【技术实现步骤摘要】
本申请涉及离子浓度检测，具体公开了一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法。
技术介绍
1、锌是重要的战略储备原料，湿法炼锌主要包括焙烧、浸出、净化和电解四道工序。经过浸出后的炼锌溶液(简称锌液)以极高浓度硫酸锌溶液为基体，并包含铜、钴、镉等多种微量杂质金属离子。钴离子对锌电解过程危害极大，同时也是净化过程中难以去除的离子。净化除钴工序入口处钴离子浓度范围一般为10-20mg/l，出口合格锌液中钴离子浓度需要控制在0.1-0.3mg/l。在净化后液中，即使微量钴离子浓度超标也会导致电解过程中出现烧板现象，影响电解效率，因此准确检测钴离子浓度对于净化除钴过程具有重要意义。
2、目前冶金工业现场大多采用“人工取样+实验室离线分析”的方法来检测锌液中的钴离子浓度，检测费时耗力，检测效果差。而光学检测是一种高效率低成本的在线检测方法，其中紫外-可见光谱法具有检测速度快、灵敏度高等诸多优点，目前广泛应用于物质的定性和定量分析、纯度检测等领域。紫外-可见分光光度法是紫外可见光谱技术的一种应用，通过测定溶液中物质在不同波长点处的吸光度来确定物质的浓度。
3、紫外-可见光谱法的基本定量分析理论是朗伯-比尔定律，其物理意义为溶液吸光度与溶液浓度和光程成正比。然而在炼锌溶液中，锌离子与钴离子浓度呈高浓度比，在高锌背景下，钴离子的光谱信号极易被背景信号淹没，会使整体光谱信号整体偏离朗伯-比尔定律，呈现一定非线性特性，难以建立浓度预测回归模型，此外钴离子光谱信号的波长变量是高维数据，部分波长点包含大量噪声和冗余
4、综上，本专利技术采用紫外-可见分光光度法作为锌液钴离子检测的基本方法，并提出一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测模型，用于准确检测锌液中的钴离子浓度。
技术实现思路
1、本专利技术的目的是提供一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，用于解决高锌背景下钴离子光谱信号呈现一定非线性特性，难以建立浓度预测回归模型，且钴离子光谱信号特征难以提取的问题。
2、为了达到上述目的，本专利技术提供以下基础方案
3、一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，包括以下步骤：
4、s1：采用紫外-可见光谱测定炼锌溶液中的钴离子吸光度曲线，选定光谱信号的信息区，并采用savitzky-golay卷积平滑(s-g平滑)去除光谱信号信息区的噪声；
5、s2：对去噪后的光谱信号采用离散小波变换(dwt)提取小波系数作为光谱信号的特征信息，并对小波系数进行主成分分析(pca)从而降低维度，提取主成分；
6、s3：将经过两次特征提取后的特征信息作为极端梯度提升(xgboost)模型的输入，构建锌液低钴和高钴离子的浓度-吸光度集成模型。采用贝叶斯优化对模型的学习率、特征采样比例等超参数进行优化，得到最优的模型参数以使模型获得最佳性能；
7、s4：选取其他代表性的算法进行对比，来验证本专利技术提出的dwt-xgboost模型的有效性。
8、本基础方案的原理及效果在于：
9、1.与现有技术相比，在光谱信号的特征提取上，以往的研究者往往只通过一系列波长变量选择算法来进行特征提取，然而光谱信息特征很容易被大量噪声和随机干扰所淹没，波长变量之间往往存在复杂的光谱耦合，因此选择特定的波长点或波段组合可能会选择易受噪声干扰的特征，从而丢失原始光谱的重要信息。本专利技术从光谱信号本身的特性考虑，由于光谱信号是非平稳信号，不同时间段有不同的频率成分，而小波变换恰好可以通过平移和尺度伸缩变换来提取信号时间和频率上的局部特征信息，因此可以充分提取光谱信号不同时间段的频率信息。
10、2.与现有技术相比，在光谱数据的回归建模上，以往的研究者往往只构建单一的线性或者非线性回归模型，然而单一模型的预测效果往往达不到最优。因此本专利技术引入了集成学习的思想，采用xgboost模型来用于炼锌溶液中钴离子的非线性建模。xgboost通过迭代地训练多个基学习器(如决策树)，并将它们组合成一个强集成模型，这可以大大提高模型的预测精度。
11、进一步，步骤s1中所述的采用紫外-可见光谱测定锌液中的钴离子光谱曲线，选定光谱曲线的信息区，并采用savitzky-golay卷积平滑去噪。具体包括：
12、s11，通过对光谱曲线进行数据分析，确定光谱曲线的信息区波段；
13、s12，求解s-g平滑的多项式系数。首先确定移动窗口宽度为2m+1，窗口内波长点的吸光度为x＝(x-m,x-m+1,...x0...,xm-1,xm),采用n次多项式拟合得到y＝a0+a1x+a2x2+...+anxn，通过最小二乘法求出多项式系数的方程组如式(1)所示：
14、
15、用矩阵表示为y(2m+1)×1＝x(2m+1)×n×an×1+e(2m+1)×1，a的最小二乘解为经过s-g平滑后，原窗口中心点k处的值用给定的多项式在这点处的拟合值yk代替，如式(2)所示：
16、
17、s13，通过重复实验确定多项式次数，再以信噪比(snr)和均方根误差(rmse)作为评价指标确定最佳窗口宽度。在确定好窗口宽度和多项式次数后，采用s-g平滑对所有光谱曲线的信息区进行去噪。
18、进一步，步骤s2中所述的对去噪后的光谱信号采用离散小波变换提取小波系数作为光谱信号的特征信息，并对小波系数主成分降维，提取主成分。具体包括：
19、s21，由于光谱信号是等波长间隔的离散光谱数据点x1,x2,...,xn，其离散小波变换定义为式(3)所示：
20、
21、其中ψm,n(t)表示小波基函数，m代表尺度，n代表平移。上式表明离散小波变换实际上是将离散信号在小波基函数上投影。经过dwt提取到的小波系数包括近似系数c(i)和细节系数d(i)，其计算公式为式(4)和式(5)所示：
22、
23、
24、其中，j＝0,1,...,j，j为最高分解级次，a为尺度参数，a＝2j，分辨率定义为1/a。近似系数表示光谱信号的低频成分，它捕捉了光谱信号的大致特征，通常对应于小波变换的低频子带；细节系数表示光谱信号的高频成分，它捕捉了光谱信号的局部细节，通常对应于小波变换的高频子带。
25、s22，对光谱信号进行多层离散小波分解，并分别对小波系数重构，以相关系数来评价重构信号和原始光谱信号的相似度，相关系数越大表示原始信号和重构信号的相似度越大，离散小波变换信息损失越小，以此来确定最佳离散小波分解层数。
26、s23，经过dwt后的小波系数仍是高维特征变量，不利于模型训练。对小波系数采用pca进行降维，提取主成分。
27、进一步，步骤s3中将降维后的小波系数作为xgboost模型的输入，构建锌液低钴和高钴离子的浓度预本文档来自技高网...
【技术保护点】
1.一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，其特征在于，步骤S1中所述的采用紫外-可见光谱测定锌液中的钴离子光谱曲线，选定光谱曲线的信息区，并采用Savitzky-Golay卷积平滑去噪，具体包括：
3.根据权利要求2所述的一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，其特征在于，步骤S2中所述的对去噪后的光谱信号采用离散小波变换提取小波系数作为光谱信号的特征信息，并对小波系数主成分降维，提取主成分，具体包括：
4.根据权利要求3所述的一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，其特征在于，步骤S3中将降维后的小波系数作为XGBoost模型的输入，构建锌液低钴和高钴离子的浓度预测集成模型，采用贝叶斯优化寻找模型的最佳超参数，具体包括：
5.根据权利要求4所述的一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，其特征在于，步骤S4中所述的选取其他算法进行对比，来验证
6.根据权利要求5所述的一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，其特征在于，以均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为评价指标，对比四种算法在锌液低钴和高钴离子上的预测性能，来验证本专利技术提出的DWT-XGBoost模型的优越性。
...【技术特征摘要】
1.一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，其特征在于，步骤s1中所述的采用紫外-可见光谱测定锌液中的钴离子光谱曲线，选定光谱曲线的信息区，并采用savitzky-golay卷积平滑去噪，具体包括：
3.根据权利要求2所述的一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，其特征在于，步骤s2中所述的对去噪后的光谱信号采用离散小波变换提取小波系数作为光谱信号的特征信息，并对小波系数主成分降维，提取主成分，具体包括：
4.根据权利要求3所述的一种基于离散小波变换和极端梯度提升的锌液钴离子浓度预测方法，其特征在于，步骤s3中将降维后的小波系数作为xgboost...
【专利技术属性】
技术研发人员：朱红求，袁建强，万奇龙，周灿，熊菲燕，赵航民，
申请(专利权)人：中南大学，
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。