[发明专利]一种稀土萃取过程多组分含量预测方法及系统

权利要求书

1.一种稀土萃取过程多组分含量预测方法，其特征在于，所述预测方法包括：

获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像在不同颜色空间下的颜色特征值；

在不同颜色空间下，根据铈镨/钕混合溶液图像的颜色特征值与已知铈镨/钕组分含量确定相关性最大HSI颜色特征分量；

获取HSI颜色特征分量中相关性最大的H、S分量一阶距；

以所述H、S分量一阶距为输入，以已知的铈镨/钕组分含量值为输出建立基于极限学习机的多组分含量软测量模型；

对所述基于极限学习机的多组分含量软测量模型中的初始权值矩阵和隐含层阈值矩阵进行优化，得到基于遗传算法-极限学习机的多组分含量软测量模型；

根据所述基于遗传算法-极限学习机的多组分含量软测量模型以所述H、S分量一阶距为输入确定待测稀土混合溶液中多种元素组分含量值；

在所述在不同颜色空间下，根据铈镨/钕混合溶液图像的颜色特征值与已知铈镨/钕组分含量确定相关性最大HSI颜色特征分量之前还包括：

获取具有离子特征颜色的在不同颜色空间下镨/钕混合溶液图像的颜色特征值；

比较所述铈镨/钕混合溶液图像在不同颜色空间下的颜色特征值和所述镨/钕混合溶液图像的颜色特征值，在同种颜色空间下确定二者颜色特征值的差异度，基于所述差异度选定更复杂的模型对后续多组分含量进行预测；

所述基于极限学习机的多组分含量软测量模型包括输入层、隐含层和输出层；

所述对所述基于极限学习机的多组分含量软测量模型的初始权值矩阵和隐含层阈值矩阵进行优化，得到基于遗传算法-极限学习机的多组分含量软测量模型具体包括：

将所述H、S分量一阶矩和所述已知的铈镨/钕组分含量作为训练集数据和测试集数据；

将所述训练集数据和所述测试集数据进行归一化处理；

根据归一化处理后的训练集数据和测试集数据，采用遗传算法对所述输出层与隐含层之间的权值矩阵和所述隐含层阈值矩阵进行优化，得到最优的输出层与隐含层之间的权值和最优的隐含层阈值；

采用遗传算法分别确定最优输出层与隐含层之间的权值，以及最优隐含层神经元阈值对极限学习机的初始权值和阈值赋值，并设定隐含层节点的个数；

通过所述初始权值、阈值以及所述隐含层节点确定基于遗传算法-极限学习机的多组分含量软测量模型。

2.根据权利要求1所述的稀土萃取过程多组分含量预测方法，其特征在于，所述在不同颜色空间下提取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像的颜色特征值具体包括：

利用机器视觉技术获取有颜色特征和无颜色特征的稀土离子共存条件下的铈镨/钕混合溶液图像；

根据所述铈镨/钕混合溶液图像在不同颜色空间下提取获得所述铈镨/钕混合溶液图像的颜色特征值。

3.根据权利要求1所述的稀土萃取过程多组分含量预测方法，其特征在于，所述基于极限学习机的多组分含量软测量模型具体表示如下：

给定输入样本，隐含层神经元输出矩阵计算公式：H＝g(WX^T+b)，其中H为隐含层神经元输出，g为隐含层神经元的激活函数，X为H、S分量一阶矩，W为输出层与隐含层之间的权值矩阵，b为隐含层神经元阈值矩阵；

神经网络输出计算公式：P＝(H^Tβ)，其中β为隐含层到输出层的权值矩阵，只要β确定即可唯一确定ELM模型，给定输出样本Y，权值矩阵可由解出，其解为：其中(H^T)⁺为转置矩阵H^T的伪逆矩阵。