[发明专利]一种基于S变换的激光诱导击穿光谱特征非线性处理方法

说明书

本发明涉及一种基于S变换的激光诱导击穿光谱特征非线性处理方法。具体步骤为：(1)对每张原始光谱经过特征提取后的新特征进行S变换，为数据分析模型引入非线性；(2)将S变换后新特征输入多元线性回归模型，以交叉验证的均方根误差寻找最优S变换展开频率数；(3)利用确定的最优变量建立回归模型。本发明通过使用S变换将光谱强度信号在不同频率处进行展开，依据S变换的原理，低频处波段窗口大，光谱强度分量对基体效应导致的谱线漂移敏感性降低，高频处波段窗口小，因此保留了样本中主要元素特征谱线的强度信息，提高矿浆品位分析精度，可实际应用于选矿厂现场监控矿浆品位。

技术领域

本发明属于光谱分析领域，具体是一种基于S变换的激光诱导击穿光谱特征非线性处理方法。

背景技术

在铁矿厂的选矿流程中，矿浆品位是需要实时把握的动态生产指标，矿浆品位由矿石碎屑中指定矿物成分的含量确定，实际应用中大多数的分析手段直接监测矿浆的元素组成，矿物含量通常由矿浆中相应元素含量间接获得。LIBS技术的原理是通过激光与物质相互作用产生等离子体，收集等离子体的发射光谱，在化学计量学烧蚀、等离子体处于局部热力学平衡和光学薄条件下，特定波长位置处的谱线强度只与铁元素在矿浆中的浓度成正比，通过铁元素含量间接确定赤铁矿等矿物含量，进而确定矿浆品位。

LIBS技术具有无需样品预处理、分析时间短、全元素同时分析、可在线原位检测的优点。然而将其应用铁矿选矿流程直接采集矿浆的等离子体发射光谱时，由于矿浆是水和矿石碎屑的混合物，且矿石具有复杂的基体组成，基体效应将使得原子发射光谱的谱线发生复杂且难以评估的变化，导致光谱中与铁元素浓度相关性最高的大量铁原子线和离子线不再满足与铁浓度间的一元线性假设。

使用多变量线性回归模型结合光谱特征提取方法可以提高铁元素标定及预测的准确性，但是由于铁矿浆的基体复杂性，基体效应的存在导致了铁元素浓度不同的矿浆样本发生了特征谱线强度的不一致且难以评估的漂移，也就是说提取出的谱线特征对基体效应敏感，进而导致模型对于基体效应问题具有低鲁棒性。最终使得矿浆指定元素浓度品位分析不准确，这是实际生产过程遇到的难题。

因此，非线性模型如SVR、神经网络被用于建立光谱强度-铁元素浓度的定量回归，然而，确定的非线性形式如SVR可能与实际的光谱强度-铁元素浓度间的非线性关系不一致，导致训练出的模型产生比线性回归模型更差的结果；另一方面，深度神经网络的训练需要大量的带标签数据，而LIBS数据建模属于小样本问题，实际可以获得的带标签样本量远小于光谱特征维度。上述现有技术手段的弊端或局限性无法解决实际生产过程中矿浆指定元素浓度品位分析的准确性。

发明内容

针对现有技术的不足，本发明的目的是解决实际生产过程中矿浆指定元素激光诱导击穿光谱在进行成分分析时受自吸收和基体效应影响造成的非线性导致浓度品位分析不准确的问题，提供一种基于S变换的激光诱导击穿光谱特征非线性处理方法以提高实际生产过程中的矿浆品位分析精度。

本发明为实现上述目的提出了如下技术方案：

一种基于S变换的激光诱导击穿光谱特征非线性处理方法，包括以下步骤：

离线建模的步骤：采集矿浆样本的激光诱导原始光谱数据；对每张原始光谱特征进行S变换，为数据分析模型引入非线性；将S变换后新特征输入光谱强度-浓度的多元线性回归模型，以交叉验证的均方根误差寻找最优S变换展开频率数；利用确定的最优变量对应的光谱特征优化该回归模型；

实时检测的步骤：利用现场设备采集现场矿浆样本的实时光谱数据，输入优化的光谱强度-浓度的多元非线性回归模型，获取矿浆中指定元素的浓度含量。

所述采集矿浆样本的激光诱导原始光谱数据是采用激光诱导击穿光谱仪采集的。

所述离线建模包括以下步骤：

S1、数据预处理及特征提取：对获得的待测物质的激光诱导击穿光谱原始数据，进行光谱归一化和特征提取处理；