CN105300954B - 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 - Google Patents
一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 Download PDFInfo
- Publication number
- CN105300954B CN105300954B CN201510557444.XA CN201510557444A CN105300954B CN 105300954 B CN105300954 B CN 105300954B CN 201510557444 A CN201510557444 A CN 201510557444A CN 105300954 B CN105300954 B CN 105300954B
- Authority
- CN
- China
- Prior art keywords
- froth bed
- sample
- peak
- bed sample
- antimony
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法。本方法获取纯硫化锑物质光谱,从浮选现场的同一浮选槽多次采集泡沫层样本,通过构建大光斑拉曼光谱检测系统测量获得的样本,并利用平滑去噪、多项式拟合基线扣除等预处理方法进行样本预处理,再运用寻峰算法识别预处理后的泡沫层样本谱峰个数,建立谱峰信息表。本方法通过构建大光斑拉曼光谱检测系统,识别泡沫层样本光谱谱峰,实现浮选槽泡沫层样本光谱的表征,可以有效克服非均质泡沫层光谱检测的非均匀性,能够快速、完整的表征非均质泡沫层的光谱,为实现泡沫层矿物含量的快速实时检测奠定了基础。
Description
技术领域
本发明涉及拉曼光谱检测领域,涉及一种对非均匀对象的拉曼光谱表征方法,尤其涉及一种对锑浮选非均质泡沫层矿物的拉曼光谱表征方法。
背景技术
锑浮选过程是通过浮选工艺增高锑矿矿石中有用成分硫化锑的纯度。而硫化锑含量的高低直接表征矿物的品位的高低,是锑浮选过程优化控制的重要工艺指标之一。传统的浮选生产过程主要通过工人观察浮选泡沫状态来判断此时的浮选状况并估计泡沫层的有效矿物的含量从而调整药计量,这个过程取决于操作者的经验和能力,并且观察者的主观因素直接影响判断结果。此外,浮选过程中有效物质的含量的检测是通过不定期刮取浮选槽泡沫,烘干、干燥后通过化学试剂比色滴定方法来测定泡沫层中硫化锑含量。因此,迫切需要一种直接的能直观的反应硫化锑的物质含量信息的手段应用于锑浮选过程中,从而获取精确的硫化锑矿物含量信息。
拉曼光谱技术是一种利用分子散射光谱,对分子结构进行“指纹”识别的分析技术,其通过谱峰的位置和强度直接反应了物质的结构与含量信息,可以实现对物质的定性以及定量分析。并且一些研究指出拉曼光谱对硫化矿物的应用适应度高,光谱特性好,拉曼特性强。锑浮选过程中浮选目标物为辉锑矿,其是一种典型的硫化矿物,主要成分硫化锑,这种硫化物具有明显的拉曼散射效应,从而能够基于其拉曼光谱辉对其成分进行检测。此外,拉曼光谱测量过程制样要求不高、样本不会被破坏且不产生污染,并且对样本的形态没有特定的要求,无论是固态、液态、气态样本都能进行测量。
将拉曼光谱检测系统应用到锑浮选槽中,首先需要解决的是光谱图谱的准确获取进而用于定量分析。由于浮选槽中泡沫层是不断流动的,而单次抽取的样本相对于整槽而言所含有的有效信息显得微不足道,代表性较差,即不同的抽取样本得出的结果忽高忽低,随机性强。仅用单个样本代表一个浮选槽的泡沫层的含量的可信度低,不能完全的表示出槽的物质含量信息。单点泡沫层样本难以准确反映泡沫层全局矿物信息。因此需要对整个浮选槽泡沫层进行多点采样,并通过融合多个泡沫样本之间最终作为表征该次浮选槽的泡沫层矿物信息的合成样本。
然而,就单个泡沫样本的图谱获取,目前普遍应用的聚焦式拉曼光谱检测系统产生的激光光斑半径通常只有微米量级,市场上大光斑探头最大的也仅仅10毫米。其一次测量所能检测到的物质,不能完全覆盖单次测量样本的所有的有效信息,尤其在抽取得泡沫层样本中硫化锑含量较低时,测量的准确度更是大打折扣,造成单个样本检测的不准确,更深远的造成整个槽含量的不准确。因此,为了解决单个泡沫层样本光谱获取,解决因光斑小,光斑照射测量点的选择的随机性,造成的覆盖信息少且随机而带来获取的光谱信息不准确,以及检测单个泡沫层样本时获取到的光谱谱线波动较大,无法用来准确的表示出物质含量的准确信息。因此,需要增大样本拉曼光谱采集面积,通过提高拉曼光谱检测系统产生的激光光斑大小,减小单个泡沫层样本测量过程光谱数据的波动。
同时,尽管扩大拉曼光谱检测光斑可以一定程度上解决单个泡沫层样本从浮选槽中获得的单次泡沫层样本的代表性很差,并且由于光斑大小的当前限制不可突破,单次测量所能测量到的含量值远小于检验所需的含量值,因此需要从浮选槽中多次采样来采集不同的拉曼光谱。然而信息和光谱的随机性不可忽略,当进行分析处理时,需要按照随机过程的方式进行处理,以获得能够表征泡沫层矿物含量的代表性光谱,包含准确的含量信息,并结合已有的大光斑拉曼检测系统发展能够准确、快速表征浮选过程的泡沫层含量信息的光谱表征方法,为下一步利用拉曼光谱定量分析技术对获得到的表征光谱中提取信息来实现准确的定量分析奠定基础。
目前对于多个抽样样本来说,多样本随机处理方法大多采用样本概率来进行分析,然而对于多次测量得到的泡沫层样本来说,样本点本身没有固定的概率分布区间,需要人为的区划区间。根据目前的拉曼光谱谱峰定量分析技术,一般选用峰强作为目前的定量分析关键依据。当前对数据的分类方法大多采用聚类分析法,挖掘峰强含量信息的区间分布信息,遵循数据的随机性分布,对数据进行分类。因此结合大光斑拉曼检测系统和随机采样分析以及多个采样样本光斑获得最终的非均质泡沫层表征拉曼光谱。
发明内容
针对上述现有技术,本发明提供一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法,应用了Kaiser公司推出的拉曼固体定量分析PhAT探头(PhAT Probe forQuantitative Raman Analysis of Solids)以及现有的拉曼光谱检测仪搭建出大光斑拉曼光谱检测系统与多个泡沫层样本光谱处理方法相结合的方法实现泡沫层样本的光谱的表征。该方法准确、有效地解决了非均质泡沫层光谱检测的不均和难获得性,突破了传统的简单的平均,从光谱分布的角度,考虑到采样的随机性和内含含量值的随机性,从而弥补了槽的硕大与单次抽样过小的矛盾,从而表征了完整的非均质泡沫层的光谱,为锑含量光谱定量分析提供了准确、全面的光谱,对下一步利用光谱信息来实现定量分析奠定了基础。
为了解决上述技术问题,本发明锑矿浮选非均质泡沫层的拉曼光谱表征方法,包括如下步骤:
步骤一:从浮选现场实时运作的同一浮选槽中多次抽取泡沫层样本,并以纯硫化锑作为纯物质参照物,应用大光斑拉曼光谱检测系统来测量所有泡沫层样本以及纯物质参照物的拉曼光谱;
步骤二:运用平滑去噪和多项式拟合扣除基线来对得到的泡沫层样本以及纯硫化锑的光谱图谱进行预处理;
步骤三:建立光谱图谱的谱峰信息表,运用基于小波奇异性检测的寻峰算法来检测经过预处理后的泡沫层样本图谱和纯硫化锑图谱中谱峰的个数、并将识别到的谱峰对应的峰强进行排序,然后保存成对应的谱峰信息表;
步骤四:采用基于主特征峰的匹配算法将每个泡沫层样本的谱峰信息与纯物质硫化锑的谱峰信息进行匹配,如果能从泡沫层样本i的拉曼光谱图谱中匹配和识别出泡沫层样本中硫化锑的存在,则求取该泡沫层样本i对应主特征峰峰高R泡沫层样本i(v),其中i为泡沫层样本数,如果抽取的样本中没有匹配和识别出硫化锑即特征峰匹配失败,则令R泡沫层样本i(v)为零;
步骤五:采用k-means聚类方法对每个泡沫层样本i求得的峰高R泡沫层样本i(v)进行分类,按照峰高系数的数值大小,设置聚类类别数为3,最终将其分为I、II、III类区间,并归纳统计峰高R泡沫层样本i(v)分别落入I类区间的个数N1、II类区间的个数N2、III类区间的个数N3,再求各个类值区间的概率 (k=1,2,3;i=1,...,100),其中k表示的是区间的类型;i表示的是样本的编号,不仅表示区间的概率,同时也表示样本i落入K区间,其对应概率为
步骤六:将这些泡沫层样本按照其对应的阈值区间概率进行加权平均,求得最终的峰高比例系数,R泡沫层样本 其中每个峰高R泡沫层样本i(v)对应的概率最终峰高系数R,即用来完全表征该非均质泡沫层的最终拉曼光谱:SPEC=(R/R纯硫化锑)*SPEC纯硫化锑,其中SPEC为最终求得的拉曼光谱,R纯硫化锑为纯物质的硫化锑对应的者特征峰峰强,SPEC纯硫化锑为纯物质的硫化锑对应的拉曼光谱。
所述的方法,所述的步骤一中,大光斑拉曼光谱检测系统是由拉曼光谱检测仪通讯连接拉曼固体定量分析PhAT探头组成。
所述的方法,所述的步骤三中,基于小波奇异性检测的寻峰算法来建立光谱图谱的谱峰信息表包括以下步骤:
步骤a、选择Mexican hat小波作为基于小波奇异性检测算法的小波基;
步骤b、对光谱信号进行小波变换;
步骤c、利用小波变换后的极大值点来定位光谱信号f(x)的奇异点,利用小波变换来计算光谱信号f(x)在x0点的Lipschitz;
步骤d、用离散小波变换的直接算法来进行光谱信号奇异性的定位即寻找峰位;
步骤e、对定位出的峰值按照相对的峰的强度,由强到弱保存在谱峰信息表。
所述的方法,所述的步骤四中,主特征峰匹配算法包括以下步骤:
步骤a、利用基于小波奇异性检测的寻峰算法来求取待匹配样本的特征峰信息;
步骤b、将该样本的特征峰信息和已经获得的纯物质硫化锑的特征峰进行比对,取前三个强度最高的特征峰作为主特征峰,按照相对强度的高低依次匹配,如果峰位、相对峰强等信息均一致,并且三个特征峰连续匹配成功,则基本可以确定该目标物的成分。否则,说明该次样本中不含有硫化锑;
步骤c、匹配成功,则求取该样本对应的主特征峰高R泡沫层样本i(v),如果匹配不成功,则该样本对应的峰高R泡沫层样本i(v)为0。
所述的方法,所述的步骤五中,K-means聚类方法包括以下步骤:
步骤a、通过计算机从所有数据峰高R泡沫层样本i(v)中随机选取3个数值作为3个类的中心,记为(为实数);
步骤b、计算所有峰高R泡沫层样本i(v)到3个聚类中心的距离μ1μ2,μ3,按照以下的表达式求每一个峰高R泡沫层样本i(v)到三个聚类中心μ1μ2,μ3距离的最小值L(i)=min||R泡沫层样本i(v)-μj||2,并将该数值点Ci聚类到聚离该点最近的聚类中心附近;
步骤c、计算每个聚类中心内所有聚到该类的数据点峰高R泡沫层样本i(v)的坐标平均值,并且将这个平均值作为新的聚类中心:对于每一个聚类中心j,重新计算该聚类的质心:其中1{L(i)=j}表示如果R泡沫层样本i(v)属于类中心点j内的点时,则值为1;如果R泡沫层样本i(v)不属于类中心点j内的点时,则值为0;
步骤d、重复步骤2,计算每个点到新的聚类中心的距离,并聚类到该新聚类中心附近去;
步骤e、重复步骤3,计算新的聚类中心经过重新聚类后所有点的坐标平均值,并将这个平均值作为新的聚类中心;
步骤f、直到聚类结果不再发生变化就停止聚类;
步骤g、输出结果,并将最终的聚类中心L(i)和每个聚类中心L(i)附近的峰高R泡沫层样本i(v)分类保存。
所述的方法,所述的步骤一中,所述的泡沫层样本的抽取次数不小于100次。
本发明针对锑浮选过程非均质泡沫层矿物的难以表征问题,解决了单次取样样本与浮选槽面积之间矛盾,并充分利用了抽样样本包含的随机含量信息,尽可能使获取的样本具备最佳代表性,为拉曼光谱应用在锑浮选非均质泡沫层矿物含量定量分析技术上奠定了基础,同时也为类似的浮选检测工艺过程提供了一种非均质对象的光谱表征方法。
附图说明
图1是本发明基于拉曼光谱的锑矿浮选非均质泡沫层的表征方法流程图;
图2是图1中主特征峰匹配算法的流程图;
图3是普通拉曼探头测量得到的拉曼光谱;
图4是大光斑拉曼探头测量得到的拉曼光谱;
图5是纯硫化锑样本的拉曼光谱图谱;
图6是100个抽样样本的拉曼光谱汇总图谱;
图7是对100个R泡沫层样本i(v)进行k-means聚类的结果图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细地描述,如图1所示,本发明给出了一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法,包括以下步骤:
步骤一:从浮选现场实时运作的同一浮选槽中多次抽取不同的泡沫层样本;并获取锑浮选目标纯物质—硫化锑,应用了Kaiser公司推出的拉曼固体定量分析PhAT探头(PhAT Probe for Quantitative Raman Analysis of Solids)以及现有的拉曼光谱检测仪搭建出大光斑拉曼光谱检测系统测量这些泡沫层样本以及纯物质硫化锑的拉曼光谱;本实施例连续从浮选槽中抽取100次泡沫层样本并准备纯硫化锑样本,作为分析样本。
本实施例中采用大光斑拉曼光谱检测系统测取样本的拉曼光谱,该装置包括激光器、激发光纤、光纤探头、样品池、收集光纤、光谱仪和计算机;激光器通过激发光纤与光纤探头的入射口相连,光纤探头的出射口通过收集光纤与光谱仪相连,光谱仪与计算机的USB接口相连。激光器选用波长为785nm的半导体激光器,用以激发拉曼散射,其激光功率为350mw。样品池采用光程为1cm的石英比色皿。所述光谱仪其光学分辨率为6cm-1,在600-1800(^-1区域内收集拉曼光谱。大光斑拉曼探头为phat prober探头,可提供的最大光斑,半径约为6mm。图3、4给出了同样的激光波长和保证同样的发射强度,不同光斑大小下的检测对比图。采用聚焦激光测量对泡沫层样本进行检测,9次测量结果间的差异约为14.8%,采用大光斑测量同样的一份样本,8次测量结果间的差异约为3.8%。这表明聚焦激光测量非均匀物质时,结果差异性较大;而采用大光斑(6mm)测量时,结果的一致性较好,证明了大光斑探头可以降低非均匀介质造成的光谱不均匀。
按照如上的检测装置和探头对所有样品,连续测量3次,取3次测量光谱数据的平均值作为该次抽样样本的拉曼光谱,每次积分时间10s。图5是纯硫化锑样本的拉曼光谱图谱,图6是100个抽样样本的拉曼光谱汇总图谱。
步骤二:运用平滑去噪、多项式拟合扣除基线的预处理方法对测取的拉曼光谱进行预处理;其中,平滑可以有效消除光谱中的高频成分而保留低频成分,提高分析信号的信噪比,本方法中的平滑滤波是采用Savitzky-Golay卷积平滑滤波。多项式拟合扣除基线的方法通过对基线进行线性拟合从而消除基线背景
步骤三:建立光谱图谱的谱峰信息表,运用基于小波奇异性检测的寻峰算法来检测经过预处理后的泡沫层样本图谱和纯硫化锑图谱中谱峰的个数、并将识别到的谱峰对应的峰强进行排序,然后保存成对应的谱峰信息表;
小波奇异性检测的寻峰算法选择Mexican hat小波为小波基;对光谱信号进行小波变换;利用小波变换后的极大值点来定位光谱信号f(x)的奇异点;利用小波变换来计算光谱信号f(x)在x0点的Lipschitz;用离散小波变换的直接算法来进行光谱信号奇异性的定位即寻找峰位;对定位出的峰值按照峰的强度由高到低进性排列保存。表一给出了纯硫化锑的拉曼特征峰以及峰的排列顺序。
步骤四:将多个泡沫层样本和纯物质硫化锑的谱峰,采用主特征峰匹配算法进行匹配识别是否存在有效成分硫化锑,图2给出了主特征峰匹配算法的流程图。连续比对100份样本和纯物质硫化锑的强度最高的前三个特征峰依次匹配加以区别,如果按照三个特征峰连续匹配成功,基本可以确定该目标物的成分,此时基本确定能从泡沫层样本i的拉曼光谱图谱中匹配和识别出硫化锑的存在,则求取该泡沫层样本i对应主特征峰峰高R泡沫层样本i(v),其中i为泡沫层样本数,如果抽取的样本中没有匹配和识别出硫化锑即特征峰匹配失败,则令R泡沫层样本i(v)为零;
步骤五:采用k-means聚类方法对每个泡沫层样本i求得的峰高比例系数Ci进行分类,按照比例系数的数值大小,,设置聚类类别数为3,最终将其分为I、II、III类区间。根据经验统计,(0,600)归并入I类区间,(600,1500)归并入II类区间,(1500,∞)归并入III类区间。并归纳统计峰高比例系数Ci分别落入I类区间的个数N1、II类区间的个数N2、III类区间的个数N3。并求落入各个类值区间的概率 (k=1,2,3;i=1,…,100),(k表示的是区间的类型;i表示的是样本的编号)从而得到了每个泡沫层样本对应类值区间概率;图6是对100个R泡沫层样本i(v)进行k-means聚类的结果图。
K-means聚类方法:1、通过计算机从一百个峰高R泡沫层样本i(v)中随机选取3个数值作为3个类的中心,记为(为实数);2、计算一百个峰高R泡沫层样本i(v)到3个聚类中心的距离μ1μ2,μ3,按照以下的表达式求每一个峰高R泡沫层样本i(v)到三个聚类中心μ1μ2,μ3距离的最小值L(i)=min||R泡沫层样本i(v)-μj||2,并将该数值点峰高R泡沫层样本i(v)聚类到聚离该点最近的聚类中心附近;3、计算每个聚类中心内所有聚到该类的数据点R泡沫层样本i(v)的坐标平均值,并且将这个平均值作为新的聚类中心:对于每一个聚类中心j,重新计算该聚类的质心:(1{L(i)=j}表示如果R泡沫层样本i(v)属于类中心点j内的点时,则值为1;如果R泡沫层样本i(v)不属于类中心点j内的点时,则值为0);4、重复步骤2,计算每个点到新的聚类中心的距离,并聚类到该新聚类中心附近去;5、重复步骤3,计算新的聚类中心经过重新聚类后所有点的坐标平均值,并将这个平均值作为新的聚类中心;6、直到聚类结果不再发生变化就停止聚类;7、输出结果,并将最终的聚类中心L(i)和每个聚类中心L(i)附近的R泡沫层样本i(v)分类保存在计算机中待下一步处理。
步骤六:将这些泡沫层样本按照对应的聚类后获得阈值区间概率进行加权平均来求得最终的峰高比例系数:R=∑R泡沫层样本 每个峰高比例系数R泡沫层样本i(v)对应的概率Pk记做按照求取的最终峰高系数R从而得到能够完全表征该非均质泡沫层的最终拉曼光谱:SPEC=(R/R纯硫化锑)*SPEC纯硫化锑,其中SPEC为最终求得的拉曼光谱,R纯硫化锑为纯物质的硫化锑对应的者特征峰峰强,SPEC纯硫化锑为纯物质的硫化锑对应的拉曼光谱。
图7是经过最后处理的由100份拉曼光谱共同表征的浮选过程光谱图。
Claims (6)
1.一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法,其特征在于,包括如下步骤:
步骤一:从浮选现场实时运作的同一浮选槽中多次抽取泡沫层样本,并以纯硫化锑作为纯物质参照物,应用大光斑拉曼光谱检测系统来测量所有泡沫层样本以及纯物质参照物的拉曼光谱;
步骤二:运用平滑去噪和多项式拟合扣除基线来对得到的泡沫层样本以及纯硫化锑的光谱图谱进行预处理;
步骤三:建立光谱图谱的谱峰信息表,运用基于小波奇异性检测的寻峰算法来检测经过预处理后的泡沫层样本图谱和纯硫化锑图谱中谱峰的个数、并将识别到的谱峰对应的峰强进行排序,然后保存成对应的谱峰信息表;
步骤四:采用基于主特征峰的匹配算法将每个泡沫层样本的谱峰信息与纯物质硫化锑的谱峰信息进行匹配,如果能从泡沫层样本i的拉曼光谱图谱中匹配和识别出泡沫层样本中硫化锑的存在,则求取该泡沫层样本i对应主特征峰峰高R泡沫层样本i(v),其中i为泡沫层样本数,如果抽取的样本中没有匹配和识别出硫化锑即特征峰匹配失败,则令R泡沫层样本i(v)为零;
步骤五:采用k-means聚类方法对每个泡沫层样本i求得的峰高R泡沫层样本i(v)进行分类,按照峰高系数的数值大小,设置聚类类别数为3,最终将其分为I、II、III类区间,并归纳统计峰高R泡沫层样本i(v)分别落入I类区间的个数N1、II类区间的个数N2、III类区间的个数N3,再求各个类值区间的概率 其中k表示的是区间的类型;i表示的是样本的编号,k=1,2,3;i=1,...,100,不仅表示区间的概率,同时也表示样本i落入K区间,其对应概率为
步骤六:将这些泡沫层样本按照其对应的阈值区间概率进行加权平均,求得最终的峰高比例系数,其中每个峰高R泡沫层样本i(v)对应的概率最终峰高系数R,即用来完全表征该非均质泡沫层的最终拉曼光谱:SPEC=(R/R纯硫化锑)*SPEC纯硫化锑,其中SPEC为最终求得的拉曼光谱,R纯硫化锑为纯物质的硫化锑对应的主特征峰峰强,SPEC纯硫化锑为纯物质的硫化锑对应的拉曼光谱。
2.根据权利要求1所述的方法,其特征在于,所述的步骤一中,大光斑拉曼光谱检测系统是由拉曼光谱检测仪通讯连接拉曼固体定量分析PhAT探头组成。
3.根据权利要求1所述的方法,其特征在于,所述的步骤三中,基于小波奇异性检测的寻峰算法来建立光谱图谱的谱峰信息表包括以下步骤:
步骤a、选择Mexican hat小波作为基于小波奇异性检测算法的小波基;
步骤b、对光谱信号进行小波变换;
步骤c、利用小波变换后的极大值点来定位光谱信号f(x)的奇异点,利用小波变换来计算光谱信号f(x)在x0点的Lipschitz;
步骤d、用离散小波变换的直接算法来进行光谱信号奇异性的定位即寻找峰位;
步骤e、对定位出的峰值按照相对的峰的强度,由强到弱保存在谱峰信息表。
4.根据权利要求1所述的方法,其特征在于,所述的步骤四中,主特征峰匹配算法包括以下步骤:
步骤a、利用基于小波奇异性检测的寻峰算法来求取待匹配样本的特征峰信息;
步骤b、将该样本的特征峰信息和已经获得的纯物质硫化锑的特征峰进行比对,取前三个强度最高的特征峰作为主特征峰,按照相对强度的高低依次匹配,如果峰位、相对峰强信息均一致,并且三个特征峰连续匹配成功,则基本可以确定该目标物的成分;否则,说明该次样本中不含有硫化锑;
步骤c、匹配成功,则求取该样本对应的主特征峰高R泡沫层样本i(v),如果匹配不成功,则该样本对应的峰高R泡沫层样本i(v)为0。
5.根据权利要求1所述的方法,其特征在于,所述的步骤五中,K-means聚类方法包括以下步骤:
步骤a、通过计算机从所有数据峰高R泡沫层样本i(v)中随机选取3个数值作为3个类的中心,记为其中为实数;
步骤b、计算所有峰高R泡沫层样本i(v)到3个聚类中心μ1μ2,μ3的距离,按照以下的表达式求每一个峰高R泡沫层样本i(v)到三个聚类中心μ1μ2,μ3距离的最小值L(i)=min||R泡沫层样本i(v)-μj||2,其中j=1,2,3;并将该数值点L(i)聚类到距离该点最近的聚类中心附近;
步骤c、计算每个聚类中心内所有聚到该类的数据点峰高R泡沫层样本i(v)的坐标平均值,并且将这个平均值作为新的聚类中心:对于每一个聚类中心j,重新计算该聚类的质心:其中1{L(i)=j}表示如果R泡沫层样本i(v)属于类中心点j内的点时,则值为1;如果R泡沫层样本i(v)不属于类中心j内的点时,则值为0;
步骤d、重复步骤b,计算每个点到新的聚类中心的距离,并聚类到该新聚类中心附近去;
步骤e、重复步骤c,计算新的聚类中心经过重新聚类后所有点的坐标平均值,并将这个平均值作为新的聚类中心;
步骤f、直到聚类结果不再发生变化就停止聚类;
步骤g、输出结果,并将最终的聚类中心L(i)和每个聚类中心L(i)附近的峰高R泡沫层样本i(v)分类保存。
6.根据权利要求1所述的方法,其特征在于,所述的步骤一中,所述的泡沫层样本的抽取次数不大于100次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510557444.XA CN105300954B (zh) | 2015-09-02 | 2015-09-02 | 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510557444.XA CN105300954B (zh) | 2015-09-02 | 2015-09-02 | 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105300954A CN105300954A (zh) | 2016-02-03 |
CN105300954B true CN105300954B (zh) | 2018-04-13 |
Family
