CN106841170B - 一种基于小波神经网络算法的煤灰种类识别方法 - Google Patents
一种基于小波神经网络算法的煤灰种类识别方法 Download PDFInfo
- Publication number
- CN106841170B CN106841170B CN201611100975.7A CN201611100975A CN106841170B CN 106841170 B CN106841170 B CN 106841170B CN 201611100975 A CN201611100975 A CN 201611100975A CN 106841170 B CN106841170 B CN 106841170B
- Authority
- CN
- China
- Prior art keywords
- coal ash
- neural network
- samples
- wavelet neural
- sample
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Plasma & Fusion (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Optics & Photonics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于小波神经网络算法结合激光诱导击穿光谱技术的煤灰种类识别方法。利用激光诱导击穿光谱仪对煤灰薄片样品分别在不同的测量位点进行光谱数据采集,利用独立成分分析对训练集数据进行特征变量筛选,采用梯度下降法对小波神经网络模型参数进行优化,并预测未知煤灰样品的所属类别。该方法通过有效提取类间差异信息,同时剔除了与分析变量无关的噪音信息,减少了实验过程中参数波动和基体效应造成的不良影响,提高了分类结果的准确率。
Description
技术领域
本发明涉及一种煤灰种类的识别方法,具体来说,利用激光诱导击穿光谱技术,借助小波神经网络算法实现煤灰种类的判别分析,属于光谱分析技术领域。
背景技术
近几年,在冬季我国出现长时间大面积的区域性污染天气,特别是雾霾现象已司空见惯,已成为全球关注的热点问题。大气污染威胁着人类健康和生态平衡,是21世纪人类面临的最大环境挑战之一。而造成空气污染,特别是雾霾现象的主要原因来自于煤的燃烧,其燃烧产物煤灰颗粒若不进行加工处理,就会转变成大气污染颗粒中危害最大的成分,从而影响人体健康。因此煤灰的回收和再利用成为了环境科学的重要课题,而煤灰的分类有助于其更好的回收和再利用。根据其种类的不同,煤灰不仅可用于道路的路面基层和回填等,而且可根据其所含的活性SiO2、Al2O3和 CaO等用于废水处理,也可用作土壤改良剂来改善土壤的酸碱性。煤灰的综合利用不仅可以起到保护环境的作用,对社会经济也有很大的影响。
目前,常用的煤灰分析方法有化学分析、原子吸收光谱、X射线荧光光谱、瞬间中子活化法和电感耦合等离子体质谱法等,然而这些技术都需要复杂的样品前处理,且一些技术对轻元素检测不灵敏,还会有辐射等,这些缺点都限制了其快速分析的应用。激光诱导击穿光谱(简称LIBS)技术是一种基于原子发射光谱技术且激光作为激发源的新兴元素分析技术,具有无需复杂样品前处理、快速、实时、远程探测以及多元素同时分析等优势。近年来,该技术已被广泛应用于冶金分析、环境污染、地质矿物以及太空探测等领域。
利用LIBS技术实现煤灰分类主要取决于其化学成分以及含量之间的差异,换句话说,它利用其LIBS光谱峰位置和积分强度的差异来进行分类。由于LIBS 采集到的是复杂发射光谱,其中蕴含着丰富的化学信息和相关信息,不同种类物质的LIBS 光谱都存在差异,通过化学计量学方法将有效信息和差异信息提取出来并进行区分和判别物质所属种类,一定程度上可提高煤灰的分类性能。
发明内容
本发明的目的是提出了一种基于小波神经网络结合激光诱导击穿光谱技术的煤灰种类识别方法。由于LIBS 采集到的是复杂发射光谱,存在各种干扰现象如自吸收效应、元素互干扰以及环境噪声等,本发明通过建立小波神经网络分类模型,提取其差异信息,即可实现煤灰种类的判别分析。
本发明的技术方案是:
一种基于小波神经网络算法结合激光诱导击穿光谱技术的煤灰种类识别方法,包括如下步骤:
1)首先煤灰样品压成薄片,然后利用激光诱导击穿光谱仪对不同种类的煤灰薄片样品分别在不同的测量位点进行光谱数据采集;
2)从所有煤灰样品对应的光谱数据中随机挑选占样品总量2/3的煤灰样品光谱数据作为训练集,其余样品对应的光谱数据作为测试集;
3)利用独立成分分析对训练集数据进行光谱特征变量筛选,并将优化的光谱特征变量作为输入变量构建分类模型;
4)采用梯度下降法对小波神经网络模型参数进行优化;
5) 利用优化后的模型参数构建小波神经网络分类模型,并预测未知煤灰样品的所属类别。
上述步骤(3)中,光谱数据经独立成分分析处理后,通过均方误差作为评价指标考察不同的独立成分对模型性能的影响,独立成分数的取值范围为1-50,基于最小均方误差选择出最优的独立成分数,即特征变量。
上述步骤(4)中,小波神经网络的模型参数为隐含层节点数、学习效率、动量因子和迭代次数,隐含层节点数的取值范围为1-20,学习效率的取值范围为0.001-0.010,动量因子的取值范围为0.01-0.10,迭代次数的取值范围为1-1000,基于最小均方误差选择出最优的模型参数。
本发明的优点与积极效果:本发明克服了激光等离子体光谱数据处理中,由于元素互扰以及环境噪音等干扰因素造成的变量的多重相关性,通过建立小波神经网络分类模型,提取其差异信息,即可实现煤灰种类的判别分析。一方面基于独立成分分析有效地提取了类间的差异信息,同时剔除了与分析变量无关的噪音信息,减少了实验过程中参数波动和基体效应造成的不良影响,提高了分类结果的准确率。
