[发明专利]一种基于光谱数据的赤铁矿磁性率检测方法

摘要

本发明涉及一种基于光谱数据检测赤铁矿磁性率的方法，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。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所述光谱数据处理后，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。本发明提供的基于赤铁矿光谱数据检测赤铁矿磁性率的方法，效率高、成本低、且精度高。

主权项

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。