[发明专利]一种基于半监督学习的激光诱导击穿光谱分类识别方法

说明书

本发明涉及一种基于半监督学习的激光诱导击穿光谱分类识别方法，属于光谱检测技术领域，解决难以为传统监督学习提供足够训练样本，非监督学习无法提供分类标签结果的难题。利用激光诱导击穿光谱测量系统分别获取少量带标签类别的光谱数据和大量未知的光谱数据。对数据进行标签扩散，设置标签扩散参数L，将每个已知类别的数据标签扩散给L个未知类别数据，以使部分未知数据获得标签。再对大量无类别数据进行分类，设置分类参数K，每个未知类别数据的标签取决于离它最近的K个已知类别数据的标签中出现频率最高的标签。

技术领域

本发明涉及一种基于半监督学习的激光诱导击穿光谱分类识别方法，属于光谱检测技术领域。

背景技术

激光诱导击穿光谱(Laser-induced breakdown spectroscopy，LIBS)作为一种新兴的物质元素检测技术，目前已经在爆炸物检测、临床医学样本检测、文化遗产鉴定、合金加工过程、太空探索和农业与食品分析等领域得到广泛研究和应用。根据获得的LIBS光谱，可以对物质进行判别分析或分类识别。对于元素组成相似度极高的不同物质，获得的LIBS光谱差异可能较细微。随着近年来机器学习和人工智能算法的发展，LIBS结合机器学习算法为高相似度物质的鉴别分类提供了新方法。由于LIBS技术具有快速实时、便捷准确和可在线原位检测的优势，将在分类识别领域发挥越来越重要的作用。

基于LIBS对物质进行判别分析中，常用的的机器学习算法主要有监督学习分类方法和非监督聚类方法。监督学习是在有先验类别标签知识的情况下，学习从输入到输出的映射关系，然后使用学习到的映射基于贝叶斯统计预测每个测试数据的标签，使得分类识别准确率最大化。虽然监督学习方法已经在相关领域表现出良好预测结果，但其需要足够的已知标签类别的数据进行建模训练，以学习输入到输出间的映射关系，缺乏足够的训练样本可能导致低识别率。在实际应用，往往很难获得涵盖所有情况的训练数据。非监督学习不需要训练数据进行建模，直接对输入数据进行分析，发现输入数据中的规律，进行分类估计。在LIBS光谱分类识别领域应用最为广泛的是非监督聚类方法，发现输入数据的簇或分组，按特征将输入数据分组，如Hierarchical聚类分析、K-means聚类分析和ISODATA方法等。但是在实际应用场合，检测技术的应用往往是为了探测某一类物质或监测某一类物质，非监督聚类只能完成分组，而不能确定每一组分别是哪类物质。

这些都给实际应用场合采用LIBS进行物质识别分类带来了很大的困难，迫切需要一种能够基于少量带标签的训练数据，对大量未知输入光谱数据进行分类识别的方法。

发明内容

本发明的目的是为了解决激光诱导击穿光谱分类识别应用中，难以为传统监督学习提供足够训练样本，非监督学习无法提供分类标签结果的难题，提供一种基于半监督学习的激光诱导击穿光谱分类方法。该方法根据少量已知类别的训练数据，自动区分大量未知光谱数据，解决了激光诱导击穿光谱识别检测的实际应用问题。

本发明的技术方案如下：

一种基于半监督学习的激光诱导击穿光谱分类方法，其特征是该方法包括如下步骤：

1.进行光谱数据采集。

采用激光诱导击穿光谱实验系统，分别获取少量带标签类别的光谱数据和大量待测未知的光谱数据。

2.进行标签扩散。

1)设置标签扩散参数L；

2)计算每个标记已知类别的光谱数据和各个未知类别的光谱数据间距离，采用如下距离计算公式：

其中D为两个光谱数据间的距离，x、y分别为两个光谱数据，n为光谱数据维数，i为从1到n的索引，x_i和y_i为x、y在当前索引维数下的光谱峰值；