基于互信息特征筛选PLS的LIBS铁矿浆定量分析方法技术

本发明专利技术涉及光谱分析领域，具体是基于互信息特征筛选PLS的LIBS铁矿浆定量分析方法。针对数据存在噪声和光谱数据维度过高带来的问题，提出一种基于互信息特征筛选偏最小二乘的LIBS的定量分析方法以提高矿浆品位分析精度。具体步骤为：(1)计算训练样本每列特征与标签的互信息量；(2)训练集中去除互信量为0的a个特征；(3)测试集保留与训练集剩余特征相同的特征列；(4)利用确定的特征个数，建立PLS模型，通过训练集的解释方差和均方误差来确定主成分个数。本发明专利技术提供了一种降低数据维度并有效选出光谱数据特征的方法，提高了分析精度。可实际应用于选矿厂现场监控矿浆品位分析监测。实际应用于选矿厂现场监控矿浆品位分析监测。实际应用于选矿厂现场监控矿浆品位分析监测。

【技术实现步骤摘要】
基于互信息特征筛选PLS的LIBS铁矿浆定量分析方法


[0001]本专利技术涉及光谱分析领域，具体地说是一种基于互信息特征筛选偏最小二乘的激光诱导击穿光谱铁矿浆定量分析方法。

技术介绍

[0002]铁矿石原矿到最后变成钢铁要经过一系列复杂的选矿流程，其中矿物浮选是根据目标矿物与杂质理化性质的不同，将目标矿物与杂质分离，进而从原矿浆中提取出来的选矿方法。尾矿是浮选最后的产物，据统计2018年我国铁尾矿产生量约为4.76亿吨。对尾矿铁品位的分析可以帮助判断整个浮选的工艺性能，同时对环境的保护，尾矿资源回收利用有着重要的作用。
[0003]目前国内选矿厂检测矿浆品位相对准确的方法是化学分析，但化学分析周期长，有滞后性，无法做到在线检测分析。近几年，也出现了新的检测技术对矿浆进行在线检测，如X射线荧光(XRF)分析法。XRF分析法能够做到实时在线检测，但是用于矿浆在线分析的XRF分析仪无法检测原子序数20以前的元素，且X射线具有放射性，具有潜在的危害性。激光诱导击穿光谱技术是一种新兴的检测技术，被世界著名的光谱分析学家Winefordner称为“一颗未来巨星”，它具有多元素同时分析、无需对样品处理、对样品的破坏小、快速分析实时检测等优点，相比其他方法，LIBS更有利于对矿浆的检测。
[0004]在分析铁矿浆中铁元素时，矿浆的成分复杂且自吸效应比较严重，采用传统的单变量定量分析方法不能达到对铁矿浆中铁元素定量分析的要求，因此在分析铁矿浆时，常采用多变量分析方法以校正自吸收效应和基体效应。其中，偏最小二乘回归是一种多元统计分析算法，可以在自变量多重相关的情况下实现定量分析，并较为容易地排除自变量中的噪声，能够解决多元线性回归中比较难分析的问题。而LIBS采集到的光谱数据中有大量对成分分析无用的冗余信息，采用全谱数据进行建模会增加建模复杂程度，导致建立的模型精确度不够、泛化能力不强。
[0005]为了降低建模复杂程度，避免数据维度过多，减少冗余信息的干扰的问题，本专利技术提出一种基于互信息特征筛选偏最小二乘的激光诱导击穿光谱铁矿浆定量分析方法。

技术实现思路

[0006]针对现有技术的不足，本专利技术的目的是解决光谱数据维度过高给PLS建模带来的数据冗余和过拟合问题，以及激光诱导击穿光谱在进行成分分析时受自吸收效应和基体效应造成的影响。将互信息特征筛选引入到光谱数据的处理中，提出一种基于互信息特征筛选偏最小二乘的模型以提高铁矿浆尾矿中铁元素的定量分析的精度。
[0007]为此，本专利技术是采用如下技术方案实现的：基于互信息特征筛选PLS的LIBS铁矿浆定量分析方法，包括以下步骤：
[0008]离线建模的步骤：采集矿浆样本的激光诱导原始光谱数据；对每张原始光谱特征进行互信息的特征筛选，保留互信息量非零的特征；利用特征筛选后新特征建立光谱强度
‑
浓度的PLS模型，并反复迭代过程中根据训练集的解释方差与均方误差确定最优主成分数；利用最优主成分数获取最优的PLS模型；
[0009]实时检测的步骤：利用现场设备采集现场矿浆样本的实时光谱数据，输入优化的光谱强度
‑
浓度的PLS模型，获取矿浆中指定元素的浓度含量。
[0010]所述采集矿浆样本的激光诱导原始光谱数据是采用激光诱导击穿光谱仪采集的。
[0011]所述离线建模包括以下步骤：
[0012]S1、数据预处理及特征提取：对获得的待测物质的激光诱导击穿光谱原始数据，进行均值化和谱线特征提取处理；
[0013]S2、数据集划分：将采集的矿浆样本数据划分为训练集和测试集；训练样本样本用于建模，测试样本用于评价最终模型的预测精度；
[0014]S3、计算训练集中每列中各个维度特征与标签之间的估计互信息；
[0015]S4、训练集中去除互信息量为零的a个特征；
[0016]S5、保留测试集中与训练集剩余特征相同的特征列；
[0017]S6、用训练集剩余特征迭代主成分个数进行PLS建模；
[0018]S7、利用训练集数据的解释方差和均方误差来确定主成分个数，优化PLS模型。
[0019]在划分数据集时，使测试集数据均匀分布在训练集样本的浓度范围之内，以实现最充分的评估模型性能的效果。
[0020]所述估计互信息的获取包括：
[0021]按照如下公式计算，特征谱线X和元素浓度Y之间的互信息：
[0022][0023]式中：p(x,y)表示X＝x，Y＝y同时发生的概率，而p(x)是X＝x的发生概率，p(y)是Y＝y的发生的概率，x是某一列光谱特征谱线，y是浓度标签。
[0024]是采用最邻近方法来估计互信息。
[0025]7.根据权利要求1所述的基于互信息特征筛选PLS的LIBS铁矿浆定量分析方法，其特征在于，计算训练集解释方差和均方误差，当两个误差均在波动阈值范围内时，当前的主成分数为最优值。
[0026]基于互信息特征筛选PLS的LIBS铁矿浆定量分析系统，包括：光谱采集设备、处理器、存储器；所述光谱采集设备用于采集矿浆样本的激光诱导原始光谱数据；所述存储器存储有如下程序模块，处理器读取程序执行如上所述的方法步骤，实现当前矿浆样本中指定元素的浓度含量预测；
[0027]离线建模程序模块：采集矿浆样本的激光诱导原始光谱数据；对每张原始光谱特征进行互信息的特征筛选，保留互信息量非零的特征；利用特征筛选后新特征建立光谱强度
‑
浓度的PLS模型，并反复迭代过程中根据训练集的解释方差与均方误差确定最优主成分数；利用最优主成分数获取最优的PLS模型；
[0028]实时检测程序模块：利用现场设备采集现场矿浆样本的实时光谱数据，输入优化的光谱强度
‑
浓度的PLS模型，获取对当前矿浆样本的光谱数据的实时特征提取结果，即当前矿浆样本中指定元素的浓度含量。
[0029]本专利技术具有以下有益效果及优点：
[0030]本专利技术通过基于互信息偏最小二乘模型以进行LIBS的定量分析，降低了数据冗余带来建模复杂度以及自吸收和基体效应带来的影响，提高了矿浆品位分析的精度，可实际应用于选矿厂现场监控矿浆品位分析监测。
附图说明
[0031]图1为本专利技术的流程图。
[0032]图2为PLS主成分个数与训练集解释方差和均方误差的关系。
[0033]图3为互信息保留的特征位置。
[0034]图4为铁精矿矿浆预测值与真实值的比较图。
具体实施方式
[0035]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合尾矿矿矿浆的LIBS品位分析实例对本专利技术的技术方案进行进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术。但本专利技术能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背专利技术内涵的情况下做类似改进，因此本专利技术不受下面公开的具体实施的限制。
[0036]除非另有定义，本文所使用的所有技术和科学术语与属于本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于互信息特征筛选PLS的LIBS铁矿浆定量分析方法，其特征在于，包括以下步骤：离线建模的步骤：采集矿浆样本的激光诱导原始光谱数据；对每张原始光谱特征进行互信息的特征筛选，保留互信息量非零的特征；利用特征筛选后新特征建立光谱强度
‑
浓度的PLS模型，并反复迭代过程中根据训练集的解释方差与均方误差确定最优主成分数；利用最优主成分数获取最优的PLS模型；实时检测的步骤：利用现场设备采集现场矿浆样本的实时光谱数据，输入优化的光谱强度
‑
浓度的PLS模型，获取矿浆中指定元素的浓度含量。2.根据权利要求1所述的基于互信息特征筛选PLS的LIBS铁矿浆定量分析方法，其特征在于，所述采集矿浆样本的激光诱导原始光谱数据是采用激光诱导击穿光谱仪采集的。3.根据权利要求1所述的基于互信息特征筛选PLS的LIBS铁矿浆定量分析方法，其特征在于，所述离线建模包括以下步骤：S1、数据预处理及特征提取：对获得的待测物质的激光诱导击穿光谱原始数据，进行均值化和谱线特征提取处理；S2、数据集划分：将采集的矿浆样本数据划分为训练集和测试集；训练样本样本用于建模，测试样本用于评价最终模型的预测精度；S3、计算训练集中每列中各个维度特征与标签之间的估计互信息；S4、训练集中去除互信息量为零的a个特征；S5、保留测试集中与训练集剩余特征相同的特征列；S6、用训练集剩余特征迭代主成分个数进行PLS建模；S7、利用训练集数据的解释方差和均方误差来确定主成分个数，优化PLS模型。4.根据权利要求3所述的基于互信息特征筛选PLS的LIBS铁矿浆定量分析方法，其特征在于，在划分数据集时，使测试集数据均匀分布在训练集样本的浓度范围之内，以实现最充分的评估模型性...

【专利技术属性】
技术研发人员：孙兰香，谢远明，齐立峰，尚栋，陈彤，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：