[发明专利]一种基于光谱数据的铁矿石全铁含量检测方法有效
| 申请号： | 201810783651.0 | 申请日： | 2018-07-17 |
| 公开（公告）号： | CN109030388B | 公开（公告）日： | 2019-12-03 |
| 发明（设计）人： | 肖冬;刘崇敏;毛亚纯;张颖伟;柳小波;孙效玉 | 申请（专利权）人： | 东北大学 |
| 主分类号： | G01N21/31 | 分类号： | G01N21/31;G01N21/3563;G01N21/359 |
| 代理公司： | 11613 北京易捷胜知识产权代理事务所(普通合伙) | 代理人： | 韩国胜<国际申请>=<国际公布>=<进入 |
| 地址： | 110169 辽*** | 国省代码： | 辽宁;21 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于光谱数据的铁矿石全铁含量检测方法，包括以下步骤：获取待检测铁矿石样品的光谱数据，所述光谱数据中包含m个光谱特征；将所述光谱数据输入铁矿石分类模型中，获得所述待检测铁矿石样品的铁矿石类型；根据获得的铁矿石类型，将所述光谱数据输入相应铁矿石类型的铁矿石全铁含量检测模型中，获得所述光谱数据对应的铁矿石全铁含量。本发明提供的一种基于光谱数据的铁矿石全铁含量检测方法，具有效率高、成本低、且精度高的优点。 | ||
| 搜索关键词： | 铁矿石 光谱数据 全铁 含量检测 铁矿石样品 含量检测模型 分类模型 光谱特征 检测 | ||
【主权项】：
1.一种基于铁矿石光谱数据检测铁矿石全铁含量的方法，包括以下步骤：/n获取待检测铁矿石样品的光谱数据，所述光谱数据中包含m个光谱特征；/n将所述光谱数据输入铁矿石分类模型中，获得所述待检测铁矿石样品的铁矿石类型；/n根据获得的铁矿石类型，将所述光谱数据输入相应铁矿石类型的铁矿石全铁含量检测模型中，获得所述光谱数据对应的铁矿石全铁含量；/n再 根据获得的铁矿石类型，将所述光谱数据输入相应铁矿石类型的铁矿石全铁含量检测模型中，获得所述光谱数据对应的铁矿石全铁含量之前，还包括：/n采用多组类型和全铁含量已知的铁矿石光谱数据，利用主成分分析算法对光谱数据处理后，对不同类型的铁矿石分别建立基于改进粒子群算法优化的双隐含层极限学习机神经网络的铁矿石全铁含量检测模型；/n所述方法还包括如下子步骤：/n获取多个类型和全铁含量已知的铁矿石光谱数据，其中，每个光谱数据中包含m个光谱特征；/n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；/n设置改进粒子群算法优化的双隐含层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；/n将铁矿石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双隐含层极限学习机神经网络的输入数据；/n将铁矿石全铁含量作为所述改进粒子群算法优化的双隐含层极限学习机神经网络的输出数据；/n使用改进粒子群算法得到所述双隐含层极限学习机神经网络第一个隐含层的最优权重矩阵、最优偏置向量以及最优的隐含层节点数；/n将所述最优权重矩阵设置为所述改进粒子群算法优化的双隐含层极限学习机神经网络第一个隐含层的权重矩阵；/n将所述最优偏置向量设置为所述改进粒子群算法优化的双隐含层极限学习机神经网络第一个隐含层的偏置向量；/n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双隐含层极限学习机神经网络的隐含层节点数；/n获得的改进粒子群算法优化的双隐含层极限学习机神经网络即为相应类型铁矿石全铁含量的检测模型。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于东北大学，未经东北大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810783651.0/，转载请声明来源钻瓜专利网。
