CN114486821A - 冶金光谱特征回归方法、装置、电子设备和存储介质 - Google Patents

冶金光谱特征回归方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114486821A
CN114486821A CN202210352853.6A CN202210352853A CN114486821A CN 114486821 A CN114486821 A CN 114486821A CN 202210352853 A CN202210352853 A CN 202210352853A CN 114486821 A CN114486821 A CN 114486821A
Authority
CN
China
Prior art keywords
segment
material sample
regression equation
concentration
value
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.)
Granted
Application number
CN202210352853.6A
Other languages
English (en)
Other versions
CN114486821B (zh
Inventor
潘从元
张兵
贾军伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Gstar Intelligent Control Technical Co Ltd
Original Assignee
Hefei Gstar Intelligent Control Technical Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Gstar Intelligent Control Technical Co Ltd filed Critical Hefei Gstar Intelligent Control Technical Co Ltd
Priority to CN202210352853.6A priority Critical patent/CN114486821B/zh
Publication of CN114486821A publication Critical patent/CN114486821A/zh
Application granted granted Critical
Publication of CN114486821B publication Critical patent/CN114486821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种冶金光谱特征回归方法、装置、电子设备和存储介质。包括：将带有目标元素浓度标签值和光谱特征值的物料样本，按照浓度标签值，等距离划分为预设数量的段，标记每段包括的物料样本的数量；根据每段包括的物料样本的数量中的最大值，和每段包括的物料样本的数量，得到每段对应的权重；构建回归方程；根据每段对应的权重和回归方程，构建加权损失函数；将每段包括的物料样本的浓度标签值和光谱特征值代入加权损失函数，根据加权损失函数确定述回归方程系数，使用回归方程完成物料样本分布不均衡的回归优化。能够解决物料样本目标元素浓度分布不均衡情况下的小样本LIBS光谱数据欠拟合问题，提升小样本LIBS光谱的预测精度。

Description

冶金光谱特征回归方法、装置、电子设备和存储介质
技术领域
本发明涉及冶金光谱分析技术领域，特别涉及一种冶金光谱特征回归方法、装置、电子设备和存储介质。
背景技术
在冶金光谱分析领域内采集到的光谱样本数据根据浓度分布往往是不均衡的，如铜冶炼中的冰铜节点为了确保下一道工序的合理进行，冰铜中的铜元素浓度都是控制在一定范围内的，超出该浓度范围的物料往往是少数情况，所以采集到的浓度范围以外的冰铜光谱数据是较少的，但是这种少数情况也是用户更为关注的情况，对于此类问题解决样本分布不均衡的回归准确性更为关键。
由于采集到的浓度范围以外的冰铜光谱数据较少，所以使用常规的物料样本浓度分布不均衡的光谱特征回归分析方法出现了欠拟合的情况，并因此造成光谱分析准确性不足，无法对超出浓度范围的物料的少数情况做出准确预测。
发明内容
为了至少部分地解决现有技术存在的技术问题，发明人做出本发明，通过具体实施方式，提供一种冶金光谱特征回归方法、装置、电子设备和存储介质。
第一方面，本发明实施例提供一种冶金光谱特征回归方法，包括：
将带有目标元素浓度标签值和光谱特征值的物料样本，按照所述浓度标签值，标定在表示浓度标签值的线段上，将所述标定了物料样本的线段等距离划分为预设数量的段，标记每段包括的物料样本的数量；
根据所述每段包括的物料样本的数量中的最大值，和所述每段包括的物料样本的数量，得到每段对应的权重
Figure 394848DEST_PATH_IMAGE001
，i为段的序号；
根据所述浓度标签值和光谱特征值，构建回归方程；
根据所述每段对应的权重
Figure 718513DEST_PATH_IMAGE001
和所述回归方程，构建加权损失函数；
将每段包括的物料样本的浓度标签值和光谱特征值代入所述加权损失函数，求解损失函数最小值对应的所述回归方程的系数，从而确定回归方程；
根据确定的回归方程，完成物料样本分布不均衡的回归优化。
可选的，所述将所述标定了物料样本的线段等距离划分为预设数量的段，包括以下步骤：
将所述物料样本中的最大浓度标签值减去最小浓度标签值，除以段的预设数量，得到每段长度，按照所述每段长度，等距离划分所述标定了物料样本的线段。
可选的，所述根据所述每段包括的物料样本的数量中的最大值，和所述每段包括的物料样本的数量，得到每段对应的权重
Figure 498250DEST_PATH_IMAGE001
，i为段的序号，包括以下步骤：
每段对应的权重