附图说明
图1是不同独立成分数对小波神经网络模型的影响。
具体实施方式
实施例1
以下以对三种不同种类煤灰样品的建模分类为例,结合附图1和实例来进一步说明本发明的操作流程,但本发明不限于此例。
本实例使用的LIBS 系统包括双波长调Q 单脉冲Nd:YAG 激光器,光路系统,可移动样品台,中阶梯光谱仪(ARYELLE-UV-VIS, LTB150, German) 和计算机。激光能量为61mJ, 基频光波长1064 nm,脉宽为10 ns,延迟时间为1.5μs,重复频率为10 Hz,光谱范围为220nm-800 nm。
本实例所用的煤灰样品是依据煤灰标准样品(GSB06-2119-2007, GSB06-2121-2007, GSB06-2122-2007),将SiO2、Al2O3、Fe2O3、CaO、MgO、MnO2和TiO2七种氧化物依据标准样品的含量进行混合并配制成45个实验样品,所用的七种试剂均为分析纯。
为了便于LIBS分析测定,每个样品均以KBr为底衬,然后压片。具体的压片过程如下:首先,称0.35克KBr放入不锈钢模中轻轻抖动钢模使其均匀平铺与钢模底部,然后称0.4克样品以同样的方式使其均匀平铺在KBr上面。最后使用400Mpa的压力将样品压制成片并维持5min。
为了减少样品不均匀性造成的影响,测量时随机在样品表面选取10个位点进行光谱采集。每个测量位点的光谱是由30个脉冲累计而成,这样不仅可以避免激光脉动波动的影响,同时也提高了特征谱线的信噪比。对于45个煤灰样品,每个样品10个光谱,总共得到450个LIBS光谱。将所有煤灰样品对应的光谱数据中随机挑选占样品总量2/3的煤灰样品光谱数据作为训练集,其余样品对应的光谱数据作为测试集。
虽然不同种类煤灰的组分和含量不同,但在光谱图中很难直接找到差异,因此发明人建立小波神经网络来获取不同种类样品的特征信息进行分类。在进行构建小波神经网络之前,应对输入变量进行筛选,不同的输入变量会影响到所构建模型的稳健性以及模型的分类性能。
本发明所有LIBS光谱经小波变换进行过噪声预处理,降低了噪声信息的干扰,从而获得更好的光谱信息。经预处理后,采用独立成分分析对输入的变量进行筛选。光谱数据经独立成分分析后,提取不同的独立成分进行建模预测,图1表示的是不同独立成分对所构建的小波神经网络的性能的影响,基于最小均方误差进行独立成分的选取,发明人得出最优的独立成分数为30。经独立成分分析处理后的LIBS光谱作为输入变量所建立的训练模型性能相对更好,对样品的识别率达到100%,且神经网络的均方误差也较小,因此发明人选择独立成分分析对LIBS光谱进行特征提取并作为输入变量来构建分类模型。
在构建煤灰的小波神经网络分类模型前,需要对模型参数进行优化。采用梯度下降法对隐含层节点数,迭代次数,学习效率和动量因子这四个小波神经网络模型参数进行优化,均方根误差作为评价指标,基于均方根误差最小可得最优化的小波神经网络模型参数分别为:隐含层节点数为10,迭代次数为1000,学习效率为0.006和动量因子为0.01。
基于最优化的模型参数,发明人建立了小波神经网络分类模型,并对测试集煤灰样品的种类进行预测。为了验证所建立分类模型的优越性,并与传统误差反向传播神经网络进行了比较。基于不同种类煤灰之间的差异,小波神经网络和传统神经网络两种模型的分类结果如表1所示。从表中可以看出对于训练样本样品,两种模型对三类样本的识别率都达到90%以上,这表明两种模型都能有效对不同样本进行识别。
表1 小波神经网络和传统神经网络两种模型的预测准确率
小波神经网络模型的分类正确率达到99%以上,比传统神经网络模型的高,对于第一类样品和第三类样品模型分类正确率甚至达到100%,这充分说明小波神经网络模型在训练过程中可以有效将这三类样品完全区分开,且小波参数的优化都达到了一定好的效果。对于测试样本,由表发明人可以看出,两种模型的分类精度都很好,特别是小波神经网络模型,三类样本的分类精度都达到100%,而传统神经网络模型对于第一类样本有一个识别错误。表中训练样本和测试样本分类精度差异可能和训练样本的选取及数量有关。从表中三类全部样本的分类精度来看,小波神经网络模型的性能要优于传统神经网络模型。
Claims (1)
1.一种基于小波神经网络算法结合激光诱导击穿光谱技术的煤灰种类识别方法,其特征包括如下步骤:
1)首先煤灰样品压成薄片,然后利用激光诱导击穿光谱仪对不同种类的煤灰薄片样品分别在不同的测量位点进行光谱数据采集;
为了减少样品不均匀性造成的影响,测量时随机在样品表面选取10个位点进行光谱采集;每个测量位点的光谱是由30个脉冲累计而成;
2)从所有煤灰样品对应的光谱数据中随机挑选占样品总量2/3的煤灰样品光谱数据作为训练集,其余样品对应的光谱数据作为测试集;
3)利用独立成分分析对训练集数据进行光谱特征变量筛选,并将优化的光谱特征变量作为输入变量构建分类模型;
4)采用梯度下降法对小波神经网络模型参数进行优化;
5) 利用优化后的模型参数构建小波神经网络分类模型,并预测未知煤灰样品的所属类别;
上述步骤(3)中,光谱数据经独立成分分析处理后,通过均方误差作为评价指标考察不同的独立成分对模型性能的影响,独立成分数的取值范围为1-50,基于最小均方误差选择出最优的独立成分数,即特征变量;
