[发明专利]一种基于最小二乘支持向量机结合激光诱导击穿光谱识别炉渣种类的方法

说明书

技术领域

本发明涉及一种基于最小二乘支持向量机结合激光诱导击穿光谱识别炉渣种类的方法，属于光谱分析技术领域。

背景技术

在炼钢工业，大量的副产物以炉渣和沉积物的形式存在。每年世界炉渣工业的炉渣达到几乎5000万吨。炉渣作为炉渣行业的重要副产品在保障炼钢操作顺利进行、钢材质量和金属回收等方面起着决定性作用。不同类型的炼钢炉会产生不同的炉渣。每种炉渣具有其特有的化学、矿物和物理性能，然而其主要成分包括氧化钙、二氧化硅、氧化铝、氧化镁、氧化铁等。炉渣的分类有助于冶金废料的回收和再利用。炉渣的重新利用主要集中在混凝土、建筑材料、工程路基、肥料、污水处理的低成本吸附剂和土壤改良剂等。因此，对炉渣种类的分析有助于冶金领域废弃物的回收和再利用。目前，炉渣分析的常规方法有化学分析、原子荧光光谱法(XRF)、原子发射光谱法(AES)、电感耦合等离子体-发射光谱(ICP-OES)和质谱(MS)等，这些技术都需要复杂的样品前处理，并且耗时，无法快速获取钢材产品质量信息，限制了其实时快速分析的应用。激光诱导击穿光谱(laser-induced breakdown spectroscopy, LIBS)技术具有制样简单的优势，可以对炉渣进行快速分析，因此在冶金分析领域具有广泛的应用前景。

LIBS是一种新兴的原子发射光谱技术，具有分析快捷、多元素同时分析以及无需样品预处理等优势，因此，LIBS技术被认为是最有前途的分析手段之一。近年来，LIBS技术广泛应用于环境污染、过程分析、科技考古、太空探测等领域，尤其在冶金领域具有很大的应用潜力。目前，LIBS技术在冶金工业的应用主要包括铁矿石筛选、过程控制和炉渣分析等。

炉渣的分类和识别已经成为世界各国环保部门的主要工作。利用LIBS技术实现炉渣分类主要取决于其化学成分以及含量之间的差异，换句话说，它利用其LIBS光谱峰位置和积分强度的差异来进行分类。采用化学计量学方法可以充分利用LIBS光谱有效信息，可以一定程度上提高炉渣的分类性能。支持向量机是一种基于统计学习理论发展起来的新兴分类和回归算法。该方法可以有效克服神经网络方法收敛难、不稳定以及推广性（即泛化能力或预测能力）差的缺点，在解决小样本数、非线性和高维数据空间的模式识别问题上具有独特的优势。最小二乘支持向量机（least squares-support vector machine, LS-SVM）采用最小二乘线性系统作为损失函数，通过解一组线性方程组代替传统支持向量机采用的较复杂的二次规划方法，可以一定程度上减少计算复杂程度，加快了求解速度。

发明内容

本发明的目的是提供一种最小二乘支持向量机算法结合激光诱导击穿光谱对炉渣种类进行识别的方法，可以克服基体效应，自吸收效应以及过拟合现象，具有快速、高精度分析的优点。

本发明实现过程如下：

最小二乘支持向量机算法结合激光诱导击穿光谱对炉渣种类进行识别的方法，包括以下步骤：

（1）利用激光诱导击穿光谱仪器对分别在30个炉渣样品的不同测量位点进行光谱数据采集；

（2）从30个炉渣样品中随机挑选20个样品的光谱数据作为训练模型的训练集，其余10个样品对应的光谱数据作为测试集；

（3）使用训练集数据通过网格搜索和五折交叉验证方法对LS-SVM训练模型两个参数径向基核函数-γ和σ²进行寻优；

（4）确定模型最优参数后利用训练集数据建立炉渣分类的LS-SVM分类模型；

（5）利用建立的LS-SVM模型预测未知炉渣所属的类别。

上述步骤(2) 中，训练集和测试集的LIBS光谱数据是经过最大值归一化后的光谱数据。

上述步骤(3)中，使用训练集数据对两个参数径向基核函数-γ和σ²进行寻优，γ取值范围为1-100，σ² 取值范围为1-100，两个参数的取值间隔均为1；采用网格搜索和五折交叉验证来进行寻优，正确分类率作为评价参数。

上述步骤（5）中，通过建立的最优LS-SVM训练模型来预测测试集炉渣样品所属类别，采用正确分类率和错误分类率两种指标进行评价。

本发明的优点与积极效果：本发明将最小二乘支持向量机算法结合激光诱导击穿对炉渣种类识别的方法，最小二乘支持向量机算法对异常值和噪声具有很好的容忍度，能够克服基体效应等因素的干扰，有效提高预测准确度，具有较强的泛化能力。

附图说明

图1 是最小二乘支持向量机建模流程图。