矿石光谱数据，利用主成分分析算法对光谱数据处理后，对不同类型的铁矿石分别建立基于改进粒子群算法优化的双隐含层极限学习机神经网络的铁矿石全铁含量检测模型。优选地，所述方法还包括如下子步骤：获取多个类型和全铁含量已知的铁矿石光谱数据，其中，每个光谱数据中包含m个光谱特征；利用主成分分析算法将光谱数据中m个光谱特征降为n个光谱特征；设置改进粒子群算法优化的双隐含层极限学习机神经网络的参数，其中，设置输入层的节点个数为n，设置输出层的节点为1；将铁矿石光谱数据利用主成分分析算法处理后，作为所述改进粒子群算法优化的双隐含层极限学习机神经网络的输入数据；将铁矿石全铁含量作为所述改进粒子群算法优化的双隐含层极限学习机神经网络的输出数据；使用改进粒子群算法得到所述双隐含层极限学习机神经网络第一个隐含层的最优权重矩阵、最优偏置向量以及最优的隐含层节点数；将所述最优权重矩阵设置为所述改进粒子群算法优化的双隐含层极限学习机神经网络第一个隐含层的权重矩阵；将所述最优偏置向量设置为所述改进粒子群算法优化的双隐含层极限学习机神经网络第一个隐含层的偏置向量；将所述最优隐含层节点数设置为所述改进粒子群算法优化的双隐含层极限学习机神经网络的隐含层节点数；获得的改进粒子群算法优化的双隐含层极限学习机神经网络即为相应类型铁矿石全铁含量的检测模型。优选地，在使用改进粒子群算法得到所述改进粒子群算法优化的双隐含层极限学习机神经网络第一个隐含层的最优权重矩阵和最优偏置向量时，在每一轮迭代中，根据第一公式获取惯性权重ω(k)，所述第一公式为：ω(k)＝ωstart-(ωstart-ωend)·k/Tmax其中，ωstart＝0.9，ωend＝0.4，k为当前迭代次数，Tmax为最大迭代次数。优选地，在每一轮迭代中，根据第二公式更新粒子的个体极值适应度值Pib和群体极值适应度值Pg，所述第二公式为：其中，Pi为第i个粒子的位置；分别为将TELM第一个隐含层的输入权值和偏差向量设置成第i个粒子位置、第i个粒子所经过的最优位置以及群体最优位置网络的输出矩阵，f(·)为粒子的适应度函数。优选地，在使用改进粒子群算法得到所述粒子群算法优化的双隐含层极限学习机神经网络的最优隐含层节点数时，在每一轮迭代中，根据第三公式更新粒子长度，即改变隐含层节点数L，所述第三公式为：其中，rand()为产生一个[0,1]的数，Lk+1为变异操作后的隐含层节点数，Lk为变异前的隐含层节点数。优选地，所述改进粒子群算法优化的双隐含层极限学习机神经网络中，极限学习机神经网络中的激活函数为1-e-x/1+e-x。优选地，还包括：对铁矿石样品进行多次光谱测试，并将多次光谱测试的光谱数据进行算术平均后作为所述铁矿石样品的光谱数据；其中，所述光谱测试中的光谱范围包括：可见光光谱和近红外光光谱。(三)有益效果本专利技术的有益效果是：本专利技术提供的一种基于光谱数据的铁矿石全铁含量检测方法，采用具有最优权重矩阵、最优偏置向量以及最优隐含层节点数的改进粒子群算法优化的双隐含层极限学习机神经网络对铁矿石样品的光谱数据进行处理，得到的铁矿石样品全铁含量精度较高且该方法效率高、成本低。附图说明图1为本专利技术一种基于光谱数据的铁矿石全铁含量检测方法的流程示意图；图2为本专利技术一种基于铁矿石光谱数据的铁矿石全铁含量检测方法中建立铁矿石全铁含量检测模型的流程示意图；图3为本专利技术实施例中赤铁矿测试样品的全铁含量检测数据与实际数据的对比图；图4为本专利技术实施例中磁铁矿测试样品的全铁含量检测数据与实际数据的对比图。具体实施方式为了更好的解释本专利技术，以便于理解，下面结合附图，通过具体实施方式，对本专利技术作详细描述。如图1所示：本专利技术实施例中基于光谱数据的铁矿石全铁含量检测方法，包括以下步骤：101、获取待检测铁矿石样品的光谱数据，所述光谱数据中包含m个光谱特征。102、将所述光谱数本文档来自技高网...

