CN122024928A - 一种基于ema-cnn和加权损失函数的libs反演方法 - Google Patents

Abstract

本发明公开了一种基于EMA‑CNN和加权损失函数的LIBS反演方法，涉及深度学习和光谱分析。基于深度卷积神经网络CNN构建LIBS光谱反演模型，引入高效多尺度注意力机制EMA，设计加权均方误差损失函数，实现多成分含量协同预测。常规深度学习方法对全部光谱特征采取均等化注意力分配，本发明的EMA模块能有效引导模型进行更合理的注意力聚焦，显著提高关键特征的提取和学习效率。常规损失函数容易面临因各成分含量数量级差异导致的损失分量不均衡问题，本发明的损失函数能针对各成分进行相应损失分量加权，协同提升全部成分的预测准确度。本方法具有准确、稳定、高效的优点，适用于大数据量场景下的LIBS多成分同步反演任务。

Description

一种基于EMA-CNN和加权损失函数的LIBS反演方法

技术领域

本发明涉及深度学习和光谱分析的技术领域，特别是一种基于EMA-CNN和加权损失函数的LIBS反演方法。该方法基于深度卷积神经网络（CNN）构建LIBS光谱反演模型，创新地引入了高效多尺度注意力机制（EMA），并设计了新型加权均方误差损失函数，可实现多成分含量协同预测。

背景技术

激光诱导击穿光谱技术（Laser-Induced Breakdown Spectroscopy，LIBS）是一种原子发射光谱探测技术，通过使用高功率脉冲激光照射在样品表面，激发出等离子体并利用光谱仪获取其发射光谱，进而根据光谱形态及强度对样品的成分组成及其含量进行定性分析和定量反演。由于其卓越的远程探测能力、无需对样品进行预处理即可探测、技术易实现、快速响应、样品微损伤和多元素同时分析等优点，因此广泛应用于工业检测、环境监测、生物医疗、以及地质调查等。尤其是可远程探测这一特殊优势，使得LIBS技术在深空探测领域大放异彩，目前已成功应用于多次火星探测，有望应用于月球、金星、木星等地外天体探测。

基于LIBS光谱数据，人们可以利用化学计量学模型对火星表面的土壤、岩石等物质进行识别分类和化学成分定量检测。化学计量学模型可分为定性分析和定量反演两大类。定性分析指的是通过LIBS光谱特征谱线的波长位置来分析被测样品含有的元素种类；定量反演指的是通过特征谱线的强度值来反演对应元素或物质成分在被测样品中的含量，建立两者之间的数学关系模型。通过LIBS光谱数据反演，可以对被测样品物质进行识别分类以及组分含量检测。

由于光谱学测量技术中普遍存在基体效应，以及LIBS光谱探测中可能出现自吸收效应，LIBS特征谱线强度值与谱线对应元素的含量浓度之间往往是复杂的非线性关系。另外，LIBS光谱中除了电子能级跃迁产生的分立特征谱线之外，还包含韧致辐射与复合辐射产生的连续背景谱，连续背景的存在也给特征谱线强度的表征带来了额外的复杂性。除此之外，LIBS探测过程还对仪器性能、激光参数（例如光强、脉宽、焦斑尺寸）、实验环境（例如温度、气压、气体组分）、探测距离、样品物理化学特性等条件比较敏感，这导致了LIBS光谱的稳定性和可重复性偏低。上述LIBS光谱特性对定量反演模型提出了严峻挑战。

基于数据驱动的LIBS定量反演方法的发展经历了从简单线性标定到机器学习，再到深度学习算法的演化过程。早期的LIBS定量反演模型常以传统线性算法为主，如定标曲线法、偏最小二乘算法（PLS）等。2013年，Wiens等人尝试使用偏最小二乘算法针对每种主量元素氧化物分别构建定量反演模型，单独进行训练和优化，并将其作为ChemCam火星LIBS光谱的官方定量反演方案沿用至2017年[1]。

随着机器学习的发展，人工神经网络强大的学习和泛化能力得到普遍认可，以反向传播神经网络算法（BPNN）、集成学习算法为代表的先进算法被用于LIBS定量反演模型构建，显著增强了对LIBS光谱信号强度与目标元素含量之间非线性映射关系的拟合能力。2022年，多种机器学习算法被用于SuperCam火星原位LIBS光谱定量反演，包括梯度提升回归、随机森林、弹性网络、局部弹性网络、最小绝对收缩和选择算子（LASSO）等[2]。SuperCam团队基于每种机器学习算法在不同主量元素氧化物含量预测任务上的性能表现，为每种主量元素氧化物挑选出最合适的定量反演方案。

为解决早期传统经典算法固有的线性拟合缺陷，以及常规机器学习算法对人工特征工程的严重依赖缺陷，研究者逐渐将深度学习算法应用于LIBS定量反演研究。以深度卷积神经网络、深度置信网络和Transformer模型为代表的深度学习模型通过其强大的非线性映射能力和端到端自主学习机制，为LIBS定量反演性能带来了新突破。2020年，Li等人第一次将深度卷积神经网络应用于LIBS光谱定量反演任务，并取得了优于BPNN模型、PLS模型的整体性能表现，为LIBS定量分析提供了新方案[3]。这些模型能够直接从原始或经过简单预处理的LIBS光谱中，自动提取关键特征信息，并精准建立其与元素含量之间的高维复杂函数关系，推动了LIBS定量反演工作向智能化方向的跨越。

上述三种现有方法存在的缺点如下：

对于参考文献[1]中基于简单线性标定的LIBS定量反演方法，要求光谱信号强度与目标元素含量在一定范围内呈线性关系。然而，受基体效应、自吸收效应、实验条件等多种关键因素影响，LIBS光谱信号强度与目标元素含量通常呈现复杂的非线性映射关系，极大限制定量反演模型的准确度和普适性。

对于参考文献[2]中基于机器学习的LIBS定量反演方法，缺乏对原始光谱信号的端到端学习能力。其模型性能上限不仅由算法本身结构决定，还严重依赖特征工程与先验知识的质量。研究者需要手动完成光谱特征的挑选、降维和输入特征向量的构造，人力成本和经验需求较大。

对于参考文献[3]中基于深度卷积神经网络的LIBS定量反演方法，尽管已经展现出优于简单线性标定方法、机器学习算法的显著优势，但其在LIBS领域的深入应用仍面临模型自身架构和训练机制的制约：1.常规的深度卷积神经网络结构对所提取的众多特征映射图分配均等的注意力，这使得关键LIBS光谱特征和无效噪声干扰特征在后端层被同等处理，降低了模型对关键特征的感知和处理深度，进而削弱了模型准确度，同时也因为对全部特征映射图进行无差别计算，带来了不必要的计算负担，进而削弱了模型计算效率；2.当模型用于多成分含量协同预测时，不同输出任务（例如，对不同含量分布范围的成分进行定量反演）的收敛速度和损失函数量级存在显著差异，常规损失函数仅对各输出任务损失分量进行简单求和，极易导致模型优化过程被某一个或几个任务主导，进而牺牲模型在其他任务上的性能，造成整体预测准确度的不平衡。

参考文献

[1] Wiens R C, Maurice S, Lasue J, et al. Pre-flight calibration andinitial data processing for the ChemCam laser-induced breakdown spectroscopyinstrument on the Mars Science Laboratory rover[J]. Spectrochimica Acta PartB: Atomic Spectroscopy, 2013, 82: 1-27.

[2] Anderson R B, Forni O, Cousin A, et al. Post-landing majorelement quantification using SuperCam laser induced breakdown spectroscopy[J]. Spectrochimica Acta Part B: Atomic Spectroscopy, 2022, 188: 106347.

[3] Li L N, Liu X F, Xu W M, et al. A laser-induced breakdownspectroscopy multi-component quantitative analytical method based on a deepconvolutional neural network[J]. Spectrochimica Acta Part B: AtomicSpectroscopy, 2020, 169: 105850.

发明内容

针对上述背景和现有技术的不足，本发明提出了一种基于EMA-CNN和加权损失函数的LIBS反演方法，EMA模块能有效引导模型进行更合理的注意力聚焦，显著提高关键特征的提取和学习效率，新型的加权损失函数能针对各成分进行相应损失分量加权，协同提升全部成分的预测准确度。本方法具有准确、稳定、高效的优点，适用于大数据量场景下的LIBS多成分同步反演任务。

为了实现上述目的，本发明所采用的技术方案是：一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征在于，基于深度卷积神经网络CNN构建LIBS光谱反演模型，引入了高效多尺度注意力机制EMA，形成EMA-CNN模型，并设计了加权均方误差损失函数，实现多成分含量的准确协同预测。

进一步，基于EMA-CNN和加权损失函数的LIBS反演方法包含以下步骤：

S1、前期准备：制备用于采集激光诱导击穿光谱LIBS的标准样品，记录每个样品的名称与物质成分含量信息，制作涵盖全部N个样品的物质成分含量总表，基于定量任务确定每个样品L种目标物质成分的真实含量，并构建目标物质成分含量标签向量；

S2、利用LIBS光谱探测装置，在固定探测距离下，采集所有探测样品的LIBS光谱，由实验采集的LIBS光谱定义为原始光谱数据集；

S3、对原始光谱数据集中的LIBS光谱进行预处理，通常预处理步骤包括暗背景去除、波长定标、辐射定标、无效像元筛除和通道拼接，经过预处理后的LIBS光谱定义为LIBS光谱数据集；

S4、将所有样品按照一种目标成分含量从大到小排序，利用系统抽样策略将LIBS光谱数据集划分为P个LIBS光谱数据子集，分别定义为Fold 1 ~ P，确保每个LIBS光谱数据子集的样品数量基本一致，并满足数据同分布条件；

S5、构建融合EMA模块的深度卷积神经网络模型，定义为EMA-CNN模型，EMA-CNN模型结构设计为：第1层为批量标准化层；第2层、第4层、第6层、第7层、第9层为卷积层，激活函数为线性整流函数ReLU；第3层、第5层、第8层为池化层，池化方法为最大池化策略；第10层插入EMA模块，第11层为扁平层；第12层为全连接层，激活函数为ReLU；第13层为全连接层；

S6、设计加权均方误差损失函数Weighted_MSELoss，根据各物质成分的含量分布范围合理计算对应损失分量的权重，在EMA-CNN模型训练过程中，将最小化Weighted_MSELoss值作为模型优化目标；

S7、利用K折交叉验证策略在LIBS光谱数据子集Fold1至Fold P-1上训练验证EMA-CNN模型，并优化EMA-CNN模型的训练超参数；

S8、将测试集未知LIBS光谱输入经过训练验证的EMA-CNN模型，预测对应样品的目标物质成分含量，并根据预测均方根误差、决定系数两套评价指标多方位评估EMA-CNN模型定量反演性能。

进一步，在步骤S1中，从全部N个已知成分样品的物质成分含量总表中，筛选出每个样品L种目标物质成分的真实含量，则每个样品的成分含量标签向量C均表示为1×L的矩阵，样品i的成分标签向量C_i为

其中c_i1表示物质成分信息表中的第1种成分在样品i中的含量，即质量百分比（wt.%），0 ≤ c_i1 ≤ 100 wt.%；c_i2等其它成分含量标签向量的含义以此类推。

进一步，在步骤S2中，用LIBS光谱探测装置进行光谱采集时，所有关键装置参数均设置为固定值，包括光谱采集次数、积分时间、延迟时间和聚焦位置；相关环境参数均被实时监测并维持在稳定状态，包括探测距离、环境温度、气压、气体组分。

进一步，在步骤S3中，暗背景去除操作指利用原始LIBS光谱减去暗背景光谱从而得到有效光谱，所述暗背景光谱是指在没有激光激发时光谱仪响应的光谱；波长定标指通过多元二次拟合函数将光谱仪像元序号转换为波长值；辐射定标指通过多元线性拟合函数将光谱仪像元响应转换为光谱辐亮度；无效像元筛除指去除LIBS光谱每个波段超出波长范围的像元响应值；通道拼接指将经过无效像元筛除的多个波段LIBS光谱按波长顺序拼接为整条。

进一步，在步骤S4中，LIBS光谱数据集划分过程采用系统抽样方案，将LIBS光谱数据集中所有样品按一种目标成分的含量高低排序，依次将前P个样品作为P个子集的起点，每隔P个样品取一个样品放入相应子集，确保所有子集满足数据同分布条件，使得LIBS光谱数据集分为P个子集；同时LIBS光谱数据集划分方案严格遵循了“样品维度独立”的最高原则，即任意样品的全部LIBS光谱仅被分配至某一个子集中，确保了子集之间的绝对隔离。

进一步，在步骤S5中，EMA模块采用并行双分支结构，即一支1×1卷积核分支，用于提取跨通道关系，一支1×3卷积核分支，用于捕捉局部空间结构上下文信息，两分支的输出首先分别经过全局平均池化操作与Softmax归一化操作，得到各自的通道编码向量和基础注意力图，随后将每一分支的基础注意力图和另一分支的通道编码向量进行矩阵相乘，生成两张经过跨尺度空间-通道信息交互增强的注意力图，最终将二者相加并经过Sigmoid激活函数计算，得到最终基于多尺度特征信息感知的注意力图，随后将注意力图和输入特征图序列进行逐元素相乘并输出给下一层网络，这里阐述的“通道”是特征图序列的维度名称，每个通道代表一个独立的特征图；根据具体LIBS光谱数据集特性和任务需求，对EMA-CNN模型结构进行调整优化。

进一步，在步骤S6中，Weighted_MSELoss的权重设计方案综合考虑了每种目标成分的含量分布范围，并为对应的损失分量分配特定的权重系数w_l，损失分量指一种目标成分含量的预测值和真实值的均方误差；Weighted_MSELoss的计算方法为：某一样品的成分含量标签向量为R，LIBS光谱探测装置共对该样品采集了M条LIBS光谱，EMA-CNN模型针对该样品第j条LIBS光谱输出的成分含量预测向量为P_j，向量R和向量P_j中均有L个值，其中第l个值分别记为R_l和P_jl，则Weighted_MSELoss计算公式为

权重系数w_l根据目标成分损失分量之间的比值确定初步范围，再通过人工选取确定最终取值。

进一步，在步骤S7中，EMA-CNN模型的训练采用K折交叉验证策略，训练迭代优化器采用修正权重衰减的自适应矩估计AdamW算法，损失函数为Weighted_MSELoss；首先依次选取LIBS光谱数据子集Fold1至Fold P-1中的1个作为验证集用于实时监测EMA-CNN模型在训练过程中的性能变化，其余P-2个子集作为训练集用于训练EMA-CNN模型，P-1轮循环后得到了EMA-CNN模型在全部子集上的性能表现结果；对于训练过程，输入是训练集样品的LIBS光谱样本，以及每个LIBS光谱样本对应的成分含量标签向量，输出是EMA-CNN模型针对每个训练集LIBS光谱样本输出的目标成分含量预测值，并以最小化目标成分含量预测值和真实值之间的Weighted_MSELoss值为目标，通过AdamW算法优化EMA-CNN模型权值参数；对于验证过程，输入是验证集样品的LIBS光谱样本，输出是EMA-CNN模型针对验证集LIBS光谱样本输出的目标成分含量预测值；随后，根据EMA-CNN模型在验证集上的性能表现，优化相关的训练超参数，包括批次尺寸、初始学习率、迭代次数和打印间隔；在优化训练超参数的过程中，采用网格寻优算法寻找上述4种训练超参数的最优组合，即在预设的多维搜索空间内进行全排列组合，并执行穷举搜索，基于每一组训练超参数组合独立启动一次完整的模型训练与验证流程，最终以验证集上的Weighted_MSELoss值作为性能评判准则，挑选出能使Weighted_MSELoss值最小的训练超参数组合作为最优组合，完成EMA-CNN模型训练。

进一步，在步骤S8中，将LIBS光谱数据子集Fold P中的全部LIBS光谱输入经过训练验证的EMA-CNN模型，获取对应样品的目标物质成分含量预测值；定义LIBS光谱数据子集Fold P为测试集，该测试集的LIBS光谱未参与EMA-CNN模型的训练—验证过程；采用预测均方根误差RMSEP、决定系数R²两套评价指标，分别从预测准确度和拟合优度两个互补角度对EMA-CNN模型在测试集上的定量反演性能进行量化分析，客观反映了EMA-CNN模型在实际应用中的性能表现；

在完成EMA-CNN模型构建，并设计加权均方误差损失函数Weighted_MSELoss对EMA-CNN模型进行训练优化之后，可利用EMA-CNN模型对未知LIBS光谱进行多成分同步反演。

鉴于上述技术特征，与现有技术相比，本发明的优势是：

1、与基于简单线性标定的LIBS定量反演方法相比，本发明更适合分析LIBS光谱—物质成分含量之间的复杂非线性关系，同时无需手动搜索目标元素的特征谱线，因此可以显著提升定量反演性能，降低人力成本消耗和经验误差。

2、与基于机器学习的LIBS定量反演方法相比，本发明通过卷积—池化结构和权值共享机制，极大减少模型参数量，降低计算复杂度和资源消耗；同时无需手动完成光谱预处理、光谱特征的挑选、降维和输入特征向量的构造等前期操作，极大降低人力成本消耗和经验误差。

3、与现有基于深度CNN的LIBS定量反演方法相比，本发明充分考虑关键特征和无效噪声干扰特征对模型后端层学习推理的影响程度差异，以及不同含量分布范围的各成分损失分量的数量级差异，通过引入高效多尺度注意力机制并设计新型加权均方误差损失函数，提升了模型对关键特征的聚焦能力，保证了多成分含量协同预测过程中的均衡性。

综上，本发明基于深度CNN构建LIBS光谱反演模型，创新地引入了高效多尺度注意力机制，并设计了新型加权均方误差损失函数，可实现多成分含量的准确协同预测的。本发明提出的EMA-CNN方法具有准确、稳定、高效的优点，适用于大数据量场景下的LIBS多成分同步反演任务。

目前，结合注意力机制和加权均方误差损失函数的LIBS定量分析技术尚未见诸报道，因此本发明对于激光光谱分析领域具有重要价值。

附图说明

图1为具体实施例1中一种基于EMA-CNN和加权损失函数的LIBS反演方法的总体流程示意图。

图2为具体实施例1中LIBS光谱数据集中所有样品的8种主量元素氧化物含量分布小提琴图。

图3为具体实施例1中EMA-CNN模型的结构示意图。

图4为具体实施例1中EMA-CNN模型和7种对照模型在独立测试集上的平均RMSEP值。

图5为具体实施例1中EMA-CNN模型和7种对照模型在独立测试集上的平均R²值。

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

参见图1至图5，具体实施例1，本实施例1提供了一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征在于，基于深度卷积神经网络CNN构建LIBS光谱反演模型，引入了高效多尺度注意力机制EMA，形成EMA-CNN模型，并设计了加权均方误差损失函数，实现多成分含量的准确协同预测。

基于EMA-CNN和加权损失函数的LIBS反演方法包含以下步骤：

S1、前期准备：制备用于采集激光诱导击穿光谱（LIBS）的标准样品，记录每个样品的名称与物质成分含量信息，制作涵盖全部N个样品的物质成分含量总表，基于定量任务确定每个样品L种目标物质成分的真实含量，并构建目标物质成分含量标签向量；在步骤S1中，从全部N个已知成分样品的物质成分含量总表中，筛选出每个样品L种目标物质成分的真实含量，则每个样品的成分含量标签向量C均表示为1×L的矩阵，样品i的成分标签向量C_i为

其中c_i1表示物质成分信息表中的第1种成分在样品i中的含量，即质量百分比（wt.%），0 ≤ c_i1 ≤ 100 wt.%；c_i2等其它成分含量标签向量的含义以此类推。

本实施例1中，依据目标任务系统挑选具有代表性的多种地质样品和混合样品，用于采集激光诱导击穿光谱（LIBS）的标准样品共有643个，即N = 643，包括国家标准物质、火星常见岩石/矿物、多种含水矿物的混合样品等。将所有样品都处理成粒径≤ 100 μm的粉末；随后利用压片机将上述样品粉末压制成直径40 mm、厚度6 mm的饼状标准样品，用于后续LIBS探测，压片机压力为238 MPa，压制时间为2 min。

随后将制备好的饼状标准样品放入样品袋，并贴好样品信息标签，记录每个样品的名称和物质成分含量信息。随后，制作涵盖全部643个样品的物质成分含量总表，基于定量任务确定每个样品目标物质成分的真实含量，并构建目标物质成分含量标签向量。本实例以8种主量元素氧化物作为定量任务的目标物质成分，包括SiO₂、TiO₂、Al₂O₃、FeO_T、MgO、CaO、Na₂O、K₂O。具体而言，从全部643个已知成分样品的物质成分含量总表中，筛选出每个样品8种目标物质成分的真实含量，则每个样品的成分含量标签向量C均表示为1×8的矩阵，643个样品的目标物质成分含量分布小提琴图如图2所示。以粘土样品为例，其目标物质成分含量标签向量C为

目标物质成分含量标签向量表明粘土样品的8种主量元素氧化物含量分别是49.98 wt.%、0.70 wt.%、26.27 wt.%、9.50 wt.%、0.46 wt.%、0.13 wt.%、0.06 wt.%和0.79wt.%，其它成分含量标签向量的含义可以此类推。

S2、利用LIBS光谱探测装置，在固定探测距离下，采集所有探测样品的LIBS光谱，由实验采集的LIBS光谱定义为原始光谱数据集；在步骤S2中，用LIBS光谱探测装置进行光谱采集时，所有关键装置参数均设置为固定值，包括光谱采集次数、积分时间、延迟时间和聚焦位置；相关环境参数均被实时监测并维持在稳定状态，包括探测距离、环境温度、气压、气体组分，确保每次LIBS光谱采集过程均在实验条件高度一致的前提下进行，保障后续定量分析的基础可靠性。

本实施例1中，LIBS光谱探测装置为火星表面成分探测仪MarSCoDe载荷的地面备份样机，激光单脉冲能量约为9 mJ，激光波长为1064 nm，延迟时间0 μs，积分时间1 ms。探测距离设置为2 m，实验环境设置为模拟火星环境，即：舱内填充95.73% CO₂，2.67% N₂和1.60% Ar的混合气体，气压控制在810± 1 Pa，温度设定为实验室常温22°C。在上述实验条件下，对每个样品连续采集30条LIBS光谱（不含暗背景光谱），并从中挑选15条LIBS光谱作为待处理光谱，共计9645条，这些光谱构成了原始光谱数据集。

S3、对原始光谱数据集中的LIBS光谱进行预处理，通常预处理步骤包括暗背景去除、波长定标、辐射定标、无效像元筛除和通道拼接，经过预处理后的LIBS光谱定义为LIBS光谱数据集；在步骤S3中，暗背景去除操作指利用原始LIBS光谱减去暗背景光谱从而得到有效光谱，所述暗背景光谱是指在没有激光激发时光谱仪响应的光谱；波长定标指通过多元二次拟合函数将光谱仪像元序号转换为波长值；辐射定标指通过多元线性拟合函数将光谱仪像元响应转换为光谱辐亮度；无效像元筛除指去除LIBS光谱每个波段超出波长范围的像元响应值；通道拼接指将经过无效像元筛除的多个波段LIBS光谱按波长顺序拼接为整条。

在本实施例1中，用于LIBS探测的MarSCoDe载荷地面备份样机包含三个光谱通道，每个通道有1800个像元，共包含5400个像元；在暗背景去除步骤中，将原始LIBS光谱减去不激发LIBS信号时采集的暗背景光谱；在波长定标步骤中，利用设定的波长定标函数将每条LIBS光谱的像元序号转换为波长值；在辐射定标步骤中，利用设定的辐射定标函数将每条LIBS光谱的像元响应值转换为光谱辐亮度；在无效像元筛除步骤中，三个通道分别筛除了300、301和292个无效像元数据点；在通道拼接步骤中，将三个通道剩余的有效像元数据点按波长顺序排列拼接，每条LIBS光谱包含4507个数据点，可表示为一个4507×1的矩阵。

S4、将所有样品按照一种目标成分含量从大到小排序，利用系统抽样策略将LIBS光谱数据集划分为P个LIBS光谱数据子集，分别定义为Fold 1 ~ P，确保每个LIBS光谱数据子集的样品数量基本一致，并满足数据同分布条件；在步骤S4中，LIBS光谱数据集划分过程采用系统抽样方案，将LIBS光谱数据集中所有样品按一种目标成分的含量高低排序，依次将前P个样品作为P个子集的起点，每隔P个样品取一个样品放入相应子集，确保所有子集满足数据同分布条件，使得LIBS光谱数据集分为P个子集；同时LIBS光谱数据集划分方案严格遵循了“样品维度独立”的最高原则，即任意样品的全部LIBS光谱仅被分配至某一个子集中，确保了子集之间的绝对隔离。

本实施例1中，将LIBS光谱数据集中所有样品按SiO₂含量的高低排序，采用系统抽样策略，依次将前7个样品作为7个子集的起点，每隔7个样品取一个样品放入相应子集。7个子集的样品数量分别是92、92、92、92、92、92、91，定义为Fold 1 ~ 7。

S5、构建融合EMA模块的深度卷积神经网络模型，定义为EMA-CNN模型，EMA-CNN模型结构设计为：第1层为批量标准化层；第2层、第4层、第6层、第7层、第9层为卷积层，激活函数为线性整流函数ReLU；第3层、第5层、第8层为池化层，池化方法为最大池化策略；第10层插入EMA模块，第11层为扁平层；第12层为全连接层，激活函数为ReLU；第13层为全连接层；EMA模块采用并行双分支结构，即一支1×1卷积核分支，用于提取跨通道关系，一支1×3卷积核分支，用于捕捉局部空间结构上下文信息，通过跨空间维度交互建模方案融合两分支的输出以生成基于多尺度特征信息感知的注意力图（即两分支的输出首先分别经过全局平均池化操作与Softmax归一化操作，得到各自的通道编码向量和基础注意力图，随后将每一分支的基础注意力图和另一分支的通道编码向量进行矩阵相乘，生成两张经过跨尺度空间-通道信息交互增强的注意力图，最终将二者相加并经过Sigmoid激活函数计算，得到最终基于多尺度特征信息感知的注意力图），随后将注意力图和输入特征图序列进行逐元素相乘并输出给下一层网络，这里阐述的“通道”是特征图序列的维度名称，每个通道代表一个独立的特征图；在步骤S5中，根据具体LIBS光谱数据集特性和任务需求，对EMA-CNN模型结构进行调整优化。

本实施例1中，基于Pytorch深度学习框架构建融合EMA模块的深度卷积神经网络模型，定义为EMA-CNN模型，EMA-CNN模型的结构示意图如图3所示。EMA模块具体计算流程是：1）将特征图序列并行输入EMA模块的两个分支，对于1×1卷积核分支，其输出分别经过全局平均池化操作与Softmax归一化操作，得到通道编码向量Ch1和基础注意力图At1，对于1×3卷积核分支，其输出经过相同操作，得到Ch2和At2；2）将Ch2和At1进行矩阵相乘得到一张跨尺度空间-通道信息交互增强的注意力图CSAt1，将Ch1和At2进行矩阵相乘得到CSAt2，将CSAt1+CSAt2作为最终的多尺度特征信息感知注意力图AtMap；3）将AtMap和输入特征图序列进行逐元素相乘并输出。EMA模块通过上述操作实现了不同尺度特征与目标物质成分含量相关程度的自适应捕捉，并基于相关程度在模型优化过程中有针对性地提升关键特征的注意力值，降低无效噪声干扰特征的注意力值，使得输入特征图序列和注意力图经过逐元素相乘后，关键特征的数值被放大，而无效噪声干扰特征的数值被抑制到极低水平，有效引导模型将计算资源集中于关键特征，显著提高关键特征的提取和学习效率。

S6、设计加权均方误差损失函数Weighted_MSELoss，根据各物质成分的含量分布范围合理计算对应损失分量的权重，在EMA-CNN模型训练过程中，将最小化Weighted_MSELoss值作为模型优化目标；在步骤S6中，Weighted_MSELoss的权重设计方案综合考虑了每种目标成分的含量分布范围，并为对应的损失分量分配特定的权重系数w_l，损失分量指一种目标成分含量的预测值和真实值的均方误差；Weighted_MSELoss的计算方法为：某一样品的成分含量标签向量为R，LIBS光谱探测装置共对该样品采集了M条LIBS光谱，EMA-CNN模型针对该样品第j条LIBS光谱输出的成分含量预测向量为P_j，向量R和向量P_j中均有L个值，其中第l个值分别记为R_l和P_jl，则Weighted_MSELoss计算公式为

在本实施例1中，Weighted_MSELoss的计算方法为：某一样品的成分含量标签向量为R，LIBS光谱探测装置共对该样品采集了15条LIBS光谱，EMA-CNN模型针对该样品第j条LIBS光谱输出的成分含量预测向量为Pj，向量R和向量P_j中均有8个值，其中第l个值分别记为R_l和P_jl，则Weighted_MSELoss计算公式为

权重系数w_l根据目标成分损失分量之间的比值确定初步范围，再通过人工选取确定最终取值。

S7、利用K折交叉验证策略在LIBS光谱数据子集Fold1至Fold P-1上训练验证EMA-CNN模型，并优化EMA-CNN模型的训练超参数；在步骤S7中，EMA-CNN模型的训练采用K折交叉验证策略，训练迭代优化器采用修正权重衰减的自适应矩估计AdamW算法，损失函数为Weighted_MSELoss；首先依次选取LIBS光谱数据子集Fold1至Fold P-1中的1个作为验证集用于实时监测EMA-CNN模型在训练过程中的性能变化，其余P-2个子集作为训练集用于训练EMA-CNN模型，P-1轮循环后得到了EMA-CNN模型在全部子集上的性能表现结果；对于训练过程，输入是训练集样品的LIBS光谱样本，以及每个LIBS光谱样本对应的成分含量标签向量，输出是EMA-CNN模型针对每个训练集LIBS光谱样本输出的目标成分含量预测值，并以最小化目标成分含量预测值和真实值之间的Weighted_MSELoss值为目标，通过AdamW算法优化EMA-CNN模型权值参数；对于验证过程，输入是验证集样品的LIBS光谱样本，输出是EMA-CNN模型针对验证集LIBS光谱样本输出的目标成分含量预测值；随后，根据EMA-CNN模型在验证集上的性能表现，优化相关的训练超参数，包括批次尺寸、初始学习率、迭代次数和打印间隔；在优化训练超参数的过程中，采用网格寻优算法寻找上述4种训练超参数的最优组合，即在预设的多维搜索空间内进行全排列组合，并执行穷举搜索，基于每一组训练超参数组合独立启动一次完整的模型训练与验证流程，最终以验证集上的Weighted_MSELoss值作为性能评判准则，挑选出能使Weighted_MSELoss值最小的训练超参数组合作为最优组合，完成EMA-CNN模型训练。

在本实施例1中，采用6折交叉验证方案训练EMA-CNN模型。具体流程是依次选取子集Fold 1 ~ 6中的1个作为验证集用于评估模型，其余5个子集作为训练集用于训练模型，6轮循环后每一个子集都作为验证集得到了模型的性能表现。最终模型的性能指标由6轮所得性能指标取平均获得，旨在减少因数据划分不同而带来的偏差，从而更稳健地分析模型在整体数据上的表现。训练迭代优化器采用修正权重衰减的自适应矩估计AdamW算法，损失函数为Weighted_MSELoss。在每轮训练—验证过程中，训练集由5个子集的样品（460个）LIBS光谱组成，一共6900条；验证集由剩余1个子集的样品（92个）LIBS光谱组成，一共1380条。

在EMA-CNN模型训练过程中，我们采用网格寻优算法寻找模型训练超参数的最优组合。具体而言，针对批次尺寸、初始学习率、迭代次数及打印间隔这4项关键训练超参数，在预设的多维搜索空间内进行全排列组合，并执行穷举搜索，搜索空间如表1所示。基于每一组超参数组合独立启动一次完整的模型训练与验证流程，最终以验证集上的平均Weighted_MSELoss值作为性能评判准则，挑选出能使Weighted_MSELoss值最小的训练超参数组合作为最优组合，精准定位具有最佳定量反演性能的EMA-CNN模型。

表1 EMA-CNN模型训练超参数的搜索空间

	批次尺寸	初始学习率	迭代次数	打印间隔
					最大值	1024	1×10-5	1501	1
最小值	128	9×10-4	301	10
					取样间隔	128	5×10-5	100	1

S8、将测试集未知LIBS光谱输入经过训练验证的EMA-CNN模型，用于预测对应样品的目标物质成分含量，并根据预测均方根误差RMSEP、决定系数R²两套评价指标多方位评估EMA-CNN模型定量反演性能。在步骤S8中，将LIBS光谱数据子集Fold P中的全部LIBS光谱输入经过训练验证的EMA-CNN模型，获取对应样品的目标物质成分含量预测值；定义LIBS光谱数据子集Fold P为测试集，该测试集的LIBS光谱未参与EMA-CNN模型的训练—验证过程；采用RMSEP、R²两套评价指标，分别从预测准确度和拟合优度两个互补角度对EMA-CNN模型在测试集上的定量反演性能进行量化分析，客观反映EMA-CNN模型在实际应用中对未知LIBS光谱定量反演的性能表现。RMSEP值越低，表明模型预测值和成分真实含量值的整体绝对偏差越小，预测准确度越高；R²值越高，表明模型预测值和成分真实含量值的线性相关性越强，在全含量范围内的一致性趋势越高。

在本实施例1中，为进一步客观衡量EMA-CNN模型的性能优势，我们额外选取当前主流的7种LIBS定量反演方案作为对照组，涵盖深度学习（经典卷积神经网络CNN）、机器学习（反向传播神经网络BPNN、弹性网络Elastic Net）、集成学习（梯度提升回归算法GBR、自然梯度提升回归算法NGBoost）以及传统线性拟合方法（偏最小二乘回归算法PLS1、PLS2）。通过多维度对比分析，全面评估EMA-CNN模型在LIBS光谱定量反演任务上的准确性、稳定性与泛化能力，明确其性能提升的有效性和显著程度。

7种对照模型分别是：

1）CNN对照模型：参考文献[3]提出的CNN定量反演模型，并在Pytorch框架下完成模型构建和训练。该模型结构由批量标准化层、卷积层、池化层、扁平层、随机失活层和全连接层组合堆叠而成，使用Adam优化器算法进行训练。

2）BPNN对照模型：包括一个批量标准化层和两个全连接层，全连接层的神经元数量分别是1024个和8个，使用Adam优化器算法进行训练，同样在Pytorch框架下完成相关工作。

3）GBR对照模型和Elastic Net对照模型：基于Scikit-learn软件包构建。在GBR对照模型超参数选择上，经过寻优确定决策树数量为100，学习率为0.1，单棵决策树最大深度为3，其余参数取默认值； Elastic Net对照模型置α参数为0.123×10^-5，L1比例为0.99。

4）NGBoost对照模型：基于ngboost软件包构建，经过寻优确定决策树数量为100，其余参数取默认值。

5）PLS1和PLS2对照模型：针对偏最小二乘回归算法，我们基于Matlab R2021b分别构建PLS1和PLS2对照模型，这两个对照模型原理基本相同，区别在于PLS1对照模型依次拟合单一主量元素氧化物含量，而PLS2对照模型一次性拟合8种主量元素氧化物含量。

预测均方根误差RMSEP是衡量模型预测值与真实值之间偏差的常用指标，能够有效反映LIBS定量反演模型在测试集数据上的预测准确性和稳定性，单位为质量百分比（wt.%）。RMSEP值越小，表明模型的预测准确度越高。当针对某一主量元素氧化物计算对应RMSEP值时，计算公式如下：

其中，代表第i条LIBS光谱对应样品的目标主量元素氧化物含量真实值，代 表模型对第i条LIBS光谱计算得到的对应目标主量元素氧化物含量预测值，为测试LIBS 光谱条数。

决定系数R²是统计学中用于衡量回归模型对观测数据拟合优度的指标。R²的值介于0和1之间，值越接近1，说明模型的拟合效果越好，定量反演性能越强；反之，值越小，模型的拟合效果越差。其计算公式如下：

其中，表示所有测试LIBS光谱对应的目标主量元素氧化物真实含量平均值。

图4展示了EMA-CNN模型和7种对照模型在独立测试集上的平均RMSEP对比结果。结果表明，EMA-CNN模型在大多数主量元素氧化物上均表现出显著优于其他对照模型的预测准确度，特别是在SiO₂、TiO₂、Al₂O₃、FeO_T、Na₂O上。其中，针对SiO₂，EMA-CNN模型的平均RMSEP结果相比于其他对照模型至少降低0.15 wt.%（CNN对照模型），最多降低4.27 wt.%（PLS2对照模型），平均降低值为2.06 wt.%，超出EMA-CNN模型对SiO₂含量预测的平均RMSEP值（5.06wt.%）的40%，这种平均RMSEP值降低幅度从统计学意义上说明EMA-CNN模型对定量反演准确度的实质性提升，更充分反映出EMA-CNN模型在定量反演困难的主量元素氧化物上具备优于其他对照模型的卓越性能。然而，在MgO、CaO以及K₂O上，EMA-CNN模型虽然相对优势不明显，但仍保持较强竞争力，仅有个别对照模型在这3种主量元素氧化物上表现出与之相近甚至略优的预测性能。例如，针对MgO，EMA-CNN模型的平均RMSEP值仅比最优的GBR对照模型的高0.34 wt.%；针对CaO，EMA-CNN模型仅比最优的PLS2对照模型高0.27 wt.%；针对K₂O，EMA-CNN模型仅比最优的GBR对照模型高0.09 wt.%，反映出其他对照模型在少数主量元素氧化物定量反演任务中仍有其独特优势。此外，从图4中各模型RMSEP值的误差棒可以看出，EMA-CNN模型在不同折次评估中的结果波动范围明显小于多数对照模型，其误差棒普遍偏短，表明EMA-CNN模型在预测稳定性方面同样处于先进水平，也就是说EMA-CNN模型的预测稳定性更好。

图5进一步展示了EMA-CNN模型和7种对照模型在独立测试集上的平均R²对比结果，每种模型的平均R²揭示了其在主量元素氧化物全含量范围内的综合预测偏差。结果表明，EMA-CNN模型在SiO₂、TiO₂、Al₂O₃、FeO_T、Na₂O的全含量范围内展现出卓越的拟合性能，仅在MgO、K₂O上拟合性能与GBR对照模型接近，在CaO上与PLS2对照模型接近。其中，针对SiO₂，EMA-CNN模型的平均R²结果为0.92，相比于其他对照模型至少提升0.01（CNN对照模型），最多提升0.18（PLS2对照模型），平均提升为0.08；针对MgO，EMA-CNN模型的平均R²结果为0.93，仅比最优的GBR对照模型低0.02；针对CaO，EMA-CNN模型的平均R²结果为0.95，虽略低于最优的GBR对照模型，但差距仅为0.01；针对K₂O，EMA-CNN模型的平均R²结果为0.84，比最优的GBR对照模型低0.03，仍处于可接受范围之内。这一结果与上述RMSEP分析结果相互论证。同时，从图5中各模型R²值的误差棒分布可知，EMA-CNN模型在不同折次评估中的结果波动范围明显小于多数对照模型，其误差棒普遍偏短且集中，进一步证明了EMA-CNN模型的稳定性。值得注意的是，EMA-CNN模型作为一种基于深度学习的复杂非线性建模方法，其稳定性表现甚至与传统线性拟合方法（PLS1、PLS2）相当，证明EMA-CNN模型在保留深度学习强大学习能力的同时，有效克服深度学习算法常因数据随机性而产生的性能波动问题。

此外，针对本实例中的8种主量元素氧化物定量反演任务，EMA-CNN模型能够一次性完成多成分协同预测，并且完成单次训练—验证流程仅需137s，在建模效率和部署简洁度上具有显著优势。GBR、Elastic Net、NGBoost、PLS2模型需要针对每种主量元素氧化物单独训练一个定量反演模型，其人力成本和累计建模时间随目标物质成分种类的增多而线性增长，同时单次训练—验证流程耗时也远高于EMA-CNN模型。

在完成EMA-CNN模型构建，并设计加权均方误差损失函数Weighted_MSELoss对EMA-CNN模型进行训练优化之后，可利用EMA-CNN模型对未知LIBS光谱进行多成分同步反演。

综上，本实施例1中一种基于EMA-CNN和加权损失函数的LIBS反演方法具有准确、稳定、高效的优点，适用于大数据量场景下的LIBS多成分同步反演任务，对于激光光谱分析技术领域具有重要价值。

本实施例1中一种基于EMA-CNN和加权损失函数的LIBS反演方法的作用原理如下：

对于常规深度学习模型，通常默认对全部光谱特征采取均等化注意力分配；对于常规损失函数，通常默认对多个输出任务的损失分量采取简单求和策略。本发明的核心创新点是创新地引入了高效多尺度注意力机制（EMA），并设计了新型加权均方误差损失函数，可实现准确、稳定、高效的多成分含量协同预测。整体设计思路如下：

对于深度CNN模型提取的特征映射图序列，源自光谱背景基线、仪器噪声的无效噪声干扰特征不仅无法提供与最终输出向量相关的有效信息，反而可能在模型后端层的学习过程中引入偏差，从而对定量反演准确度产生负面影响；同时，源自目标元素特征谱线的关键特征是模型后端层的核心学习对象，与目标元素含量高度相关，需要模型重点关注。因此，在深度CNN模型中引入高效多尺度注意力机制，可以动态强化关键特征在模型学习和推理过程中的权重，抑制无效噪声干扰特征，显著提升模型性能，降低计算消耗。本发明使用的高效多尺度注意力机制（EMA）模块采用并行双分支结构，即一支1×1卷积核分支，用于提取跨通道关系，一支1×3卷积核分支，用于捕捉局部空间结构上下文信息，并通过跨空间维度交互建模生成基于多尺度特征信息感知的注意力图。1×1卷积核分支借鉴并扩展了坐标注意力机制的思想，通过1×1卷积核实现跨通道交互的同时，利用2个沿空间维度的全局平均池化操作，在通道信息中嵌入空间位置编码，增强其空间感知能力；1×3卷积核分支则利用1×3卷积核进一步扩大空间感受野以捕获更广泛的光谱上下文信息；两分支的输出首先分别经过全局平均池化操作与Softmax归一化操作，得到各自的通道编码向量和基础注意力图，随后将每一分支的基础注意力图和另一分支的通道编码向量进行矩阵相乘，生成两张经过跨尺度空间-通道信息交互增强的注意力图，最终将二者相加并经过Sigmoid激活函数计算，得到最终的注意力图，随后和输入特征图序列进行逐元素相乘并输出给下一层网络。EMA模块通过上述操作实现了不同尺度特征与目标物质成分含量相关程度的自适应捕捉，并基于相关程度在模型优化过程中有针对性地提升关键特征的注意力值，降低无效噪声干扰特征的注意力值，使得输入特征图序列和注意力图经过逐元素相乘后，关键特征的数值被放大，而无效噪声干扰特征的数值被抑制到极低水平，有效引导模型将计算资源集中于关键特征。其中，并行双分支结构、小尺寸卷积核、全局平均池化操作、融合相加操作这些轻量化设计方案极大提升了EMA模块生成注意力图的计算效率，并以极小的参数量代价显著提升了深度CNN模型的关键特征聚焦能力；同时，不同尺度的卷积核解决了传统单一感受野无法同时捕捉细节和全局的矛盾，进一步提升了深度CNN模型对复杂抽象特征的理解能力。此外，EMA模块的输出特征映射图在通道维度和空间尺寸上与输入保持完全一致，使其可以灵活嵌入不同深度学习模型架构中，为模型架构设计提供了高度的灵活性和扩展性。

对于多成分含量协同预测任务，不同含量分布范围的成分含量预测任务的收敛速度和损失函数量级存在显著差异，常规损失函数仅对各输出任务损失分量进行简单求和，极易导致模型优化过程被某一个或几个任务主导，进而牺牲模型在其他任务上的性能，造成整体预测准确度的不平衡。因此，需要设计一种新型加权均方误差损失函数（Weighted_MSELoss），根据各物质成分的含量分布范围合理计算对应损失分量的权重，使得各输出任务损失分量处于相近的数量级，从而确保模型在反向传播优化过程中，梯度更新不被某一个或几个任务主导，而是均衡地响应所有任务的损失分量。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征在于，基于深度卷积神经网络CNN构建LIBS光谱反演模型，引入了高效多尺度注意力机制EMA，形成EMA-CNN模型，并设计了加权均方误差损失函数，实现多成分含量的准确协同预测。

2.如权利要求1所述的一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征在于，基于EMA-CNN和加权损失函数的LIBS反演方法包含以下步骤：

S1、前期准备：制备用于采集激光诱导击穿光谱LIBS的标准样品，记录每个样品的名称与物质成分含量信息，制作涵盖全部N个样品的物质成分含量总表，基于定量任务确定每个样品L种目标物质成分的真实含量，并构建目标物质成分含量标签向量；

S2、利用LIBS光谱探测装置，在固定探测距离下，采集所有探测样品的LIBS光谱，由实验采集的LIBS光谱定义为原始光谱数据集；

S3、对原始光谱数据集中的LIBS光谱进行预处理，通常预处理步骤包括暗背景去除、波长定标、辐射定标、无效像元筛除和通道拼接，经过预处理后的LIBS光谱定义为LIBS光谱数据集；

S4、将所有样品按照一种目标成分含量从大到小排序，利用系统抽样策略将LIBS光谱数据集划分为P个LIBS光谱数据子集，分别定义为Fold 1 ~ P，确保每个LIBS光谱数据子集的样品数量基本一致，并满足数据同分布条件；

S5、构建融合EMA模块的深度卷积神经网络模型，定义为EMA-CNN模型，EMA-CNN模型结构设计为：第1层为批量标准化层；第2层、第4层、第6层、第7层、第9层为卷积层，激活函数为线性整流函数ReLU；第3层、第5层、第8层为池化层，池化方法为最大池化策略；第10层插入EMA模块，第11层为扁平层；第12层为全连接层，激活函数为ReLU；第13层为全连接层；

S6、设计加权均方误差损失函数Weighted_MSELoss，根据各物质成分的含量分布范围合理计算对应损失分量的权重，在EMA-CNN模型训练过程中，将最小化Weighted_MSELoss值作为模型优化目标；

S7、利用K折交叉验证策略在LIBS光谱数据子集Fold1至Fold P-1上训练验证EMA-CNN模型，并优化EMA-CNN模型的训练超参数；

S8、将测试集未知LIBS光谱输入经过训练验证的EMA-CNN模型，预测对应样品的目标物质成分含量，并根据预测均方根误差、决定系数两套评价指标多方位评估EMA-CNN模型定量反演性能。

3.如权利要求2所述的一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征是：在步骤S1中，从全部N个已知成分样品的物质成分含量总表中，筛选出每个样品L种目标物质成分的真实含量，则每个样品的成分含量标签向量C均表示为1×L的矩阵，样品i的成分标签向量C_i为

其中c_i1表示物质成分信息表中的第1种成分在样品i中的含量，即质量百分比（wt.%），0≤ c_i1 ≤ 100 wt.%；c_i2等其它成分含量标签向量的含义以此类推。

4.如权利要求2所述的一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征是：在步骤S2中，用LIBS光谱探测装置进行光谱采集时，所有关键装置参数均设置为固定值，包括光谱采集次数、积分时间、延迟时间和聚焦位置；相关环境参数均被实时监测并维持在稳定状态，包括探测距离、环境温度、气压、气体组分。

5.如权利要求2所述的一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征是：在步骤S3中，暗背景去除操作指利用原始LIBS光谱减去暗背景光谱从而得到有效光谱，所述暗背景光谱是指在没有激光激发时光谱仪响应的光谱；波长定标指通过多元二次拟合函数将光谱仪像元序号转换为波长值；辐射定标指通过多元线性拟合函数将光谱仪像元响应转换为光谱辐亮度；无效像元筛除指去除LIBS光谱每个波段超出波长范围的像元响应值；通道拼接指将经过无效像元筛除的多个波段LIBS光谱按波长顺序拼接为整条。

6.如权利要求2所述的一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征是：在步骤S4中，LIBS光谱数据集划分过程采用系统抽样方案，将LIBS光谱数据集中所有样品按一种目标成分的含量高低排序，依次将前P个样品作为P个子集的起点，每隔P个样品取一个样品放入相应子集，确保所有子集满足数据同分布条件，使得LIBS光谱数据集分为P个子集；同时LIBS光谱数据集划分方案严格遵循了“样品维度独立”的最高原则，即任意样品的全部LIBS光谱仅被分配至某一个子集中，确保了子集之间的绝对隔离。

7.如权利要求2所述的一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征是：在步骤S5中，EMA模块采用并行双分支结构，即一支1×1卷积核分支，用于提取跨通道关系，一支1×3卷积核分支，用于捕捉局部空间结构上下文信息，两分支的输出首先分别经过全局平均池化操作与Softmax归一化操作，得到各自的通道编码向量和基础注意力图，随后将每一分支的基础注意力图和另一分支的通道编码向量进行矩阵相乘，生成两张经过跨尺度空间-通道信息交互增强的注意力图，最终将二者相加并经过Sigmoid激活函数计算，得到最终基于多尺度特征信息感知的注意力图，随后将注意力图和输入特征图序列进行逐元素相乘并输出给下一层网络；根据具体LIBS光谱数据集特性和任务需求，对EMA-CNN模型结构进行调整优化。

8.如权利要求2所述的一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征是：在步骤S6中，Weighted_MSELoss的权重设计方案综合考虑了每种目标成分的含量分布范围，并为对应的损失分量分配特定的权重系数w_l，损失分量指一种目标成分含量的预测值和真实值的均方误差；Weighted_MSELoss的计算方法为：某一样品的成分含量标签向量为R，LIBS光谱探测装置共对该样品采集了M条LIBS光谱，EMA-CNN模型针对该样品第j条LIBS光谱输出的成分含量预测向量为P_j，向量R和向量P_j中均有L个值，其中第l个值分别记为R_l和P_jl，则Weighted_MSELoss计算公式为

权重系数w_l根据目标成分损失分量之间的比值确定初步范围，再通过人工选取确定最终取值。

9.如权利要求2所述的一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征是：在步骤S7中，EMA-CNN模型的训练采用K折交叉验证策略，训练迭代优化器采用修正权重衰减的自适应矩估计AdamW算法，损失函数为Weighted_MSELoss；首先依次选取LIBS光谱数据子集Fold1至Fold P-1中的1个作为验证集用于实时监测EMA-CNN模型在训练过程中的性能变化，其余P-2个子集作为训练集用于训练EMA-CNN模型，P-1轮循环后得到了EMA-CNN模型在全部子集上的性能表现结果；对于训练过程，输入是训练集样品的LIBS光谱样本，以及每个LIBS光谱样本对应的成分含量标签向量，输出是EMA-CNN模型针对每个训练集LIBS光谱样本输出的目标成分含量预测值，并以最小化目标成分含量预测值和真实值之间的Weighted_MSELoss值为目标，通过AdamW算法优化EMA-CNN模型权值参数；对于验证过程，输入是验证集样品的LIBS光谱样本，输出是EMA-CNN模型针对验证集LIBS光谱样本输出的目标成分含量预测值；随后，根据EMA-CNN模型在验证集上的性能表现，优化相关的训练超参数，包括批次尺寸、初始学习率、迭代次数和打印间隔；在优化训练超参数的过程中，采用网格寻优算法寻找上述4种训练超参数的最优组合，即在预设的多维搜索空间内进行全排列组合，并执行穷举搜索，基于每一组训练超参数组合独立启动一次完整的模型训练与验证流程，最终以验证集上的Weighted_MSELoss值作为性能评判准则，挑选出能使Weighted_MSELoss值最小的训练超参数组合作为最优组合，完成EMA-CNN模型训练。

10.如权利要求2所述的一种基于EMA-CNN和加权损失函数的LIBS反演方法，其特征是：在步骤S8中，将LIBS光谱数据子集Fold P中的全部LIBS光谱输入经过训练验证的EMA-CNN模型，获取对应样品的目标物质成分含量预测值；定义LIBS光谱数据子集Fold P为测试集，该测试集的LIBS光谱未参与EMA-CNN模型的训练—验证过程；采用预测均方根误差RMSEP、决定系数R²两套评价指标，分别从预测准确度和拟合优度两个互补角度对EMA-CNN模型在测试集上的定量反演性能进行量化分析，客观反映了EMA-CNN模型在实际应用中的性能表现；

在完成EMA-CNN模型构建，并设计加权均方误差损失函数Weighted_MSELoss对EMA-CNN模型进行训练优化之后，可利用EMA-CNN模型对未知LIBS光谱进行多成分同步反演。