Figure 159039DEST_PATH_IMAGE001
通过下式得到：
Figure 238990DEST_PATH_IMAGE002
其中，
Figure 327032DEST_PATH_IMAGE003
为所述每段包括的物料样本的数量中的最大值，
Figure 249857DEST_PATH_IMAGE004
为所述每段包括的物料样本的数量，i为段的序号。
可选的，根据所述浓度标签值和光谱特征值，构建回归方程，包括以下步骤：
根据所述每段包括的物料样本的数量，构建物料样本数量集合
Figure 448758DEST_PATH_IMAGE005
，i为段的序号，
Figure 383216DEST_PATH_IMAGE006
表示第i段包括的物料样本的数量；
根据每段包括的物料样本的浓度标签值，构建物料样本浓度标签值集合
Figure 642159DEST_PATH_IMAGE007
，其中
Figure 537433DEST_PATH_IMAGE008
表示第i段的第
Figure 540025DEST_PATH_IMAGE009
个物料样本的浓度标签值；
根据每段包括的物料样本的光谱特征值，构建物料样本光谱特征值集合
Figure 328989DEST_PATH_IMAGE010
，其中
Figure 24413DEST_PATH_IMAGE011
表示第i段的第
Figure 656251DEST_PATH_IMAGE012
个物料样本的光谱特征值；
根据所述物料样本浓度标签值集合
Figure 196954DEST_PATH_IMAGE013
和物料样本光谱特征值集合
Figure 106004DEST_PATH_IMAGE014
，构建回归方程
Figure 706750DEST_PATH_IMAGE015
。
可选的，根据所述物料样本浓度标签值集合
Figure 576617DEST_PATH_IMAGE016
和物料样本光谱特征值集合
Figure 921010DEST_PATH_IMAGE017
，构建回归方程
Figure 684567DEST_PATH_IMAGE018
，包括以下步骤：
根据所述物料样本浓度标签值集合
Figure 721793DEST_PATH_IMAGE019
和物料样本光谱特征值集合
Figure 62645DEST_PATH_IMAGE020
，构建回归方程
Figure 210729DEST_PATH_IMAGE021
，
Figure 828792DEST_PATH_IMAGE022
和
Figure 36920DEST_PATH_IMAGE023
为回归方程系数。
可选的，根据所述每段对应的权重
Figure 615800DEST_PATH_IMAGE024
和所述回归方程，构建加权损失函数，包括以下步骤：
利用所述回归方程以及每段对应的权重
Figure 301996DEST_PATH_IMAGE024
构建加权损失函数：
Figure 40145DEST_PATH_IMAGE025
其中，i为段的序号，
Figure 419174DEST_PATH_IMAGE026
表示第i段包括的物料样本的数量，j为每段包括的物料样本的序号，
Figure 734617DEST_PATH_IMAGE027
表示第i段第j个物料样本的浓度标签值，
Figure 224504DEST_PATH_IMAGE028
表示第i段第j个物料样本的光谱特征值，
Figure 286001DEST_PATH_IMAGE029
和
Figure 835931DEST_PATH_IMAGE030
为回归方程系数。
可选的，将每段包括的物料样本的浓度标签值和光谱特征值代入所述加权损失函数，求解损失函数最小值对应的所述回归方程的系数，从而确定回归方程，包括以下步骤：
将所述物料样本浓度标签值集合
Figure 514037DEST_PATH_IMAGE031
和物料样本光谱特征值集合
Figure 682982DEST_PATH_IMAGE032
代入所述加权损失函数
Figure 130144DEST_PATH_IMAGE033
，确定所述加权损失函数
Figure 585396DEST_PATH_IMAGE033
取得最小值时的所述回归方程系数
Figure 750798DEST_PATH_IMAGE034
和
Figure 707121DEST_PATH_IMAGE035
，从而确定回归方程
Figure 274369DEST_PATH_IMAGE036
。
第二方面，本发明实施例提供一种冶金光谱特征回归装置，包括：
物料样本分段模块，用于将带有目标元素浓度标签值和光谱特征值的物料样本，按照所述浓度标签值，标定在表示浓度标签值的线段上，将所述标定了物料样本的线段等距离划分为预设数量的段，标记每段包括的物料样本的数量；
权重确定模块，用于根据所述每段包括的物料样本的数量中的最大值，和所述每段包括的物料样本的数量，得到每段对应的权重
Figure 900522DEST_PATH_IMAGE037
，i为段的序号；
回归方程确定模块，用于根据所述浓度标签值和光谱特征值，构建回归方程；根据所述每段对应的权重
Figure 553221DEST_PATH_IMAGE037
和所述回归方程，构建加权损失函数；将每段包括的物料样本的浓度标签值和光谱特征值代入所述加权损失函数，求解损失函数最小值对应的所述回归方程的系数，从而确定回归方程；
物料样本回归模块，用于根据确定的回归方程，完成物料样本分布不均衡的回归优化。
基于同一发明构思，本发明实施例还提供一种电子设备，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的冶金光谱特征回归方法。
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的冶金光谱特征回归方法。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例通过将物料样本按照目标元素浓度标签值分段，并据此产生每段权值，以每段权值修正回归方程的损失函数，克服了传统方法出现的欠拟合情况，提高了回归方法的泛化能力，能够在兼顾主量样本的同时可更加准确的预测小样本事件，从而解决了物料样本目标元素浓度分布不均衡情况下的小样本LIBS光谱数据欠拟合问题，提升小样本LIBS光谱的预测精度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种冶金光谱特征回归方法流程图；
图2为本发明实施例中常规法预测值拟合结果示意图；
图3为本发明实施例中本发明方法预测值拟合结果示意图；
图4为本发明实施例中一种冶金光谱特征回归装置框图；
图5为本发明实施例中一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的的问题，本发明实施例提供一种冶金光谱特征回归方法、装置、电子设备和存储介质。
实施例一
本发明实施例一提供一种冶金光谱特征回归方法，其流程如图1所示，包括如下步骤：
步骤S101：将抽取的物料按照目标元素的浓度，分为多个物料样本，并设置相应的浓度标签值；采集所述多个物料样本的光谱特征，分别作为相应样本的光谱特征值。
步骤S102：将带有目标元素浓度标签值和光谱特征值的物料样本，按照所述浓度标签值，标定在表示浓度标签值的线段上，将所述标定了物料样本的线段等距离划分为预设数量的段，标记每段包括的物料样本的数量。
可选的，将所述物料样本中的最大浓度标签值减去最小浓度标签值，除以段的预设数量，得到每段长度，按照所述每段长度，等距离划分所述标定了物料样本的线段。
步骤S103：根据所述每段包括的物料样本的数量中的最大值，和所述每段包括的物料样本的数量，得到每段对应的权重
Figure 63967DEST_PATH_IMAGE038
，i为段的序号。
每段对应的权重
Figure 220142DEST_PATH_IMAGE038
通过下式得到：
Figure 282776DEST_PATH_IMAGE039
其中，
Figure 157191DEST_PATH_IMAGE040
为所述每段包括的物料样本的数量中的最大值，
Figure 720897DEST_PATH_IMAGE041
为所述每段包括的物料样本的数量，i为段的序号。
步骤S104：根据所述浓度标签值和光谱特征值，构建回归方程。
可选的，根据所述每段包括的物料样本的数量，构建物料样本数量集合
Figure 997157DEST_PATH_IMAGE042
，i为段的序号，
Figure 230693DEST_PATH_IMAGE043
表示第i段包括的物料样本的数量；
根据每段包括的物料样本的浓度标签值，构建物料样本浓度标签值集合
Figure 326824DEST_PATH_IMAGE044
，其中
Figure 304008DEST_PATH_IMAGE045
表示第i段的第
Figure 310141DEST_PATH_IMAGE046
个物料样本的浓度标签值；
根据每段包括的物料样本的光谱特征值，构建物料样本光谱特征值集合
Figure 714578DEST_PATH_IMAGE047
，其中
Figure 563585DEST_PATH_IMAGE048
表示第i段的第
Figure 78880DEST_PATH_IMAGE049
个物料样本的光谱特征值；
根据所述物料样本浓度标签值集合
Figure 454366DEST_PATH_IMAGE050
和物料样本光谱特征值集合
Figure 29704DEST_PATH_IMAGE051
，构建回归方程
Figure 693904DEST_PATH_IMAGE052
。
可选的，根据所述物料样本浓度标签值集合
Figure 137523DEST_PATH_IMAGE053
和物料样本光谱特征值集合
Figure 242883DEST_PATH_IMAGE054
，构建回归方程
Figure 989122DEST_PATH_IMAGE055
，
Figure 547142DEST_PATH_IMAGE056
和
Figure 545185DEST_PATH_IMAGE057
为回归方程系数。
步骤S105：根据所述每段对应的权重
Figure 505051DEST_PATH_IMAGE058
和所述回归方程，构建加权损失函数。
可选的，利用所述回归方程以及每段对应的权重
Figure 687770DEST_PATH_IMAGE058
构建加权损失函数：
Figure 733087DEST_PATH_IMAGE059
其中，i为段的序号，
Figure 518509DEST_PATH_IMAGE060
表示第i段包括的物料样本的数量，j为每段包括的物料样本的序号，
Figure 332881DEST_PATH_IMAGE061
表示第i段第j个物料样本的浓度标签值，
Figure 686502DEST_PATH_IMAGE062
表示第i段第j个物料样本的光谱特征值，
Figure 219115DEST_PATH_IMAGE063
和
Figure 558960DEST_PATH_IMAGE064
为回归方程系数。
步骤S106：将每段包括的物料样本的浓度标签值和光谱特征值代入所述加权损失函数，求解损失函数最小值对应的所述回归方程的系数，从而确定回归方程。
可选的，将所述物料样本浓度标签值集合
Figure 227839DEST_PATH_IMAGE065
和物料样本光谱特征值集合
Figure 752361DEST_PATH_IMAGE066
代入所述加权损失函数
Figure 772270DEST_PATH_IMAGE067
，确定所述加权损失函数
Figure 911214DEST_PATH_IMAGE067
取得最小值时的所述回归方程系数
Figure 700178DEST_PATH_IMAGE068
和
Figure 130022DEST_PATH_IMAGE069
，从而确定回归方程
Figure 371648DEST_PATH_IMAGE070
。
步骤S107：根据确定的回归方程，完成物料样本分布不均衡的回归优化。
例如，采集多个物料样本，如有色冶炼中的冰铜，构成物料样本集P。
根据一种元素在物料样本中的浓度设定每个物料样本的浓度标签值，浓度标签值集合为
Figure 177930DEST_PATH_IMAGE071
，
Figure 962346DEST_PATH_IMAGE072
表示物料样本集中的第p个样本的浓度标签值。
利用LIBS（Laser-Induced Breakdown Spectroscopy，激光诱导击穿光谱仪）设备采集物料样本集中每个物料样本的光谱特征，并按照物料样本中浓度标签值进行一一对应，得到光谱特征值集合
Figure 563092DEST_PATH_IMAGE073
，
Figure 557593DEST_PATH_IMAGE074
表示表示物料样本集中的第p个样本的光谱特征值。
将物料样本集按照浓度标签值排序，标定在线段上，线段两端分别是浓度标签值的最大值和最小值，等距离的分成多段，每段包括的物理样本为一组，从而分为与每段分别对应的多组物理样本，每段的长度或每组的间隔可表示为：
Figure 901986DEST_PATH_IMAGE075
其中
Figure 790177DEST_PATH_IMAGE076
，
Figure 561824DEST_PATH_IMAGE077
分别为标签集合中的最大值和最小值；s表示段或组的数量。
计算每组中的样本数量，并提取最大样本数记为
Figure 778041DEST_PATH_IMAGE078
；根据最大组样本数，计算各组权重
Figure 926126DEST_PATH_IMAGE079
：
Figure 544189DEST_PATH_IMAGE080
，其中
Figure 627683DEST_PATH_IMAGE081
根据所述每段包括的物料样本的数量，构建物料样本数量集合
Figure 331197DEST_PATH_IMAGE082
，i为段的序号，
Figure 17393DEST_PATH_IMAGE083
表示第i段包括的物料样本的数量；
根据每段包括的物料样本的浓度标签值，构建物料样本浓度标签值集合
Figure 755542DEST_PATH_IMAGE084
，其中
Figure 993625DEST_PATH_IMAGE085
表示第i段的第
Figure 184435DEST_PATH_IMAGE086
个物料样本的浓度标签值；
根据每段包括的物料样本的光谱特征值，构建物料样本光谱特征值集合
Figure 408743DEST_PATH_IMAGE087
，其中
Figure 1398DEST_PATH_IMAGE088
表示第i段的第
Figure 551328DEST_PATH_IMAGE089
个物料样本的光谱特征值；
根据所述物料样本浓度标签值集合
Figure 104801DEST_PATH_IMAGE090
和物料样本光谱特征值集合
Figure 132799DEST_PATH_IMAGE091
，构建回归方程
Figure 579961DEST_PATH_IMAGE092
。
回归方程可是线性方程以及非线性方程等，以线性方程为例，构建回归方程
Figure 300793DEST_PATH_IMAGE093
，
Figure 590828DEST_PATH_IMAGE094
和
Figure 422518DEST_PATH_IMAGE095
为回归方程系数。
利用各组权重
Figure 724187DEST_PATH_IMAGE096
，及物料样本浓度标签值集合
Figure 615919DEST_PATH_IMAGE097
和物料样本光谱特征值集合
Figure 143984DEST_PATH_IMAGE098
构建损失函数：
Figure 248206DEST_PATH_IMAGE099
其中，i为段的序号，
Figure 669960DEST_PATH_IMAGE100
表示第i段包括的物料样本的数量，j为每段包括的物料样本的序号，
Figure 732594DEST_PATH_IMAGE101
表示第i段第j个物料样本的浓度标签值，
Figure 607009DEST_PATH_IMAGE102
表示第i段第j个物料样本的光谱特征值，
Figure 170714DEST_PATH_IMAGE103
和
Figure 446975DEST_PATH_IMAGE104
为回归方程系数。
将所述物料样本浓度标签值集合
Figure 680510DEST_PATH_IMAGE105
和物料样本光谱特征值集合
Figure 42221DEST_PATH_IMAGE106
代入所述加权损失函数
Figure 488246DEST_PATH_IMAGE107
，确定所述加权损失函数
Figure 759959DEST_PATH_IMAGE108
取得最小值时的所述回归方程系数
Figure 164395DEST_PATH_IMAGE109
和
Figure 13403DEST_PATH_IMAGE110
，从而确定回归方程
Figure 528697DEST_PATH_IMAGE111
。根据确定的回归方程，完成物料样本分布不均衡的回归优化。
使用测试集验证两个方程的泛化能力，结果如下表以及图2、图3所示：
Figure 904184DEST_PATH_IMAGE112
从上表可以看出，本发明实施例提供的方法的误差更小，R2更接近1，表示本发明实施例提供的回归方程式参考价值更高。
图2为常规法在测试集下的真实值和预测值拟合结果，图3为本发明实施例提供的方法在测试集下的真实值和预测值拟合结果，可见本发明实施例提供的方法拟合效果更好，尤其是在上下边界处，因为上下边界在训练集中都属于小样本数据，常规方法出现了欠拟合的情况。
本实施例的上述方法中，通过将物料样本按照目标元素浓度标签值分段，并据此产生每段权值，以每段权值修正回归方程的损失函数，克服了传统方法出现的欠拟合情况，提高了回归方法的泛化能力，能够在兼顾主量样本的同时可更加准确的预测小样本事件，从而解决了物料样本目标元素浓度分布不均衡情况下的小样本LIBS光谱数据欠拟合问题，提升小样本LIBS光谱的预测精度。
实施例二
本发明实施例二提供一种冶金光谱特征回归装置，其结构如图4所示，包括：
物料样本分段模块103，用于将带有目标元素浓度标签值和光谱特征值的物料样本，按照所述浓度标签值，标定在表示浓度标签值的线段上，将所述标定了物料样本的线段等距离划分为预设数量的段，标记每段包括的物料样本的数量；
权重确定模块104，用于根据所述每段包括的物料样本的数量中的最大值，和所述每段包括的物料样本的数量，得到每段对应的权重
Figure 479522DEST_PATH_IMAGE113
，i为段的序号；
回归方程确定模块105，用于根据所述浓度标签值和光谱特征值，构建回归方程；根据所述每段对应的权重
Figure 815825DEST_PATH_IMAGE113
和所述回归方程，构建加权损失函数；将每段包括的物料样本的浓度标签值和光谱特征值代入所述加权损失函数，求解损失函数最小值对应的所述回归方程的系数，从而确定回归方程；
物料样本回归模块106，用于根据确定的回归方程，完成物料样本分布不均衡的回归优化。
可选的，还包括：
浓度标签值设置模块101，用于将抽取的物料按照目标元素的浓度，分为多个物料样本，并设置相应的浓度标签值；
光谱特征值设置模块102，用于采集所述多个物料样本的光谱特征，分别作为相应样本的光谱特征值。
可选的，所述物料样本分段模块，包括：
样本标定单元，用于物料样本分段模块，用于将带有目标元素浓度标签值和光谱特征值的物料样本，按照所述浓度标签值，标定在表示浓度标签值的线段上；
物料样本分段单元，用于将所述物料样本中的最大浓度标签值减去最小浓度标签值，除以段的预设数量，得到每段长度，按照所述每段长度，等距离划分所述标定了物料样本的线段；
样本数量标记单元，用于标记每段包括的物料样本的数量。
可选的，所述权重确定模块，具体用于：
每段对应的权重
Figure 869232DEST_PATH_IMAGE113
通过下式得到：
Figure 974591DEST_PATH_IMAGE114
其中，
Figure 596197DEST_PATH_IMAGE115
为所述每段包括的物料样本的数量中的最大值，
Figure 154217DEST_PATH_IMAGE116
为所述每段包括的物料样本的数量，i为段的序号。
可选的，所述回归方程确定模块，包括：
回归方程构建单元，用于根据所述每段包括的物料样本的数量，构建物料样本数量集合
Figure 276894DEST_PATH_IMAGE117
，i为段的序号，
Figure 236759DEST_PATH_IMAGE118
表示第i段包括的物料样本的数量；
根据每段包括的物料样本的浓度标签值，构建物料样本浓度标签值集合
Figure 278534DEST_PATH_IMAGE119
，其中
Figure 589429DEST_PATH_IMAGE120
表示第i段的第
Figure 250218DEST_PATH_IMAGE121
个物料样本的浓度标签值；
根据每段包括的物料样本的光谱特征值，构建物料样本光谱特征值集合
Figure 64590DEST_PATH_IMAGE122
，其中
Figure 152632DEST_PATH_IMAGE123
表示第i段的第
Figure 560610DEST_PATH_IMAGE124
个物料样本的光谱特征值；
根据所述物料样本浓度标签值集合
Figure 759511DEST_PATH_IMAGE125
和物料样本光谱特征值集合
Figure 693968DEST_PATH_IMAGE126
，构建回归方程
Figure 218491DEST_PATH_IMAGE127
，
Figure 97454DEST_PATH_IMAGE128
和
Figure 365624DEST_PATH_IMAGE129
为回归方程系数；
加权损失函数构建单元，用于利用所述回归方程以及每段对应的权重
Figure 154589DEST_PATH_IMAGE130
构建加权损失函数：
Figure 584433DEST_PATH_IMAGE131
其中，i为段的序号，
Figure 967004DEST_PATH_IMAGE132
表示第i段包括的物料样本的数量，j为每段包括的物料样本的序号，
Figure 773286DEST_PATH_IMAGE133
表示第i段第j个物料样本的浓度标签值，
Figure 416757DEST_PATH_IMAGE134
表示第i段第j个物料样本的光谱特征值，
Figure 17502DEST_PATH_IMAGE135
和
Figure 746424DEST_PATH_IMAGE136
为回归方程系数；
回归方程确定单元，用于将所述物料样本浓度标签值集合
Figure 481031DEST_PATH_IMAGE137
和物料样本光谱特征值集合
Figure 244587DEST_PATH_IMAGE138
代入所述加权损失函数
Figure 16234DEST_PATH_IMAGE139
，确定所述加权损失函数
Figure 498031DEST_PATH_IMAGE139
取得最小值时的所述回归方程系数
Figure 521482DEST_PATH_IMAGE140
和
Figure 139545DEST_PATH_IMAGE141
，从而确定回归方程
Figure 82093DEST_PATH_IMAGE142
。
本实施例中，通过将物料样本按照目标元素浓度标签值分段，并据此产生每段权值，以每段权值修正回归方程的损失函数，克服了传统方法出现的欠拟合情况，提高了回归方法的泛化能力，能够在兼顾主量样本的同时可更加准确的预测小样本事件，从而解决了物料样本目标元素浓度分布不均衡情况下的小样本LIBS光谱数据欠拟合问题，提升小样本LIBS光谱的预测精度。
基于同一发明构思，本发明实施例还提供一种电子设备，其结构如图5所示，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的冶金光谱特征回归方法。
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的冶金光谱特征回归方法。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种冶金光谱特征回归方法，其特征在于，包括以下步骤：
将带有目标元素浓度标签值和光谱特征值的物料样本，按照所述浓度标签值，标定在表示浓度标签值的线段上，将所述标定了物料样本的线段等距离划分为预设数量的段，标记每段包括的物料样本的数量；
根据所述每段包括的物料样本的数量中的最大值，和所述每段包括的物料样本的数量，得到每段对应的权重
Figure DEST_PATH_IMAGE001
，i为段的序号；
根据所述浓度标签值和光谱特征值，构建回归方程；
根据所述每段对应的权重
Figure DEST_PATH_IMAGE002
和所述回归方程，构建加权损失函数；
将每段包括的物料样本的浓度标签值和光谱特征值代入所述加权损失函数，求解损失函数最小值对应的所述回归方程的系数，从而确定回归方程；
根据确定的回归方程，完成物料样本分布不均衡的回归优化。
2.如权利要求1所述的方法，其特征在于，所述将所述标定了物料样本的线段等距离划分为预设数量的段，包括以下步骤：
将所述物料样本中的最大浓度标签值减去最小浓度标签值，除以段的预设数量，得到每段长度，按照所述每段长度，等距离划分所述标定了物料样本的线段。
3.如权利要求1所述的方法，其特征在于，所述根据所述每段包括的物料样本的数量中的最大值，和所述每段包括的物料样本的数量，得到每段对应的权重
Figure DEST_PATH_IMAGE003
，i为段的序号，包括以下步骤：
每段对应的权重
Figure DEST_PATH_IMAGE004
通过下式得到：
Figure DEST_PATH_IMAGE005
其中，
Figure DEST_PATH_IMAGE006
为所述每段包括的物料样本的数量中的最大值，
Figure DEST_PATH_IMAGE007
为所述每段包括的物料样本的数量，i为段的序号。
4.如权利要求1所述的方法，其特征在于，所述根据所述浓度标签值和光谱特征值，构建回归方程，包括以下步骤：
根据所述每段包括的物料样本的数量，构建物料样本数量集合
Figure DEST_PATH_IMAGE008
，i为段的序号，
Figure DEST_PATH_IMAGE009
表示第i段包括的物料样本的数量；
根据每段包括的物料样本的浓度标签值，构建物料样本浓度标签值集合
Figure DEST_PATH_IMAGE010
，其中
Figure DEST_PATH_IMAGE011
表示第i段的第
Figure DEST_PATH_IMAGE012
个物料样本的浓度标签值；
根据每段包括的物料样本的光谱特征值，构建物料样本光谱特征值集合
Figure DEST_PATH_IMAGE013
，其中
Figure DEST_PATH_IMAGE014
表示第i段的第
Figure DEST_PATH_IMAGE015
个物料样本的光谱特征值；
根据所述物料样本浓度标签值集合
Figure DEST_PATH_IMAGE016
和物料样本光谱特征值集合
Figure DEST_PATH_IMAGE017
，构建回归方程
Figure DEST_PATH_IMAGE018
。
5.如权利要求4所述的方法，其特征在于，所述根据所述物料样本浓度标签值集合
Figure DEST_PATH_IMAGE019
和物料样本光谱特征值集合
Figure DEST_PATH_IMAGE020
，构建回归方程
Figure DEST_PATH_IMAGE021
，包括以下步骤：
根据所述物料样本浓度标签值集合
Figure DEST_PATH_IMAGE022
和物料样本光谱特征值集合
Figure DEST_PATH_IMAGE023
，构建回归方程
Figure DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
和
Figure DEST_PATH_IMAGE026
为回归方程系数。
6.如权利要求5所述的方法，其特征在于，所述根据所述每段对应的权重
Figure DEST_PATH_IMAGE027
和所述回归方程，构建加权损失函数，包括以下步骤：
利用所述回归方程以及每段对应的权重
Figure 702603DEST_PATH_IMAGE028
构建加权损失函数：
Figure DEST_PATH_IMAGE029
其中，i为段的序号，
Figure 150901DEST_PATH_IMAGE030
表示第i段包括的物料样本的数量，j为每段包括的物料样本的序号，
Figure DEST_PATH_IMAGE031
表示第i段第j个物料样本的浓度标签值，
Figure 665059DEST_PATH_IMAGE032
表示第i段第j个物料样本的光谱特征值，
Figure DEST_PATH_IMAGE033
和
Figure 591427DEST_PATH_IMAGE034
为回归方程系数。
7.如权利要求6所述的方法，其特征在于，所述将每段包括的物料样本的浓度标签值和光谱特征值代入所述加权损失函数，求解损失函数最小值对应的所述回归方程的系数，从而确定回归方程，包括以下步骤：
将所述物料样本浓度标签值集合
Figure DEST_PATH_IMAGE035
和物料样本光谱特征值集合
Figure 936958DEST_PATH_IMAGE036
代入所述加权损失函数
Figure DEST_PATH_IMAGE037
，确定所述加权损失函数
Figure 290579DEST_PATH_IMAGE037
取得最小值时的所述回归方程系数
Figure 354350DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE039
，从而确定回归方程
Figure 84408DEST_PATH_IMAGE040
。
8.一种冶金光谱特征回归装置，其特征在于，包括：
物料样本分段模块，用于将带有目标元素浓度标签值和光谱特征值的物料样本，按照所述浓度标签值，标定在表示浓度标签值的线段上，将所述标定了物料样本的线段等距离划分为预设数量的段，标记每段包括的物料样本的数量；
权重确定模块，用于根据所述每段包括的物料样本的数量中的最大值，和所述每段包括的物料样本的数量，得到每段对应的权重
Figure DEST_PATH_IMAGE041
，i为段的序号；
回归方程确定模块，用于根据所述浓度标签值和光谱特征值，构建回归方程；根据所述每段对应的权重
Figure 487708DEST_PATH_IMAGE041
和所述回归方程，构建加权损失函数；将每段包括的物料样本的浓度标签值和光谱特征值代入所述加权损失函数，求解损失函数最小值对应的所述回归方程的系数，从而确定回归方程；
物料样本回归模块，用于根据确定的回归方程，完成物料样本分布不均衡的回归优化。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一所述的冶金光谱特征回归方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现权利要求1-7任一所述的冶金光谱特征回归方法。
CN202210352853.6A 2022-04-06 2022-04-06 冶金光谱特征回归方法、装置、电子设备和存储介质 Active CN114486821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210352853.6A CN114486821B (zh) 2022-04-06 2022-04-06 冶金光谱特征回归方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210352853.6A CN114486821B (zh) 2022-04-06 2022-04-06 冶金光谱特征回归方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114486821A true CN114486821A (zh) 2022-05-13
CN114486821B CN114486821B (zh) 2022-08-12

Family

ID=81489151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210352853.6A Active CN114486821B (zh) 2022-04-06 2022-04-06 冶金光谱特征回归方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114486821B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114739980A (zh) * 2022-06-10 2022-07-12 合肥金星智控科技股份有限公司 元素信息的预测方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04160349A (ja) * 1990-10-25 1992-06-03 Nkk Corp Ｃおよびｓ同時分析装置
CN101750874A (zh) * 2008-12-11 2010-06-23 三星电子株式会社 远紫外光掩模以及制造远紫外光掩模的方法和装置
CN103076308A (zh) * 2011-10-25 2013-05-01 中国科学院沈阳自动化研究所 激光诱导击穿光谱的重叠峰分辨的方法
CN103411973A (zh) * 2013-09-03 2013-11-27 西北农林科技大学 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法
CN107290297A (zh) * 2017-07-20 2017-10-24 湖北大学 一种基于自步学习的红外光谱定量分析方法及系统
CN112051256A (zh) * 2020-07-22 2020-12-08 中国地质大学（武汉） 基于cnn模型的待测元素含量libs测量方法、系统
CN113177358A (zh) * 2021-04-30 2021-07-27 燕山大学 一种基于模糊细粒度特征提取的水泥质量软测量方法
CN113408605A (zh) * 2021-06-16 2021-09-17 西安电子科技大学 基于小样本学习的高光谱图像半监督分类方法
CN113758911A (zh) * 2021-08-05 2021-12-07 合肥金星机电科技发展有限公司 一种物料熔固状态的判定方法、装置和机器可读存储介质
CN114264626A (zh) * 2021-12-18 2022-04-01 复旦大学 一种基于时间序列残差网络的织物无损定量分析方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04160349A (ja) * 1990-10-25 1992-06-03 Nkk Corp Ｃおよびｓ同時分析装置
CN101750874A (zh) * 2008-12-11 2010-06-23 三星电子株式会社 远紫外光掩模以及制造远紫外光掩模的方法和装置
CN103076308A (zh) * 2011-10-25 2013-05-01 中国科学院沈阳自动化研究所 激光诱导击穿光谱的重叠峰分辨的方法
CN103411973A (zh) * 2013-09-03 2013-11-27 西北农林科技大学 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法
CN107290297A (zh) * 2017-07-20 2017-10-24 湖北大学 一种基于自步学习的红外光谱定量分析方法及系统
CN112051256A (zh) * 2020-07-22 2020-12-08 中国地质大学（武汉） 基于cnn模型的待测元素含量libs测量方法、系统
CN113177358A (zh) * 2021-04-30 2021-07-27 燕山大学 一种基于模糊细粒度特征提取的水泥质量软测量方法
CN113408605A (zh) * 2021-06-16 2021-09-17 西安电子科技大学 基于小样本学习的高光谱图像半监督分类方法
CN113758911A (zh) * 2021-08-05 2021-12-07 合肥金星机电科技发展有限公司 一种物料熔固状态的判定方法、装置和机器可读存储介质
CN114264626A (zh) * 2021-12-18 2022-04-01 复旦大学 一种基于时间序列残差网络的织物无损定量分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIAN DI ET AL.: "Application of improved deep auto-encoder network in rolling bearing fault diagnosis", 《JOURNAL OF COMPUTER AND COMMUNICATIONS》 *
JUN KIM ET AL.: "Development of a cost analysis based defect prediction system with a type error weighted deep neural network algorithm", 《JOURNAL OF COMPUTATIONAL DESIGN AND ENGINEERING》 *
LIJUN SONG ET AL.: "Real-time Composition monitoring using support vector regression of laser-induced plasma for laser additive manufacturing", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114739980A (zh) * 2022-06-10 2022-07-12 合肥金星智控科技股份有限公司 元素信息的预测方法、装置、设备及介质
WO2023236387A1 (zh) * 2022-06-10 2023-12-14 合肥金星智控科技股份有限公司 元素信息的预测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN114486821B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN114486821B (zh) 冶金光谱特征回归方法、装置、电子设备和存储介质
CN105181678B (zh) 基于激光诱导击穿光谱的水稻品种鉴别方法
CN107958267B (zh) 一种基于光谱线性表示的油品性质预测方法
CN111222216A (zh) 污染物来源解析方法
CN112485652B (zh) 基于改进正余弦算法的模拟电路单故障诊断方法
CN108154271A (zh) 一种基于空间相关性和曲面拟合的地面气温质量控制方法
SE468333B (sv) Foerfarande foer bestaemning av halten av olika komponenter i pappersmassa
CN108846239A (zh) 一种基于温湿度的弹性环氧树脂加速贮存试验及评估方法
CN117312816B (zh) 一种特种钢材的冶炼效果评估方法及系统
CN110916239A (zh) 一种基于不同区位色差变化的初烤烟叶分割方法
CN112651173B (zh) 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统
CN117148804B (zh) 结合应用需求的特种钢材冶炼控制方法及系统
JP2008112428A (ja) 水処理施設における流入水水質の統計的予測方法及びその装置
Enrico et al. Leaf mechanical resistance in plant trait databases: comparing the results of two common measurement methods
CN110927478B (zh) 一种确定电力系统变压器设备的状态的方法和系统
CN115809427B (zh) 基于混合策略优化bp神经网络的混合气体识别方法
CN114739980B (zh) 元素信息的预测方法、装置、设备及介质
CN110208684A (zh) 一种用于cmos型集成电路延寿试验中的寿命评估方法
CN113916817B (zh) 用于城镇生活饮用水的光谱法色度在线测量方法
CN115440299A (zh) 确定背景微生物的方法、设备、介质和程序产品
CN107133817A (zh) 预测应用好评率的方法和装置
CN107122496B (zh) 基于类别分析法的近红外光谱物质含量索引方法、设备及介质
CN116027111B (zh) 一种变压器电变量测量装置及测量方法
CN113390925B (zh) 基于电阻抗定量检测土壤氮素的方法
CN109871356A (zh) 一种用于土壤检测的数据处理方法及装置

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