【技术实现步骤摘要】
本专利技术涉及光谱分析，尤其涉及一种基于高斯过程回归的libs定量分析方法。
技术介绍
1、在选矿工业中，浮选是一种非常重要且应用广泛的精矿石提取方法，而浮选过程中，矿浆品位是选矿厂需要实时把握的动态生产指标，其波动幅度的大小直接影响着选矿效率，进而影响选矿厂经济效益，因此对矿浆品位的在线快速检测具有重要研究意义。
2、激光诱导击穿光谱技术(libs)通过采集矿浆的光谱信号，并对信号建模分析获得矿浆组成元素的含量信息。相比于其他矿物学分析方法如拉曼光谱、x射线衍射分析、高光谱成像等具备分析时间短、可在线原位检测的优点；相比于其他可在线应用的光谱学分析方法如x射线荧光谱等具有装置简单、可全元素同时分析的优点，因此在矿浆品位在线监测任务中受到越来越多研究人员的青睐。
3、在利用激光诱导击穿光谱技术进行定量分析时，由于光谱数据包含大量噪声干扰，同时受自吸收及基体效应的影响，导致单变量定量分析精度并不理想。在多变量线性回归方法中，偏最小二乘回归（partialleastsquares,简称pls）以其简单快速、定量精度较高等优点是目前应用最广泛的定量分析方法，但是其作为线性处理方法，pls模型并不能解决基体效应及自吸收效应对光谱数据造成的非线性影响。高斯过程回归(gaussian processregression,简称gpr)具有鲁棒性强、灵活性高、非线性拟合能力强等优点，尤其适合铁精矿矿浆非线性严重、存在大量噪声的问题。
技术实现思路
1、针对现有技术的不足，本
2、一种基于高斯过程回归的libs定量分析方法，包括以下步骤：
3、步骤1：通过激光诱导击穿光谱分析仪采集libs光谱数据，进行最小最大值归一化和去趋势矫正处理，得到多维谱线数据集，并将多维谱线数据集根据设定比例划分为训练集、验证集和测试集；
4、步骤2：对训练集使用连续投影算法降低libs光谱数据的波长维度，筛选波长变量，消除数据间多重共线性，获得特征波长，将算法获取的变量索引应用于验证集和测试集；
5、具体为：使用连续投影算法，通过将波长投影到其他波长上，比较投影向量的大小，以投影向量最大的波长作为待选波长，每增加一个待选波长就新记录为一个变量子集，然后基于多个变量子集分别建立多元线性回归模型linearregression，预测效果最好的多元线性回归模型所使用的变量子集即为spa算法选择最终的特征波长变量；
6、步骤3：基于步骤2筛选后得到的特征波长确定高斯过程回归的协方差函数，即核函数；
7、具体为：libs元素光谱数据存在的多重共线性、噪声和非线性特征影响建模精度，在spa算法降低多重共线性后，所设定的核函数应该能够处理噪声和非线性特征。对于噪声问题选用白噪声核函数，针对非线性特征选用rbf核，而针对线性特征选用点积核；将以上三种核函数进行相加组合成为高斯过程回归模型使用的核函数：
8、
9、其中，为核函数，用来描述任意两个样本的相似性程度，为噪音参数，为长度尺度参数，为欧氏距离函数，当时，，否则的值为设定的噪音大小；
10、步骤4：建立元素浓度的高斯过程回归模型；
11、
12、其中
13、其中，为测试集样本的预测均值，测试集样本，为训练集样本，为噪声矩阵，为维单位矩阵，是训练集元素浓度标签值，为核函数；
14、步骤5：基于步骤3的核函数和步骤4建立的高斯过程回归模型，通过极大对数边际似然或极小负对数边际似然对核函数进行超参数优化，通过高斯过程回归模型自动获取待分析元素浓度并输出；
15、具体为：根据贝叶斯公式得到计算浓度的后验概率，获得负对数边际似然函数，将负对数边际似然函数最小化，得到核函数的最优超参数后，高斯过程回归模型的训练完成。
16、所述负对数边际似然函数为：
17、
18、式中，为单个测试集样本，为参数对应的均值函数，是对所有可能的参数值的倒数求和，是对所有可能的参数值的求和，t为矩阵转置，为自然对数的常数部分，为圆周率，为数据维度；
19、所述最优超参数为：
20、另一方面，一种基于高斯过程回归的libs定量分析系统，用于实现前述的一种基于高斯过程回归的libs定量分析方法，包括光谱采集设备模块、数据预处理模块、划分数据集模块、连续投影波长筛选模块，高斯过程回归建模优化模块、测试模块；
21、所述光谱采集设备模块，用于采集待测物质的激光诱导击穿光谱的原始全谱数据；光谱采集设备模块为激光器或光谱仪；
22、所述数据预处理模块，用于对采集待测物质的激光诱导击穿光谱的原始全谱数据，进行最小最大值归一化和去趋势矫正处理，得到多维谱线数据集；
23、所述划分数据集模块，用于将多维谱线数据集划分为训练集、校验集和测试集并存储在存储器中；
24、所述波长筛选模块，用于使用连续投影算法降低数据维度，获取特征波长。
25、所述建模优化模块，用于利用训练集数据、校验集数据对高斯过程回归模型进行训练，以获取核函数的超参数。
26、所述测试模块，用于将测试集数据输入训练后的高斯过程回归模型，自动获取待分析元素浓度并输出。
27、采用上述技术方案所产生的有益效果在于：
28、本专利技术提供一种基于高斯过程回归的libs定量分析方法，本专利技术通过高斯过程回归模型以进行基于libs的成分定量分析，降低了自吸收和基体效应带来的非线性干扰，提高了定量分析的精度。
本文档来自技高网...【技术保护点】
1.一种基于高斯过程回归的LIBS定量分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于高斯过程回归的LIBS定量分析方法，其特征在于，所述步骤2具体为：使用连续投影算法，通过将波长投影到其他波长上，比较投影向量的大小，以投影向量最大的波长作为待选波长，每增加一个待选波长就新记录为一个变量子集，然后基于多个变量子集分别建立多元线性回归模型Linear Regression，预测效果最好的多元线性回归模型所使用的变量子集即为SPA算法选择最终的特征波长变量。
3.根据权利要求1所述的一种基于高斯过程回归的LIBS定量分析方法，其特征在于，所述步骤3具体为：LIBS元素光谱数据存在的多重共线性、噪声和非线性特征影响建模精度，在SPA算法降低多重共线性后，所设定的核函数应该能够处理噪声和非线性特征；对于噪声问题选用白噪声核函数，针对非线性特征选用RBF核，而针对线性特征选用点积核；将以上三种核函数进行相加组合成为高斯过程回归模型使用的核函数：
4.根据权利要求1所述的一种基于高斯过程回归的LIBS定量分析方法，其特征在于，所述步骤
5.一种基于高斯过程回归的LIBS定量分析系统，用于实现权利要求1所述的一种基于高斯过程回归的LIBS定量分析方法，其特征在于，包括光谱采集设备模块、数据预处理模块、划分数据集模块、连续投影波长筛选模块，高斯过程回归建模优化模块、测试模块；
...【技术特征摘要】
1.一种基于高斯过程回归的libs定量分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于高斯过程回归的libs定量分析方法，其特征在于，所述步骤2具体为：使用连续投影算法，通过将波长投影到其他波长上，比较投影向量的大小，以投影向量最大的波长作为待选波长，每增加一个待选波长就新记录为一个变量子集，然后基于多个变量子集分别建立多元线性回归模型linear regression，预测效果最好的多元线性回归模型所使用的变量子集即为spa算法选择最终的特征波长变量。
3.根据权利要求1所述的一种基于高斯过程回归的libs定量分析方法，其特征在于，所述步骤3具体为：libs元素光谱数据存在的多重共线性、噪声和非线性特征影响建模精度，在spa算法降低多重共线性后，...
【专利技术属性】
技术研发人员：辛勇，张奇，郑黎明，王金池，董伟，
申请(专利权)人：沈阳尖科智能测控技术合伙企业有限合伙，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。