【技术保护点】
1.一种基于铁矿石光谱数据检测铁矿石全铁含量的方法，包括以下步骤：获取待检测铁矿石样品的光谱数据，所述光谱数据中包含m个光谱特征；将所述光谱数据输入铁矿石分类模型中，获得所述待检测铁矿石样品的铁矿石类型；根据获得的铁矿石类型，将所述光谱数据输入相应铁矿石类型的铁矿石全铁含量检测模型中，获得所述光谱数据对应的铁矿石全铁含量。

【技术特征摘要】
1.一种基于铁矿石光谱数据检测铁矿石全铁含量的方法，包括以下步骤：获取待检测铁矿石样品的光谱数据，所述光谱数据中包含m个光谱特征；将所述光谱数据输入铁矿石分类模型中，获得所述待检测铁矿石样品的铁矿石类型；根据获得的铁矿石类型，将所述光谱数据输入相应铁矿石类型的铁矿石全铁含量检测模型中，获得所述光谱数据对应的铁矿石全铁含量。2.如权利要求1所述的方法，其特征在于，将所述光谱数据输入铁矿石分类模型中，获得所述待检测铁矿石样品的铁矿石类型之前，还包括：采用类型已知的多个铁矿石样品光谱数据，利用主成分分析算法对所述光谱数据进行处理，建立基于极限学习机神经网络的铁矿石分类模型。3.如权利要求2所述的方法，其特征在于，所述方法还包括如下子步骤：获取类型已知的多个铁矿石样品光谱数据，其中，每个铁矿石样品的光谱数据中包含m个光谱特征；利用主成分分析算法将铁矿石样本光谱数据中m个光谱特征降为n个光谱特征；设置极限学习机神经网络的参数，其中，设置输入层的节点个数为n，设置输出层的节点为1；将类型已知的多个铁矿石样品光谱数据利用主成分分析算法处理后，作为所述极限学习机神经网络的输入数据；将类型已知的多个铁矿石样品的铁矿石类型对应地作为所述极限学习机神经网络的输出数据，训练网络得到的极限学习机神经网络即为铁矿石分类模型。4.如权利要求1所述的方法，其特征在于，在根据获得的铁矿石类型，将所述光谱数据输入相应铁矿石类型的铁矿石全铁含量检测模型中，获得所述光谱数据对应的铁矿石全铁含量之前，还包括：采用多组类型和全铁含量已知的铁矿石光谱数据，利用主成分分析算法对光谱数据处理后，对不同类型的铁矿石分别建立基于改进粒子群算法优化的双隐含层极限学习机神经网络的铁矿石全铁含量检测模型。5.如权利要求4所述的方法，其特征在于，所述方法还包括如下子步骤：获取多个类型和全铁含量已知的铁矿石光谱数据，其中，每个光谱数据中包含m个光谱特征；利用主成分分析算法将光谱数据中m个光谱特征降为n个光谱特征；设置改进粒子群算法优化的双隐含层极限学习机神经网络的参数，其中，设置输入层的节点个数为n，设置输出层的节点为1；将铁矿石光谱数据利用主成分分析算法处理后，作为所述改进粒子群算法优化的双隐含层极限学习机神经网络的输入数据；将铁矿石全铁含量作为所述改进粒子...

【专利技术属性】
技术研发人员：肖冬，刘崇敏，毛亚纯，张颖伟，柳小波，孙效玉，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21