CN115436342A - 降低多批次样本间libs检测不确定性的方法及装置 - Google Patents

降低多批次样本间libs检测不确定性的方法及装置 Download PDF

Info

Publication number
CN115436342A
CN115436342A CN202210975863.5A CN202210975863A CN115436342A CN 115436342 A CN115436342 A CN 115436342A CN 202210975863 A CN202210975863 A CN 202210975863A CN 115436342 A CN115436342 A CN 115436342A
Authority
CN
China
Prior art keywords
data
batch
sample
correction
self
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.)
Pending
Application number
CN202210975863.5A
Other languages
English (en)
Inventor
阳建宏
李大亮
张庆
刘西峰
谷文铮
王占祥
张士横
杜保家
李嘉隆
张妍
孙浩
李海啸
黎敏
张永琪
陆慧丽
谢建军
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.)
University of Science and Technology Beijing USTB
Shanxi Jianlong Industrial Co Ltd
Original Assignee
University of Science and Technology Beijing USTB
Shanxi Jianlong Industrial 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 University of Science and Technology Beijing USTB, Shanxi Jianlong Industrial Co Ltd filed Critical University of Science and Technology Beijing USTB
Priority to CN202210975863.5A priority Critical patent/CN115436342A/zh
Publication of CN115436342A publication Critical patent/CN115436342A/zh
Pending legal-status Critical Current

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
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G01N21/274—Calibration, base line adjustment, drift correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/127—Calibration; base line adjustment; drift compensation
    • G01N2201/12746—Calibration values determination

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Plasma & Fusion (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种降低多批次样本间LIBS检测不确定性的方法及装置，该方法包括同批次样本内自校正过程和多批次样本间校正过程；同批次样本内自校正过程针对同批次样本内的光谱数据，可有效降低批次内数据的波动性；多批次样本间校正过程用于多批次样本间的训练光谱数据和预测光谱数据，能够在一定程度上解决LIBS系统经过较长时间光谱强度会发生变化的问题，降低多批次样本间LIBS检测的不确定性；两种方法综合使用，可以提升系统的鲁棒性，提升LIBS系统预测精度。而且针对实际生产过程中，针对样本或者环境的变化导致的不确定性的问题，增加了对模型鲁棒性评判的过程，使模型具有自学习自补充的能力，进而降低了模型的不确定性。

Description

降低多批次样本间LIBS检测不确定性的方法及装置
技术领域
本发明涉及激光等离子体光谱检测技术领域，特别涉及一种降低多批次样本间LIBS检测不确定性的方法及装置。
背景技术
激光诱导击穿光谱(Laser-Induced Breakdown Spectroscopy，LIBS)是一种近年来发展迅速的物质成分检测技术，对制样要求低，分析速度快，可实现非接触、远距离在线分析，通过分析等离子体发射光谱中原子离子特征谱线，实现对待测物定性与定量分析。
钢铁生产是一个国家的标杆，其逐步趋向于智能化、连续化和高精度化，其中在生产过程中对钢水成分的快速、在线检测是高质量生产的关键所在。在对钢样进行分析的方法中，LIBS具有对制样要求低，分析速度快，可实现非接触、远距离在线分析等优点，具有极大的应用潜力和应用前景。
但是，在采集激光光谱的过程中，对于同一时间段同一批次采集的光谱，由于工业现场环境复杂多变，所采集的光谱波动很大甚至影响到训练模型的建立；且建模用的训练数据与预测数据往往并不是同一时间段采集的，训练数据是由多个时间段多个批次采集的数据，预测数据在工业生产过程中，更是不确定时间不确定批次采集到，因此由于激光器能量或是环境的变化，不同批次的数据均会带来较大的误差。现有的降低数据波动性的方法一般是多次采集光谱数据取平均或者将多次的光谱数据进行概率密度剔除，两种方法均会造成原始光谱数据的丢失，不能很好地针对不同的工业环境建立模型，导致模型鲁棒性差，模型预测结果与参考结果差距大，影响工业生产。
发明内容
本发明提供了一种降低多批次样本间LIBS检测不确定性的方法及装置，以解决现有技术存在的模型鲁棒性差，模型预测结果与参考结果差距大，影响工业生产的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种降低多批次样本间LIBS检测不确定性的方法，所述降低多批次样本间LIBS检测不确定性的方法包括：同批次样本内自校正过程、多批次样本间校正过程以及对预测数据的校正过程；
所述同批次样本内自校正过程包括：
S1，获取待校正的同批次样本数据；其中，所述待校正的同批次样本数据为训练光谱数据或预测光谱数据，所述训练光谱数据指的是用于训练预设定标模型的光谱数据，所述预测光谱数据指的是用于输入所述定标模型，以实现样本预设成分预测的光谱数据；
S2，选取样本数据的内标线，并提取内标线处各个样本的光谱强度值；对元素含量相同的样本对应的光谱强度值进行概率密度剔除，将剩余的数据取平均值作为此元素含量的样本对应内标线处的标准光谱强度值；
S3，用标准光谱强度值除以此元素含量相同的样本对应的原始光谱强度值，得到每一个样本的自校正系数α1；将样本的原始光谱强度值乘以其对应的自校正系数α1，从而得到对应的自校正后的数据；
所述多批次样本间校正过程包括：
S1，获取待校正的多批次样本数据；
S2，对每一批次样本数据分别进行自校正，得到自校正后的多批次样本数据；
S3，将自校正后的n个批次的样本数据内标线处光谱强度值分别与自校正后的第一批次样本数据的内标线处光谱强度值做商，得到n-1个模型校正系数β1，β2，β3…βn-1；其中，n＝2,3,4…N，N表示多批次样本数据的总批次；
S4，利用每一批次样本数据对应的模型校正系数和该批次经过自校正后内标线处的光谱强度值建立批次间校正模型；利用所述批次间校正模型实现多批次样本间校正；
所述对预测数据的校正过程包括：
S1，获取待校正的预测数据；
S2，对预测数据进行自校正和多批次样本间校正，得到校正后的预测数据；
S3，判断校正后的预测数据内标线处光谱强度是否处于训练数据对应内标线处强度概率区间内，如果是，则执行S4；否则，执行S5；
S4，将校正后的预测数据带入预设定标模型进行计算；
S5，将此批预测数据补充到训练数据中，再次采集预测数据，然后执行S3；直到预测数据内标线处光谱强度处于训练数据对应内标线处强度概率区间内，将预测数据代入模型计算。
进一步地，所述利用每一批次样本数据对应的模型校正系数和该批次经过自校正后内标线处光谱强度值建立批次间校正模型，包括：
以最小二乘支持向量机为基学习器，将自校正后的第n批光谱数据的标准光谱强度值作为输入，将其对应的模型校正系数βn-1作为输出；
将输入和输出带入基学习器中训练得到批次间校正模型。
另一方面，本发明提供了一种降低多批次样本间LIBS检测不确定性的装置，所述降低多批次样本间LIBS检测不确定性的装置包括：同批次样本内自校正模块、多批次样本间校正模块以及对预测数据的校正模块；
所述同批次样本内自校正模块用于：
S1，获取待校正的同批次样本数据；其中，所述待校正的同批次样本数据为训练光谱数据或预测光谱数据，所述训练光谱数据指的是用于训练预设定标模型的光谱数据，所述预测光谱数据指的是用于输入所述定标模型，以实现样本预设成分预测的光谱数据；
S2，选取样本数据的内标线，并提取内标线处各个样本的光谱强度值；对元素含量相同的样本对应的光谱强度值进行概率密度剔除，将剩余的数据取平均值作为此元素含量的样本对应内标线处的标准光谱强度值；
S3，用标准光谱强度值除以此元素含量相同的样本对应的原始光谱强度值，得到每一个样本的自校正系数α1；将样本的原始光谱强度值乘以其对应的自校正系数α1，从而得到对应的自校正后的数据；
所述多批次样本间校正模块用于：
S1，获取待校正的多批次样本数据；
S2，对每一批次样本数据分别进行自校正，得到自校正后的多批次样本数据；
S3，将自校正后的n个批次的样本数据内标线处光谱强度值分别与自校正后的第一批次样本数据的内标线处光谱强度值做商，得到n-1个模型校正系数β1，β2，β3…βn-1；其中，n＝2,3,4…N，N表示多批次样本数据的总批次；
S4，利用每一批次样本数据对应的模型校正系数和该批次经过自校正后内标线处的光谱强度值建立批次间校正模型；利用所述批次间校正模型实现多批次样本间校正；
所述对预测数据的校正模块用于：
S1，获取待校正的预测数据；
S2，对预测数据进行自校正和多批次样本间校正，得到校正后的预测数据；
S3，判断校正后的预测数据内标线处光谱强度是否处于训练数据对应内标线处强度概率区间内，如果是，则执行S4；否则，执行S5；
S4，将校正后的预测数据带入预设定标模型进行计算；
S5，将此批预测数据补充到训练数据中，再次采集预测数据，然后执行S3；直到预测数据内标线处光谱强度处于训练数据对应内标线处强度概率区间内，将预测数据代入模型计算。
进一步地，所述利用每一批次样本数据对应的模型校正系数和该批次经过自校正后内标线处光谱强度值建立批次间校正模型，包括：
以最小二乘支持向量机为基学习器，将自校正后的第n批光谱数据的标准光谱强度值作为输入，将其对应的模型校正系数βn-1作为输出；
将输入和输出带入基学习器中训练得到批次间校正模型。
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
1、本发明的同批次样本内自校正根据内标线处经过概率密度剔除后的平均强度对同批次光谱数据进行校正，可以降低同批次训练数据的波动性，提高数据的可靠性。
2、本发明的多批次样本间校正将不同批次的训练数据及预测数据校正至同一强度水平，大大避免了由于不同批次间的光谱数据采集时间间隔较大时，激光器能量不稳定或环境变化带来的误差，大大降低了多批次样本间LIBS检测的不确定性。
3、实际生产中会对模型的鲁棒性进行评判，如果预测数据不属于当前模型训练数据的概率范围内，还会对训练数据进行自学习自补充，提高模型的鲁棒性，降低整个系统的不确定性，提高预测结果的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的同批次样本自校正方法流程图；
图2是本发明实施例提供的多批次样本间校正方法流程图；其中，Θi表示第i批数据内标线处强度值；
图3是本发明实施例提供的预测数据校正方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种降低多批次样本间LIBS检测不确定性的方法，该方法可以由电子设备实现，该方法包括同批次内样本自校正过程、多批次样本间校正过程以及对模型鲁棒性评判的过程；该方法可降低LIBS检测系统采集数据的波动性，并在一定程度上解决LIBS系统经过较长时间光谱强度会发生变化的问题，能够提升系统的鲁棒性，降低预测结果的不确定性，对检测结果的精度有较为明显的提升，可用于各种LIBS检测成分数据建模及分析过程。
具体地，该降低多批次样本间LIBS检测不确定性的方法的实现过程如下：
一、同批次样本内自校正过程。
同批次样本自校正过程针对同批次样本内的光谱数据，能够有效降低批次内数据的波动性，如图1所示，该校正过程包括步骤如下：
S1，获取待校正的同批次样本数据；
其中，所述待校正的同批次样本数据为训练光谱数据或预测光谱数据，所述训练光谱数据指的是用于训练预设定标模型(例如用于预测样品元素含量的支持向量机SVM定标模型)的光谱数据，所述预测光谱数据指的是用于输入所述定标模型，以实现样本预设成分预测的待测样本的光谱数据。
S2，选取样本数据的内标线，并提取内标线处各个样本的光谱强度值；对待测元素含量相同的样本对应的光谱强度值进行概率密度剔除后，将剩余的数据取平均值作为此元素含量的样本对应内标线处的标准光谱强度值；
其中，内标线指的是：于基体元素(样品中的主要元素)或基体中不存在的外加元素中选一条与分析线均称的谱线，与分析线组成分析线对，以分析线和内标线绝对强度的比值与浓度的关系来进行定量分析。
S3，用标准光谱强度值除以此元素含量相同的样本对应的原始光谱强度值，得到每一个样本的自校正系数α1；将样本的原始光谱强度值乘以其对应的自校正系数α1，从而得到对应的自校正后的数据；
二、多批次样本间校正过程。
多批次样本间校正过程主要用于多批次样本间的训练光谱数据和预测光谱数据，能够在一定程度上解决LIBS系统经过较长时间光谱强度会发生变化的问题，降低多批次样本间LIBS检测的不确定性，如图2所示，其包括步骤如下：
S1，获取待校正的多批次样本数据；
S2，将第一批采集的训练数据，第二批采集的训练数据，第三批采集的训练数据…第N批采集的训练数据分别进行自校正，得到自校正后的N批训练数据；
S3，将自校正后的第二批训练数据内标线处强度值与自校正后的第一批数据内标线处强度值做商，得到模型校正系数β1，将第三批训练数据内标线处强度值与第一批数据内标线处强度值做商，得到模型校正系数β2…将第N批训练数据内标线处强度值与第一批数据内标线处强度值做商，得到模型校正系数βN-1；
S4，用β1，β2…βN-1，与第二批，第三批…第N批训练数据内标线处经过自校正后的光谱强度值建立批次间校正模型；利用所述批次间校正模型实现多批次样本间校正；
具体地，在本实施例中，上述批次间校正模型是以最小二乘支持向量机为基学习器，把第X批自校正后的光谱强度值数据作为输入，把其对应的校正系数βX作为输出(X为1，2，3…N)，把输入和输出带入基学习器中训练得到光谱强度值-模型校正系数β的批次间校正模型。
三、对预测数据的校正过程，如图3所示，其包括步骤如下：
S1，获取待校正的预测数据；
S2，对预测数据进行自校正和多批次样本间校正，得到校正后的预测数据；
S3，判断校正后的预测数据内标线处光谱强度是否处于训练数据对应内标线处强度概率区间内，如果是，则执行S4；否则，执行S5；
S4，将校正后的预测数据带入预设定标模型进行计算；
S5，将此批预测数据补充到训练数据中，再次采集预测数据，然后执行S3；直到预测数据内标线处光谱强度处于训练数据对应内标线处强度概率区间内，将预测数据代入模型计算。
通过上述校正过程即可得到校正后的数据，利用校正后的训练光谱数据即可建立定标模型。例如，对于用于预测样品元素含量的定标模型的建立，可以包括以下过程：以校正后的样本光谱数据作为训练集，将样本光谱数据和相应的元素含量作为训练集输入，优化SVM回归模型参数，建立相关元素含量与光谱数据间的定标模型；此后，将待测样本的光谱数据作为预测集输入，输入SVM定标模型中，即可进行定量预测，得出待测样本中相应元素的含量。
综上，本实施例的数据校正方法不但可以采用自校正的方法降低同一批次内训练数据的不确定性，减小光谱数据的波动，减小环境对光谱的影响；而且针对多批次多时间段的训练数据以及用于工业生产过程中的预测数据，采用多批次样本间的光谱数据校正方法，建立批次间修正模型进行批次间数据校正，从而将多批次的训练数据以及预测数据校正至同一水平，避免了不同批次间的光谱数据由于采集时间间隔较大，激光器能量不稳定或是环境变化带来的误差，大大降低了多批次样本间LIBS检测的不确定性。而且针对实际生产过程中，针对样本或者环境的变化导致的不确定性的问题，增加了对模型鲁棒性评判的过程，使模型具有自学习自补充的能力，进而降低了模型的不确定性。
第二实施例
本实施例提供了一种降低多批次样本间LIBS检测不确定性的装置，包括：同批次样本内自校正模块、多批次样本间校正模块以及对预测数据的校正模块；
所述同批次样本内自校正模块用于执行以下步骤：
S1，获取待校正的同批次样本数据；其中，所述待校正的同批次样本数据为训练光谱数据或预测光谱数据，所述训练光谱数据指的是用于训练预设定标模型的光谱数据，所述预测光谱数据指的是用于输入所述定标模型，以实现样本预设成分预测的光谱数据；
S2，选取样本数据的内标线，并提取内标线处各个样本的光谱强度值；对待测元素含量相同的样本对应的光谱强度值进行概率密度剔除后，将剩余的数据取平均值作为此元素含量的样本对应内标线处的标准光谱强度值；
S3，用标准光谱强度值除以此元素含量相同的样本对应的原始光谱强度值，得到每一个样本的自校正系数α1；将样本的原始光谱强度值乘以其对应的自校正系数α1，从而得到对应的自校正后的数据；
所述多批次样本间校正模块用于执行以下步骤：
S1，获取待校正的多批次样本数据；
S2，对每一批次样本数据分别进行自校正，得到自校正后的多批次样本数据；
S3，将自校正后的第n批次样本数据的内标线处光谱强度值与自校正后的第一批次样本数据的内标线处光谱强度值做商，得到第n批次样本数据对应的模型校正系数βn-1；其中，n＝2,3,4…N，N表示多批次样本数据的总批次；
S4，利用每一批次样本数据对应的模型校正系数和内标线处经过自校正后的光谱强度值建立批次间校正模型；利用所述批次间校正模型实现多批次样本间校正；
所述对预测数据的校正模块用于执行以下步骤：
S1，获取待校正的预测数据；
S2，对预测数据进行自校正和多批次样本间校正，得到校正后的预测数据；
S3，判断校正后的预测数据内标线处光谱强度是否处于训练数据对应内标线处强度概率区间内，如果是，则执行S4；否则，执行S5；
S4，将校正后的预测数据带入预设定标模型进行计算；
S5，将此批预测数据补充到训练数据中，再次采集预测数据，然后执行S3；直到预测数据内标线处光谱强度处于训练数据对应内标线处强度概率区间内，将预测数据代入模型计算。
本实施例的降低多批次样本间LIBS检测不确定性的装置与上述第一实施例的降低多批次样本间LIBS检测不确定性的方法相对应；其中，本实施例的数据校正装置中的各功能模块所实现的功能与上述第一实施例的降低多批次样本间LIBS检测不确定性的方法中的各流程步骤一一对应；故，在此不再赘述。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (4)

1.一种降低多批次样本间LIBS检测不确定性的方法，其特征在于，包括：同批次样本内自校正过程、多批次样本间校正过程以及对预测数据的校正过程；
所述同批次样本内自校正过程包括：
S1，获取待校正的同批次样本数据；其中，所述待校正的同批次样本数据为训练光谱数据或预测光谱数据，所述训练光谱数据指的是用于训练预设定标模型的光谱数据，所述预测光谱数据指的是用于输入所述定标模型，以实现样本预设成分预测的光谱数据；
S2，选取样本数据的内标线，并提取内标线处各个样本的光谱强度值；对元素含量相同的样本对应的光谱强度值进行概率密度剔除，将剩余的数据取平均值作为此元素含量的样本对应内标线处的标准光谱强度值；
S3，用标准光谱强度值除以此元素含量相同的样本对应的原始光谱强度值，得到每一个样本的自校正系数α1；将样本的原始光谱强度值乘以其对应的自校正系数α1，从而得到对应的自校正后的数据；
所述多批次样本间校正过程包括：
S1，获取待校正的多批次样本数据；
S2，对每一批次样本数据分别进行自校正，得到自校正后的多批次样本数据；
S3，将自校正后的n个批次的样本数据内标线处光谱强度值分别与自校正后的第一批次样本数据的内标线处光谱强度值做商，得到n-1个模型校正系数β1，β2，β3…βn-1；其中，n＝2,3,4…N，N表示多批次样本数据的总批次；
S4，利用每一批次样本数据对应的模型校正系数和该批次经过自校正后内标线处的光谱强度值建立批次间校正模型；利用所述批次间校正模型实现多批次样本间校正；
所述对预测数据的校正过程包括：
S1，获取待校正的预测数据；
S2，对预测数据进行自校正和多批次样本间校正，得到校正后的预测数据；
S3，判断校正后的预测数据内标线处光谱强度是否处于训练数据对应内标线处强度概率区间内，如果是，则执行S4；否则，执行S5；
S4，将校正后的预测数据带入预设定标模型进行计算；
S5，将此批预测数据补充到训练数据中，再次采集预测数据，然后执行S3；直到预测数据内标线处光谱强度处于训练数据对应内标线处强度概率区间内，将预测数据代入模型计算。
2.如权利要求1所述的降低多批次样本间LIBS检测不确定性的方法，其特征在于，所述利用每一批次样本数据对应的模型校正系数和该批次经过自校正后内标线处光谱强度值建立批次间校正模型，包括：
以最小二乘支持向量机为基学习器，将自校正后的第n批光谱数据的标准光谱强度值作为输入，将其对应的模型校正系数βn-1作为输出；
将输入和输出带入基学习器中训练得到批次间校正模型。
3.一种降低多批次样本间LIBS检测不确定性的装置，其特征在于，包括：同批次样本内自校正模块、多批次样本间校正模块以及对预测数据的校正模块；
所述同批次样本内自校正模块用于：
S1，获取待校正的同批次样本数据；其中，所述待校正的同批次样本数据为训练光谱数据或预测光谱数据，所述训练光谱数据指的是用于训练预设定标模型的光谱数据，所述预测光谱数据指的是用于输入所述定标模型，以实现样本预设成分预测的光谱数据；
S2，选取样本数据的内标线，并提取内标线处各个样本的光谱强度值；对元素含量相同的样本对应的光谱强度值进行概率密度剔除，将剩余的数据取平均值作为此元素含量的样本对应内标线处的标准光谱强度值；
S3，用标准光谱强度值除以此元素含量相同的样本对应的原始光谱强度值，得到每一个样本的自校正系数α1；将样本的原始光谱强度值乘以其对应的自校正系数α1，从而得到对应的自校正后的数据；
所述多批次样本间校正模块用于：
S1，获取待校正的多批次样本数据；
S2，对每一批次样本数据分别进行自校正，得到自校正后的多批次样本数据；
S3，将自校正后的n个批次的样本数据内标线处光谱强度值分别与自校正后的第一批次样本数据的内标线处光谱强度值做商，得到n-1个模型校正系数β1，β2，β3…βn-1；其中，n＝2,3,4…N，N表示多批次样本数据的总批次；
S4，利用每一批次样本数据对应的模型校正系数和该批次经过自校正后内标线处的光谱强度值建立批次间校正模型；利用所述批次间校正模型实现多批次样本间校正；
所述对预测数据的校正模块用于：
S1，获取待校正的预测数据；
S2，对预测数据进行自校正和多批次样本间校正，得到校正后的预测数据；
S3，判断校正后的预测数据内标线处光谱强度是否处于训练数据对应内标线处强度概率区间内，如果是，则执行S4；否则，执行S5；
S4，将校正后的预测数据带入预设定标模型进行计算；
S5，将此批预测数据补充到训练数据中，再次采集预测数据，然后执行S3；直到预测数据内标线处光谱强度处于训练数据对应内标线处强度概率区间内，将预测数据代入模型计算。
4.如权利要求3所述的降低多批次样本间LIBS检测不确定性的装置，其特征在于，所述利用每一批次样本数据对应的模型校正系数和该批次经过自校正后内标线处光谱强度值建立批次间校正模型，包括：
以最小二乘支持向量机为基学习器，将自校正后的第n批光谱数据的标准光谱强度值作为输入，将其对应的模型校正系数βn-1作为输出；
将输入和输出带入基学习器中训练得到批次间校正模型。
CN202210975863.5A 2022-08-15 2022-08-15 降低多批次样本间libs检测不确定性的方法及装置 Pending CN115436342A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210975863.5A CN115436342A (zh) 2022-08-15 2022-08-15 降低多批次样本间libs检测不确定性的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210975863.5A CN115436342A (zh) 2022-08-15 2022-08-15 降低多批次样本间libs检测不确定性的方法及装置

Publications (1)

Publication Number Publication Date
CN115436342A true CN115436342A (zh) 2022-12-06

Family

ID=84242496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210975863.5A Pending CN115436342A (zh) 2022-08-15 2022-08-15 降低多批次样本间libs检测不确定性的方法及装置

Country Status (1)

Country Link
CN (1) CN115436342A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116106294A (zh) * 2023-04-11 2023-05-12 合肥金星智控科技股份有限公司 物料成分检测设备的校准方法和物料成分检测设备
CN118329802A (zh) * 2024-04-10 2024-07-12 江苏邦腾环保技术开发有限公司 环境监测设备校准方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116106294A (zh) * 2023-04-11 2023-05-12 合肥金星智控科技股份有限公司 物料成分检测设备的校准方法和物料成分检测设备
CN118329802A (zh) * 2024-04-10 2024-07-12 江苏邦腾环保技术开发有限公司 环境监测设备校准方法和系统

Similar Documents

Publication Publication Date Title
CN115436342A (zh) 降低多批次样本间libs检测不确定性的方法及装置
CN112001520B (zh) 天气预报方法、装置、计算机设备及存储介质
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN109557080A (zh) 一种基于机器学习的光谱数据回归方法
CN110716500A (zh) 用于确定温度敏感区间分段建模点的方法与系统
CN114067169A (zh) 一种基于卷积神经网络的拉曼光谱分析方法
CN115408650A (zh) 光刻胶多级串连表征网络的建模、校准、仿真方法和系统
CN117370871B (zh) 一种特种钢材的质量分析方法与系统
CN116258087B (zh) 冰铜品位软测量方法、装置、电子设备及存储介质
CN115575337B (zh) 高精度大气co2浓度观测数据标较方法、系统及设备
CN117589697A (zh) 一种植物土壤pH值的检测方法
CN112700050A (zh) 一种光伏电站超短期第1点功率预测方法及系统
CN117035155A (zh) 一种水质预测方法
CN110648023A (zh) 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法
CN114359300B (zh) 一种图像分割模型的优化方法、装置、系统及存储介质
CN112505337B (zh) 一种辅助分析样品的数据处理方法
CN114487284B (zh) 一种测量空气中重金属浓度的方法及系统
CN115169832A (zh) 一种基于曲线形态变化的敏感性分析方法及系统
CN115271192A (zh) 一种工业生产指数预测方法及处理器
CN113836826A (zh) 关键参数确定方法、装置、电子装置及存储介质
CN114066135A (zh) 一种水质模型参数自动优化方法及系统
CN109858699B (zh) 水质定量模拟方法、装置、电子设备及存储介质
Antunes et al. Resolution of voltammetric peaks using chemometric multivariate calibration methods
CN114756823B (zh) 提升花椒光谱模型预测能力的方法
CN113177308B (zh) 一种基于滚动即时特征分析的化工过程鲁棒建模与异常监测方法

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