[发明专利]一种提高激光诱导击穿光谱分类准确性的数据处理方法

说明书

本发明公开了一种提高激光诱导击穿光谱分类准确性的数据处理方法，对样品进行采集获得光谱数据；列出元素的特征谱线；获得各个元素的特征谱线的相对强度之比；生成每个样品对应的多个谱线组合，生成训练集和测试集；对SVM分类模型进行训练，记录训练集中各个的谱线组合对应的SVM识别精度；选取其中SVM识别精度最高所对应的谱线组合。本发明适应性更广，可以推广到不同类别的样品上；最大程度避免了人工选择特征谱线的光谱强度做分类模型的变量时，输入的有用信息不足或是输入了多余的干扰信息导致的模型精度较低，建模时间较长等问题。

技术领域

本发明属于激光诱导击穿光谱(Laser-Induced Breakdown Spectroscopy,LIBS)技术领域，具体涉及一种提高激光诱导击穿光谱分类准确性的数据处理方法。适用于物质进行分类识别可推广到其他物质成分如塑料，岩矿，中药材的分类模型中输入向量的优化等等。

背景技术

目前，激光诱导击穿光谱技术作为一种新的，快速的，便利的物质成分分析技术，在越来越多的工业领域中被证明具有巨大的应用潜力。但其技术本身还有不少缺点需要攻克，由于该技术是采集样品受激光激发产生的等离子体光谱，对采集光谱进行分析来判别物质成分和含量的，因此易受环境等外界因素的干扰。LIBS技术的重复性和稳定性偏低，在对微量元素的分析灵敏度、精确度和准确度上还有待提高。机器学习算法可以对数据进行优化处理，是在硬件性能无太大改善情况下的一种精度优化手段。近年来，将LIBS技术与机器学习算法相结合建立对物质分类的模型的研究越来越多。支持向量机(support vectormachine，SVM)是在统计学理论基础上发展起来的一种新的机器学习算法，是一种二分类模型，可用于建立对物质进行分类识别的模型。

将LIBS与SVM相结合建立的分类模型中，最常见的输入向量为样品的特征谱线的光谱强度。由于激光能量的波动、样品的不均匀性和激光与物质相互作用过程的复杂性，采集的光谱谱峰重叠严重，易导致单一元素的特征谱线的光谱强度稳定性较差。因此难以用单一元素的特征谱线特征谱线的光谱强度作为SVM的特征参数来建立定量分析模型去准确识别物质种类以及成分含量，而采用多元素的多条谱线信息输入分类模型时，多种谱线信息有效校正了基体效应的影响，使得模型训练效果较好。而现有技术在选择输入向量时，一般采取人工选择谱线的方法。

LIBS结合算法的分类模型，常常以特征谱线强度为输入向量。而LIBS探测得到的光谱所包含的变量很多。如一台光谱仪的波段范围为200nm-800nm，这段波段内有几千上万条谱峰，除可供于分类的有用信息以外，还包含很多如背景噪声，被基体元素影响导致失真的谱线信息等无用信息。因此人工测试的测试结果有可能出现误判，测试覆盖度有限以及人力成本有限都是测试技术所面临的瓶颈。

上述分类模型中输入向量的选取是人工选择谱线，选择谱线的原则是以美国国家标准与技术研究院(National Institute of Standards and Technology，NIST)的光谱数据库为依据，挑选谱线强度较高、波形完整、自吸收现象较弱和其他元素干扰较少的特征谱线的光谱强度作为分类模型的输入量。

现有的做法与操作者的经验有很大关系，且无法保证准确度，不够客观。上述现有技术的缺点：1.人工选择的谱线可能会丢失必要的信息，使得建立的模型识别效果较差；2.若选择了多余谱线信息可能导致建模时间过长。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种提高激光诱导击穿光谱分类准确性的数据处理方法，解决了现有的选择特征谱线的光谱强度做输入向量的方法经验要求较高，随机性较大的问题。

为了解决上述技术问题，本发明所采用的技术方案是：

一种提高激光诱导击穿光谱分类准确性的数据处理方法，包括以下步骤：

步骤1、对样品进行采集获得光谱数据；

步骤2、根据光谱数据列出元素的特征谱线；