上述步骤(4)中,小波神经网络的模型参数为隐含层节点数、学习效率、动量因子和迭代次数,隐含层节点数的取值范围为1-20,学习效率的取值范围为0.001-0.010,动量因子的取值范围为0.01-0.10,迭代次数的取值范围为1-1000,基于最小均方误差选择出最优的模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611100975.7A CN106841170B (zh) | 2016-12-05 | 2016-12-05 | 一种基于小波神经网络算法的煤灰种类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611100975.7A CN106841170B (zh) | 2016-12-05 | 2016-12-05 | 一种基于小波神经网络算法的煤灰种类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106841170A CN106841170A (zh) | 2017-06-13 |
CN106841170B true CN106841170B (zh) | 2020-10-02 |
Family
ID=59145403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611100975.7A Active CN106841170B (zh) | 2016-12-05 | 2016-12-05 | 一种基于小波神经网络算法的煤灰种类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106841170B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11494620B2 (en) * | 2018-02-08 | 2022-11-08 | Western Digital Technologies, Inc. | Systolic neural network engine capable of backpropagation |
CN110196247A (zh) * | 2018-02-26 | 2019-09-03 | 成都艾立本科技有限公司 | 一种基于激光诱导击穿光谱的粉煤分类方法 |
CN108956584B (zh) * | 2018-07-13 | 2019-11-19 | 浙江大学 | 一种桑椹中重金属元素铬的快速准确检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697965A (zh) * | 2015-03-10 | 2015-06-10 | 西北大学 | 一种基于最小二乘支持向量机结合激光诱导击穿光谱识别炉渣种类的方法 |
CN104730042A (zh) * | 2015-03-10 | 2015-06-24 | 西北大学 | 一种遗传算法结合激光诱导击穿光谱提高自由定标分析精度的方法 |
CN104964950B (zh) * | 2015-06-10 | 2018-03-23 | 长江大学 | 基于多元素波峰的激光诱导击穿光谱岩屑类型识别方法 |
CN105181678B (zh) * | 2015-09-07 | 2017-12-29 | 长江大学 | 基于激光诱导击穿光谱的水稻品种鉴别方法 |
CN105866103B (zh) * | 2016-04-19 | 2018-08-28 | 长江大学 | 基于激光诱导击穿光谱的岩石含油级别判断方法 |
-
2016
- 2016-12-05 CN CN201611100975.7A patent/CN106841170B/zh active Active
Non-Patent Citations (4)
Title |
---|
Quantitative analysis of the major components of coal ash using laser induced breakdown spectroscopy coupled with a wavelet neural network (WNN);Jiao Wei et al;《Anal. Methods》;20160125;第1675页右栏第2段至1679页左栏第2段以及表一、附图3-4 * |
基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究;王茜蒨等;《光谱学与光谱分析》;20121231;第32卷(第12期);第3180页左栏第2段至第3182段左栏第1段以及表3 * |
基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别;吴桂芳等;《光谱学与光谱分析》;20090531;摘要和第1269页左栏第3段至右栏第2段以及表1 * |
小波神经网络在农药荧光光谱识别中的应用;王玉田等;《传感技术学报》;20060831;第19卷(第4期);摘要、第1224页左栏第1段至第1225页右栏第1段 * |
Also Published As
Publication number | Publication date |
---|---|
CN106841170A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Harmon et al. | Laser-induced breakdown spectroscopy—An emerging analytical tool for mineral exploration | |
Qi et al. | Rapid classification of archaeological ceramics via laser-induced breakdown spectroscopy coupled with random forest | |
