申请/专利权人：山东大学

申请日：2024-03-14

公开（公告）日：2024-06-14

公开（公告）号：CN118193977A

主分类号：G06F18/20

分类号：G06F18/20;G06N20/20;G06F18/22;G06F18/214;G06F18/21

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.02#实质审查的生效;2024.06.14#公开

摘要：本发明提供了一种基于紫外波段和模型堆叠策略的LIBS光谱定量金矿的方法，属于数据挖掘技术领域，包括以下步骤：S1、使用具有紫外波段的LIBS光谱仪采集光谱数据，建立数据集；S3、光谱数据预处理与光谱特征提取；S4、基学习器和元学习器模型选择与建立；S5、采用模型堆叠策略建立定量反演模型；S6、结果验证。本发明方法主要是针对金矿勘查过程中采集的天然金矿岩石进行金元素的定量分析研究，这些样品在实验室进行粉碎球磨压片处理，然后采用具有紫外波段的LIBS仪器收集光谱数据，建立数据集。为了科学准确的实现金元素定量，最大限度的抑制基体效应和自吸收效应，输出并验证定量预测结果，最终结果预测精度高，抗干扰能力强，模型泛化性好。

主权项：1.基于紫外波段和模型堆叠策略的LIBS光谱定量金矿的方法，其特征在于，包括：步骤1：获取样品在紫外波段的LIBS光谱信号，对LIBS光谱数据进行预处理操作；步骤2：根据NIST标准库的金元素谱线，对使用激光诱导击穿技术获取的金矿光谱图，将金元素的所有特征谱线选出；步骤3：根据步骤2选取的金元素的所有特征谱线，将金元素特征峰的光谱强度值与所采集到的LIBS光谱的最大值相除，得到光谱特征比值集合；使用LASSO模型对光谱特征比值进行特征筛选，消除基体效应影响，将经过筛选过后的特征集使用前向序列选择再次筛选；步骤4：根据设定的比例，将整个数据集随机划分为训练集和测试集；步骤5：建立五种基于XGBoost、LGBM、SVR、GBDT和随机森林的基学习器模型，在不同的基学习器中重复进行步骤3进行特征选取工作，所选取出来的候选训练特征集为{w1,w2,…,wn}，最终确定的训练特征集为{w1∩w2∩...∩wn}，其中n为基学习器的数量；步骤6：依据最终确定的训练特征集使用划分好的训练集和测试集对基学习器使用交叉验证的方法进行重复训练和评估，将训练误差低于阈值ε的基学习器选取为待用基学习器；步骤7：将训练集进行k折交叉验证，其中k为待用基学习器的数量，得到集成的基学习器，并对基学习器进行k折交叉验证进行训练，并用训练完成得到的基学习器对交叉验证测试集的数据进行预测，得到新的预测特征值；步骤8：建立基于MLP人工神经网络模型的元学习器，根据步骤7得到新的预测特征值，使用基于堆叠策略集成的训练框架进行训练和预测，计算预测误差得到最终的集成模型；步骤9：用最终的集成模型对未知的金矿样品通过LIBS技术得到的光谱进行LIBS定量分析预测，以获得对应金元素的含量信息。

全文数据：

权利要求：

百度查询： 山东大学 基于紫外波段和模型堆叠策略的LIBS光谱定量金矿的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD