用于粒度预测的模型训练方法、预测方法及设备技术

本申请公开了用于粒度预测的模型训练方法、预测方法及设备，所述方法包括：获取样品集，所述样品集包括多个与不同中心粒径的松散颗粒堆积物对应的光谱；将所述光谱对应的松散颗粒堆积物的中心粒径设为样品标签，根据所述样品标签随机划分为用于模型训练的多个集合；将所述多个集合中的光谱进行数据预处理，包括对所述光谱进行有重叠的平均化处理，获得多个平均后的平均光谱；基于所述平均光谱及预设的机器学习模型进行模型训练，得到粒度预测模型。本申请可以通过对样品的预处理及机器学习的方式获得置信度较高的多变量校准模型，利用该粒度预测模型可以提高对松散颗粒堆积物粒度预测的准确性。度预测的准确性。度预测的准确性。

【技术实现步骤摘要】
用于粒度预测的模型训练方法、预测方法及设备


[0001]本申请涉及数据处理领域，具体涉及用于粒度预测的模型训练方法、预测方法及设备。

技术介绍

[0002]在生产生活中，很多情况需要对松散堆积颗粒物的粒度分布进行测量，目前已经存在较多的测量手段例如标准筛法，激光衍射法等等，但是大多需要将样品带回实验室，且较为耗时，无法进行实时原位检测。
[0003]长久以来对于松散颗粒堆积物的粒度分析一直缺乏实时原位的检测方法，而LIBS技术原位，无损，不需要制备样品的检测特点使得它被选作检测松散颗粒物粒度的一种新颖的方法。LIBS是Laser
‑
Induced Breakdown Spectroscopy(激光诱导击穿光谱学)的简称，该技术通过超短脉冲激光聚焦样品表面形成等离子体，利用光谱仪对等离子体发射光谱进行分析，以此来识别样品中的元素组成成分，进而可以进行材料的识别、分类、定性以及定量分析。
[0004]但是LIBS技术在应用中也存在着许多的限制，传统的LIBS数据分析方法仅使用几条谱线的强度信息，谱线强度波动大，重复性差，精准度较低，从而导致预测准确性较差的问题。

技术实现思路

[0005]本申请提供用于粒度预测的模型训练方法、预测方法及设备，可以提高对松散堆积颗粒物的粒度预测准确性。
[0006]第一方面，本申请公开了一种用于粒度预测的模型训练方法，所述方法包括：
[0007]获取样品集，所述样品集包括多个与不同中心粒径的松散颗粒堆积物对应的光谱；
>[0008]将所述光谱对应的松散颗粒堆积物的中心粒径设为样品标签，根据所述样品标签随机划分为用于模型训练的多个集合；
[0009]将所述多个集合中的光谱进行数据预处理，包括对所述光谱进行有重叠的平均化处理，获得多个平均后的平均光谱；
[0010]基于所述平均光谱及预设的机器学习模型进行模型训练，得到目标粒度预测模型。
[0011]在一实施例中，所述多个集合包括训练集、验证集以及测试集；
[0012]其中，所述训练集的光谱数量占所述样品集的光谱数量的至少一半。
[0013]在一实施例中，所述多个集合中的样品标签均不相同。
[0014]在一实施例中，所述将所述多个集合中的光谱进行数据预处理，包括：
[0015]将所述多个集合中的光谱进行归一化处理；
[0016]对归一化处理后的光谱进行平均，获得多个所述平均光谱；
[0017]对所述平均光谱进行背景矫正和谱线平滑。
[0018]在一实施例中，所述对所述光谱进行有重叠的平均化处理，包括：
[0019]对同一中心粒径的松散颗粒堆积物对应的多张光谱进行随机选取，将随机选取的m张光谱设为第一子集，剩余的n张光谱设为第二子集；
[0020]将所述第一子集中的光谱进行平均，获得1张第一平均光谱；
[0021]将所述第二子集中的每一光谱分别与第一子集中随机的一张光谱进行替换，并对替换后的m张光谱进行平均，依次执行获得n张第二平均光谱。
[0022]在一实施例中，所述对所述光谱进行有重叠的平均化处理，包括：
[0023]对平均化处理后所述光谱的重叠个数进行优化。
[0024]在一实施例中，所述将所述多个集合中的光谱进行数据预处理，还包括：
[0025]对平均化后的平均光谱进行特征挑选，并对挑选的特征个数进行优化。
[0026]在一实施例中，所述方法还包括：
[0027]建立所述机器学习模型的广义超参数，并对所述广义超参数进行优化。
[0028]在一实施例中，所述多个集合包括训练集、验证集以及测试集；
[0029]其中，所述训练集的光谱数量占所述样品集的光谱数量的至少一半；
[0030]所述对所述广义超参数进行优化，包括：
[0031]使用训练集进行若干次训练，对所述若干次训练获得的第一相对误差值取平均得到第一平均误差值；
[0032]判断所述第一平均误差值是否小于第一预设阈值；
[0033]若是，则使用验证集进行验证；
[0034]若否，调整超参数并重新使用训练集进行训练。
[0035]在一实施例中，所述使用验证集进行验证，包括：
[0036]获得所述验证集进行验证后的第二相对误差值；
[0037]选取所述第二相对误差值最小的结果作为目标结果，记录目标结果对应的当次训练为目标训练；
[0038]判断所述目标训练对应的所述第二相对误差值是否小于第二预设阈值；
[0039]若是，则使用测试集进行测试；
[0040]若否，调整超参数并重新使用验证集进行验证。
[0041]在一实施例中，所述广义超参数包括：
[0042]平均化处理后所述光谱的重叠个数；以及
[0043]平均化后的平均光谱进行特征挑选的特征个数。
[0044]第二方面，本申请还公开了一种粒度预测的预测方法，所述方法包括：
[0045]获取待预测的松散颗粒堆积物；
[0046]根据所述待预测的松散颗粒堆积物获得对应的原子发射光谱；
[0047]基于所述光谱及预设模型预测所述待预测的松散颗粒堆积物的粒度；
[0048]其中，所述预设模型为利用如上任意一项所述的用于粒度预测的模型训练方法得到的预设模型。
[0049]第三方面，本申请还公开了一种用于粒度预测的设备，所述设备包括：
[0050]处理器；以及
[0051]与所述处理器电连接的存储器；
[0052]所述存储器存储有所述处理器可执行的机器可读指令，所述处理器执行所述机器可读指令，以实现：
[0053]执行如上任意一项所述的用于粒度预测的模型训练方法；或者
[0054]执行如上所述的松散颗粒堆积物粒度的预测方法。
[0055]由上可知，本申请中的用于粒度预测的模型训练方法、预测方法及设备，通过包含多个与不同中心粒径的松散颗粒堆积物对应的光谱的样品集，将光谱根据不同样品标签划分为多个集合，并对多个集合中的光谱进行数据预处理并获得平均后的平均光谱，从而消除或减轻对光谱质量的干扰因素，提高光谱的信噪比；然后通过对平均光谱进行模型训练，得到用于松散颗粒堆积物粒度预测的粒度预测模型。本申请可以通过对样品的预处理及机器学习的方式获得置信度较高的多变量校准模型，利用该粒度预测模型可以提高对松散颗粒堆积物粒度预测的准确性。
附图说明
[0056]图1为本申请实施例提供的用于粒度预测的模型训练方法的实现流程图。
[0057]图2为本申请实施例提供的200个像素在400
‑
600nm区域的分布示意图。
[0058]图3为本申请实施例提供的对光谱进行有重叠的平均化处理的实现流程图。
[0059]图4为本申请实施例提供的用于粒度预测的模型训练方法的另一实现流程图。
[0060]图5为本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于粒度预测的模型训练方法，其特征在于，所述方法包括：获取样品集，所述样品集包括多个与不同中心粒径的松散颗粒堆积物对应的光谱；将所述光谱对应的松散颗粒堆积物的中心粒径设为样品标签，根据所述样品标签随机划分为用于模型训练的多个集合；将所述多个集合中的光谱进行数据预处理，包括对所述光谱进行有重叠的平均化处理，获得多个平均后的平均光谱；基于所述平均光谱及预设的机器学习模型进行模型训练，得到粒度预测模型。2.如权利要求1所述的用于粒度预测的模型训练方法，其特征在于，所述多个集合包括训练集、验证集以及测试集；其中，所述训练集的光谱数量占所述样品集的光谱数量的至少一半。3.如权利要求2所述的用于粒度预测的模型训练方法，其特征在于，所述多个集合中的样品标签均不相同。4.如权利要求1所述的用于粒度预测的模型训练方法，其特征在于，所述将所述多个集合中的光谱进行数据预处理，包括：将所述多个集合中的光谱进行归一化处理；对归一化处理后的光谱进行平均，获得多个所述平均光谱；对所述平均光谱进行背景矫正和谱线平滑。5.如权利要求1或4所述的用于粒度预测的模型训练方法，其特征在于，所述对所述光谱进行有重叠的平均化处理，包括：对同一中心粒径的松散颗粒堆积物对应的多张光谱进行随机选取，将随机选取的m张光谱设为第一子集，剩余的n张光谱设为第二子集；将所述第一子集中的光谱进行平均，获得1张第一平均光谱；将所述第二子集中的每一光谱分别与第一子集中随机的一张光谱进行替换，并对替换后的m张光谱进行平均，依次执行获得n张第二平均光谱。6.如权利要求1所述的用于粒度预测的模型训练方法，其特征在于，所述对所述光谱进行有重叠的平均化处理，包括：对平均化处理后所述光谱的重叠个数进行优化。7.如权利要求1所述的用于粒度预测的模型训练方法，其特征在于，所述将所述多个集合中的光谱进行数据预处理，还包括：对平均化后的平均光谱进行特征挑选，并对挑选的特征个数进行优化。8.如权利要求1所述的用于粒度预测的模型训练方法，其特征在...

【专利技术属性】
技术研发人员：杨磊，陈良文，张朝，钱东斌，马新文，杨光辉，
申请(专利权)人：中国科学院近代物理研究所，
类型：发明
国别省市：