Shi et al. | Quantitative analysis of sedimentary rocks using laser-induced breakdown spectroscopy: comparison of support vector regression and partial least squares regression chemometric methods | |
Chauhan et al. | Soil forensics: a spectroscopic examination of trace evidence | |
Green et al. | Trace element fingerprinting of Australian ocher using laser ablation inductively coupled plasma‐mass spectrometry (LA‐ICP‐MS) for the provenance establishment and authentication of indigenous art | |
CN104807787B (zh) | 一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法 | |
CN104677875B (zh) | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 | |
De Lucia Jr et al. | Rapid analysis of energetic and geo-materials using LIBS | |
CN105181907B (zh) | 一种定量判别软玉产地的方法 | |
CN106841170B (zh) | 一种基于小波神经网络算法的煤灰种类识别方法 | |
Schenk et al. | Elemental analysis of glass by laser ablation inductively coupled plasma optical emission spectrometry (LA-ICP-OES) | |
Hark et al. | Geochemical fingerprinting using LIBS | |
CN113177919B (zh) | Libs与深度学习结合的岩性分类及主量元素含量检测方法 | |
Gonçalves et al. | Laser-induced breakdown spectroscopy applied to environmental systems and their potential contaminants. An overview of advances achieved in the last few years | |
McMillan et al. | Correlation of limestone beds using laser-induced breakdown spectroscopy and chemometric analysis | |
CN106814061A (zh) | 一种提高激光诱导击穿光谱重叠峰定量分析精度的方法 | |
CN105717066A (zh) | 一种基于加权相关系数的近红外光谱识别模型 | |
Ruan et al. | A modified backward elimination approach for the rapid classification of Chinese ceramics using laser-induced breakdown spectroscopy and chemometrics | |
Ali et al. | Quantitative classification of quartz by laser induced breakdown spectroscopy in conjunction with discriminant function analysis | |
Ruan et al. | A novel hybrid filter/wrapper method for feature selection in archaeological ceramics classification by laser-induced breakdown spectroscopy | |
CN114646682A (zh) | 一种基于绿帘石微量元素的找矿方法 | |
CN109115748A (zh) | 基于激光诱导击穿光谱技术的不同产地葛根粉的鉴别方法 | |
CN111259929A (zh) | 基于随机森林的食源性致病菌的分类模型训练方法 | |
CN106645098A (zh) | 一种光谱归一化结合多元统计模型的玉石原产地鉴定方法 | |
Jasiewicz et al. | Elemental variability of prehistoric ceramics from postglacial lowlands and its implications for emerging of pottery traditions–an example from the pre-roman iron age |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |