详情

原文传递基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法

专利名称：	基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法
摘要：	本发明公开基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法，用于提高LIBS在线测量不同种类飞灰的未燃碳含量的测量精度；具体的步骤包括：(1)飞灰样品光谱数据的采集；(2)确定相关的特征谱线；(3)C‑SVM分类模型建立；(4)各种类飞灰的ε‑SVM定量模型的建立；(5)C‑SVM分类模型与ε‑SVM定量模型的级联；SVM可以同时进行分类学习和拟合学习，具有操作方便和适应性好等优点，按流程可以构建并使用分类加定量分析的级联模型；本发明方法可以有效减少飞灰种类差异引起的基体效应对元素浓度测量的额外误差，提高LIBS在线测量飞灰未燃碳含量的适用范围。
专利类型：	发明专利
申请人：	西安交通大学
发明人：	王珍珍;荣凯;刘人玮;周王峥;陈鹏
专利状态：	有效
申请日期：	1900-01-20T00:00:00+0805
发布日期：	1900-01-20T00:00:00+0805
申请号：	CN201911403910.3
公开号：	CN111060497A
代理机构：	西安智大知识产权代理事务所
代理人：	何会侠
分类号：	G01N21/71;G06K9/62;G;G01;G06;G01N;G06K;G01N21;G06K9;G01N21/71;G06K9/62
申请人地址：	710049 陕西省西安市碑林区咸宁西路28号
主权项：	1.基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法，其特征在于，具体步骤如下： (1)飞灰样品光谱数据的采集：选取来源于不同电厂不同含碳量的多个飞灰样品作为定标样品，将定标样品分为训练集样品和测试集样品，并假设测试集样品中的飞灰为未知种类和含碳量，用于测试所构建SVM级联模型的精度，利用LIBS设备检测所有飞灰样品，获得每个飞灰样品的激光诱导等离子体发射光谱； (2)确定相关的特征谱线：从每个飞灰样品的光谱数据中选取P条相关种类和含碳量的特征谱线，P>1，构成P维向量，测试集所有飞灰样品多次重复测量得到的P维向量，共同构成训练集信号集合I0；建立C-SVM分类模型： (3)C-SVM分类模型输出量：根据训练集样品飞灰基体成份的不同或飞灰来源的不同，将训练集样品飞灰分成X个种类，分别定义其标签为：＂m(1)＂，＂m(2)＂，＂…＂，＂m(X)＂，作为C-SVM分类模型训练的输出量； (4)训练C-SVM分类模型：以步骤(2)中训练集信号集合I0为模型训练的输入量，步骤(3)中确定的飞灰种类标签为模型训练的输出量，对C-SVM分类模型进行训练；C-SVM分类模型引入的目标函数为：其中ξ是松弛因子，允许错分样本的存在，C是约束错误范围的正常数，称为惩罚因子，\|\|ω\|\|是分类间距倒数的1/2，N是训练集样品数；目标函数通过拉格朗日乘子法变化得到如下形式： xi是训练集中样品i的P维向量，xj是训练集中样品j的P维向量，yi训练集样品i对应的种类标签，yj是训练集样品j对应的种类标签，αi，αj是对应训练集样品i，j训练确定的参数，K是核函数，由于LIBS测量结果多是非线性的，需要在非线性函数空间中转换，考虑到信号强度与元素含量成正相关，使用核函数的形式为q次多项式函数：K(xi,xj)＝(γ(xiT,xj)+r)q，q是多项式函数的次数，γ是输入向量线性内积的系数，r是多项式函数的非齐次常数；通过训练确定最佳参数α后，最终得到训练后的C-SVM分类模型；建立各种类飞灰的ε-SVM定量模型： (5)各种类飞灰的ε-SVM定量模型训练的输入和输出量：将训练集信号集合I0按步骤(3)中飞灰种类的不同分为：＂I0(1)＂,＂I0(2)＂,＂…＂，＂I0(X)＂，分别作为对应飞灰种类模型训练的输入量，同种类飞灰独立训练ε-SVM定量模型；训练集中同种类飞灰样品的未燃碳含量作为训练该种类飞灰ε-SVM定量模型的输出量； (6)训练各种类飞灰的ε-SVM定量模型：以训练集样品中同种类飞灰样品的P条特征谱线强度信号集合I0(x)为模型训练的输入量，同种类飞灰样品的未燃碳含量作为模型训练的输出量，训练对应种类的ε-SVM定量模型；ε-SVM定量模型的核函数为q次多项式函数：K(xi,xj)＝(γ(xiT,xj)+r)q与C-SVM分类模型一致，并且ε-SVM定量模型的具体训练过程与C-SVM分类模型相同；由于ε-SVM定量模型中需要一个允许的损失参数，其目标函数与C-SVM分类模型目标函数的区别在于惩罚因子C的边界条件s.t.改为损失因子的形式：nx是训练集中飞灰种类x的样品数，是训练过程中ε-SVM定量模型计算的训练集样品i的未燃碳含量，yi是训练集样品i对应的未燃碳含量，ε是松弛变量；同样通过拉格朗日乘子法转变目标函数形式后，通过训练确定最佳参数α，得到ε-SVM定量模型；根据步骤(3)确定飞灰样品的种类，最终会训练X个ε-SVM定量模型； C-SVM分类模型与ε-SVM定量模型的级联： (7)C-SVM分类模型与ε-SVM定量模型的级联：首先使用步骤(4)训练后的C-SVM分类模型进行飞灰种类识别，然后使用步骤(6)训练后的对应种类的ε-SVM定量模型进行未燃碳含量预测，这样结合两种模型得到SVM级联模型；待测样品测量的P维的光谱信号向量首先作为C-SVM分类模型的输入量，C-SVM分类模型的输出是飞灰种类判断标签，根据C-SVM分类模型输出样品种类标签；P维的光谱信号向量再作为对应的ε-SVM定量模型的输入量，得到碳含量预测值；从模型整体来看，由于已经实现了数据的内部传递，两种模型被封装起来，只需要单次输入待测样品测量的P维的光谱信号向量，便能得到该飞灰的种类和未燃碳含量。 2.根据权利要求1所述的基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法，其特征在于：步骤(1)利用LIBS检测设备检测所有飞灰样品，获得每个飞灰的激光诱导等离子体发射光谱，具体过程为：高能量的脉冲激光经过聚焦透镜,作用在飞灰样品表面处,形成等离子体；通过改变激光与飞灰的作用表面，从而获得同一飞灰样品不同位置的光谱；通过将不同位置的激光诱导等离子体发射光谱进行平均处理，进而得到某一个飞灰样品全面的激光诱导等离子体发射光谱；对不同种类不同含碳量的飞灰样品重复上述操作，得到所有飞灰样品的激光诱导等离子体发射光谱。 3.根据权利要求1所述的基于SVM级联模型的混合种类飞灰未燃碳含量LIBS测量方法，其特征在于：步骤(2)考虑到基体效应的影响以及飞灰的种类与元素的种类和含量有关，除了目标碳元素的谱线要被考虑，其它元素的谱线也需要被考虑，因此P>1。
所属类别：	发明专利