ID=55198463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510557444.XA Active CN105300954B (zh) | 2015-09-02 | 2015-09-02 | 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105300954B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127227B (zh) * | 2016-06-14 | 2019-05-14 | 广西科技大学 | 采用拉曼光谱对物质进行聚类分析识别的方法 |
CN108241846B (zh) * | 2016-12-26 | 2021-03-05 | 同方威视技术股份有限公司 | 用于识别拉曼谱图的方法 |
CN108918502A (zh) * | 2018-07-25 | 2018-11-30 | 安徽大学 | 一种基于sers的玉米中杀螟硫磷农药残留的检测方法 |
CN110032988B (zh) * | 2019-04-23 | 2020-11-13 | 北京理工大学 | 紫外拉曼光谱系统实时降噪增强方法 |
CN111398243A (zh) * | 2020-04-02 | 2020-07-10 | 中南大学 | 用于钨浮选精矿品位在线检测的光纤拉曼系统及方法 |
CA3224202A1 (en) * | 2021-06-18 | 2022-12-22 | Polyvalor, Limited Partnership | Methods and systems for interrogating a drop of saliva using raman spectroscopy |
CN113984736B (zh) * | 2021-11-03 | 2022-07-29 | 江南大学 | 一种基于空间偏移拉曼光谱的带包装食品信号分离方法 |
CN117405650B (zh) * | 2023-12-14 | 2024-03-12 | 奥谱天成(厦门)光电有限公司 | 不可降解物质的检测方法、介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
CN101334844A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 用于浮选泡沫图像分析的关键特征提取方法 |
CN103839057A (zh) * | 2014-03-28 | 2014-06-04 | 中南大学 | 一种锑浮选工况识别方法及系统 |
GB2514118A (en) * | 2013-05-13 | 2014-11-19 | Heraeus Quartz Uk Ltd | Separation and analysis |
CN104655607A (zh) * | 2015-01-29 | 2015-05-27 | 中南大学 | 一种浮选泡沫层硫化锑矿物品位检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130233796A1 (en) * | 2012-03-06 | 2013-09-12 | Narasimha M. Rao | Treatment of industrial water systems |
-
2015
- 2015-09-02 CN CN201510557444.XA patent/CN105300954B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
CN101334844A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 用于浮选泡沫图像分析的关键特征提取方法 |
GB2514118A (en) * | 2013-05-13 | 2014-11-19 | Heraeus Quartz Uk Ltd | Separation and analysis |
CN103839057A (zh) * | 2014-03-28 | 2014-06-04 | 中南大学 | 一种锑浮选工况识别方法及系统 |
CN104655607A (zh) * | 2015-01-29 | 2015-05-27 | 中南大学 | 一种浮选泡沫层硫化锑矿物品位检测方法 |
Non-Patent Citations (3)
Title |
---|
一种改进小波算法及其在拉曼光谱预处理的应用;杨桂君 等;《光谱实验室》;20100131;第27卷(第1期);第325-330页 * |
拉曼光谱在磷矿加工过程中的应用;杨丽萍 等;《矿冶》;20130630;第22卷(第2期);第114-117页 * |
煤泥浮选泡沫的数字图像处理;刘文礼 等;《染料化学学报》;20020630;第30卷(第2期);第198-203页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105300954A (zh) | 2016-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105300954B (zh) | 一种锑矿浮选非均质泡沫层矿物的拉曼光谱表征方法 | |
CN102084794B (zh) | 多传感器信息融合的作物病虫害早期检测方法及装置 | |
CN103776777B (zh) | 一种用近红外光谱技术识别不同生长方式人参及对人参中组分含量测定的方法 | |
CN103234922A (zh) | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 | |
CN104792722A (zh) | 一种沉香含油率近红外光谱预测模型的建立 | |
CN101251526A (zh) | 食品综合品质无损检测方法与装置 | |
CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
CN104062258B (zh) | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 | |
CN107045637A (zh) | 一种基于光谱的血液物种识别仪及识别方法 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
CN103487422A (zh) | 多波长led荧光光谱的云端中药品质检测系统及方法 | |
CN201156043Y (zh) | 食品综合品质无损检测装置 | |
CN104655607A (zh) | 一种浮选泡沫层硫化锑矿物品位检测方法 | |
CN106404743A (zh) | 一种结合拉曼光谱和近红外光谱的探测方法及探测装置 | |
CN108827907A (zh) | 一种基于近红外光谱对彩棉色度的快速测定方法 | |
CN108548794A (zh) | 一种生物制品近红外模型转移方法 | |
CN109164069B (zh) | 一种果树叶面病害级别的鉴定方法 | |
CN104897709A (zh) | 一种基于x-射线荧光分析的农产品元素定量检测模型构建方法 | |
CN105942982B (zh) | 一种基于动态光谱的肿瘤预测仪 | |
CN109001182B (zh) | 封闭容器中酒精含量的拉曼光谱无损测定方法 | |
CN109961179A (zh) | 一种水产品品质检测方法及便携式拉曼装置 | |
CN109100315A (zh) | 一种基于噪信比的波长选择方法 | |
CN113984670A (zh) | 一种用于光腔衰荡高反射率测量的双传感器调腔方法 | |
CN107247033B (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 | |
CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |