[发明专利]一种基于光谱数据的赤铁矿磁性率检测方法

权利要求书

1.一种基于光谱数据检测赤铁矿磁性率的方法，其特征在于，包括以下步骤：

获取待检测的赤铁矿样品的光谱数据，其中，每个赤铁矿样品的光谱数据中包含m个光谱特征；

将获取的光谱数据输入赤铁矿磁性率检测模型；

赤铁矿磁性检测模型根据输入的光谱数据输出赤铁矿样品的磁性率；

在采用赤铁矿磁性率检测模型对所述光谱数据进行处理之前，还包括：

采用多组包括磁性率和与所述磁性率相对应的光谱数据的赤铁矿综合数据，利用主成分分析算法对光谱数据处理后，建立基于改进粒子群算法优化的极限学习机神经网络的赤铁矿磁性率检测模型；

所述方法还包括如下子步骤：

获取多组包括磁性率和与所述磁性率相对应的光谱数据的综合数据，其中，每组综合数据的光谱数据中包含m个光谱特征；

利用主成分分析算法将光谱数据中m个光谱特征降为n个光谱特征；

设置改进粒子群算法优化的极限学习机神经网络的参数，其中，设置输入层的节点个数为n，设置输出层的节点为1；

将所述赤铁矿综合数据中的光谱数据利用主成分分析算法处理后，作为所述改进粒子群算法优化的极限学习机神经网络的输入数据；

将所述赤铁矿综合数据中的磁性率作为所述改进粒子群算法优化的极限学习机神经网络的输出数据；

使用改进粒子群算法得到所述极限学习机神经网络的最优权重矩阵、最优偏置向量以及最优的隐含层节点数；

将所述最优权重矩阵设置为所述改进粒子群算法优化的极限学习机神经网络的权重矩阵；

将所述最优偏置向量设置为所述改进粒子群算法优化的极限学习机神经网络的偏置向量；

将所述最优隐含层节点数设置为所述改进粒子群算法优化的极限学习机神经网络的隐含层节点数；

获得的改进粒子群算法优化的极限学习机神经网络即为赤铁矿磁性率检测模型；

在使用改进粒子群算法得到所述改进粒子群算法优化的极限学习机神经网络的最优权重矩阵和最优偏置向量时，在每一轮迭代中，根据第一公式获取惯性权重ω(k)，所述第一公式为：

ω(k)＝ω_start-(ω_start-ω_end)·k/T_max，其中，ω_start＝0.9，ω_end＝0.4，k为当前迭代次数，T_max为最大迭代次数。

2.如权利要求1所述的方法，其特征在于，

在每一轮迭代中，根据第二公式更新粒子的个体极值P_ib和群体极值P_g，所述第二公式为：

其中，P_i为第i个粒子的位置；分别为将ELM的输入权值和偏差向量设置成第i个粒子位置、第i个粒子所经过的最优位置、群体最优位置网络的输出矩阵；f(·)为粒子的适应度函数。

3.如权利要求1所述的方法，其特征在于，

在使用改进粒子群算法得到所述粒子群算法优化的极限学习机神经网络的最优隐含层节点数时，在每一轮迭代中，根据第三公式更新粒子长度，即改变隐含层节点数L，所述第三公式为：

其中，rand()为产生一个[0，1]的数，L^k+1为变异操作后的隐含层节点数，L^k为变异操作前的隐含层节点数。

4.如权利要求1所述的方法，其特征在于，

所述改进粒子群算法优化的极限学习机神经网络中，极限学习机神经网络采用Sigmoid函数作为激活函数。

5.如权利要求1所述的方法，其特征在于，还包括获取赤铁矿样品光谱数据的步骤：对赤铁矿样品进行多次光谱测试，并将多次光谱测试的光谱数据进行算术平均后作为所述赤铁矿样品的光谱数据，其中，所述光谱测试中的光谱范围包括可见光光谱和近红外光光谱。