一種改進(jìn)的支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜對(duì)鋼鐵材料的分類方法
【專利摘要】本發(fā)明公開了一種基于支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜對(duì)鋼鐵材料快速識(shí)別分類的方法，其首先通過LIBS系統(tǒng)對(duì)一系列已知牌號(hào)的鋼材樣品進(jìn)行檢測(cè)，獲得不同牌號(hào)的鋼材數(shù)據(jù)矩陣，使用支持向量機(jī)對(duì)已知類別數(shù)據(jù)建立分類模型，在建模過程中，使用了一種改進(jìn)的建模方法——組合模型，當(dāng)待測(cè)樣品數(shù)據(jù)輸入模型后，先經(jīng)一對(duì)多方法模糊分類，篩選出候選類別，然后再通過一對(duì)一方法精細(xì)分類最終確定待測(cè)數(shù)據(jù)類別。該方法通過將傳統(tǒng)一對(duì)多和一對(duì)一建模方法組合使用，充分利用二者的優(yōu)勢(shì)，使待測(cè)數(shù)據(jù)通過模糊分類和精細(xì)分類的兩層分析系統(tǒng)，減少了無用類別信息對(duì)預(yù)測(cè)過程的影響，從而顯著提高預(yù)測(cè)準(zhǔn)確率并降低了計(jì)算成本。
【專利說明】一種改進(jìn)的支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜對(duì)鋼鐵材料的分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種改進(jìn)的支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜對(duì)鋼鐵材料的分類方法，具體來說是基于激光誘導(dǎo)擊穿光譜通過改進(jìn)的支持向量機(jī)對(duì)鋼鐵樣品分類，屬于光譜分析【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]鋼材作為工業(yè)、農(nóng)業(yè)等多個(gè)基礎(chǔ)行業(yè)的重要原材料，有著極大的共需量。其標(biāo)號(hào)種類繁多，不同種類鋼材的成分用途千差萬別，但規(guī)格尺寸大多相似，憑肉眼和經(jīng)驗(yàn)很難在現(xiàn)場(chǎng)快速識(shí)別出不同標(biāo)號(hào)的鋼材。在煉鋼企業(yè)、鋼材市場(chǎng)、進(jìn)出口碼頭等囤積大量鋼材的地方，由于產(chǎn)品數(shù)量種類繁多，難免出現(xiàn)混淆。此外，由于不同廠家的生產(chǎn)工藝和原材料來源不同，即使同一標(biāo)號(hào)的產(chǎn)品，其成分、性能也會(huì)存在差異。傳統(tǒng)分析方法都需要取樣后在實(shí)驗(yàn)室進(jìn)行分析化驗(yàn)，步驟非常繁瑣，檢測(cè)時(shí)間長(zhǎng)，不能完成快速的在線檢測(cè)任務(wù)，此時(shí)就需要一種能夠快速準(zhǔn)確識(shí)別鋼材種類和成分信息的現(xiàn)場(chǎng)檢測(cè)技術(shù)。
[0003]激光誘導(dǎo)擊穿光譜(laser-1nducedbreakdown spectroscopy, LIBS)是一種基于原子發(fā)射光譜的檢測(cè)物質(zhì)組分與含量的分析技術(shù)。強(qiáng)激光脈沖聚焦在樣品上形成等離子體，在等離子體冷卻過程中，樣品中處于激發(fā)態(tài)的原子和離子向低能級(jí)或基態(tài)躍遷產(chǎn)生特定頻率的特征發(fā)射譜線。由于發(fā)射譜線和特定元素一一對(duì)應(yīng)而且譜線強(qiáng)度與對(duì)應(yīng)元素含量之間具有一定的量化關(guān)系，從而可實(shí)現(xiàn)對(duì)樣品化學(xué)元素的定性和定量分析，而根據(jù)不同種類物質(zhì)光譜的特性，借助化學(xué)計(jì)量學(xué)方法則能夠判別其所屬類別從而實(shí)現(xiàn)對(duì)物質(zhì)的分類。LIBS分析簡(jiǎn)便、快速，不需要樣品預(yù)處理并能同時(shí)進(jìn)行多元素測(cè)定，因此鋼鐵樣品的現(xiàn)場(chǎng)檢測(cè)上有很大的應(yīng)用潛力。
[0004]支持向量機(jī)(Support vector machine, SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法。它以訓(xùn)練誤差作為優(yōu)化問題的約束條件，以置信范圍值最小化作為優(yōu)化目標(biāo)，即SVM是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的學(xué)習(xí)方法，因此其推廣能力明顯優(yōu)于基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的傳統(tǒng)機(jī)器學(xué)習(xí)方法。支持向量機(jī)通過引入核函數(shù)把基于內(nèi)積運(yùn)算的線性算法非線性化，將輸入樣本空間非線性映射到新的高維特征空間，在高維空間中進(jìn)行相應(yīng)的線性操作，從而實(shí)現(xiàn)非線性關(guān)系向線性關(guān)系的轉(zhuǎn)化，在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的是通過一種改進(jìn)的支持向量機(jī)建模分類方法——組合模型——結(jié)合激光誘導(dǎo)擊穿光譜實(shí)現(xiàn)對(duì)多種鋼材的快速準(zhǔn)確判別分類。
[0006]本發(fā)明實(shí)現(xiàn)過程如下:
一種改進(jìn)的支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜對(duì)鋼鐵材料的分類方法，包括以下步
驟: (1)利用激光誘導(dǎo)擊穿光譜系統(tǒng)對(duì)不同牌號(hào)的鋼材樣品分別在不同的測(cè)量位點(diǎn)進(jìn)行光譜數(shù)據(jù)采集；
(2)從每種牌號(hào)樣品的光譜數(shù)據(jù)中隨機(jī)挑選占其數(shù)據(jù)總量2/3的光譜數(shù)據(jù)作為訓(xùn)練集，其余光譜數(shù)據(jù)作為測(cè)試集；
(3)本發(fā)明中支持向量機(jī)使用多項(xiàng)式核函數(shù)；
(4)使用訓(xùn)練集數(shù)據(jù)通過網(wǎng)格法對(duì)多項(xiàng)式參數(shù)d在I一10范圍內(nèi)和懲罰因子C在10 5一IO5范圍內(nèi)進(jìn)行尋優(yōu)；
(5)確定最優(yōu)參數(shù)后利用訓(xùn)練集數(shù)據(jù)建立支持向量機(jī)模型，建模過程中使用多項(xiàng)式核函數(shù)，首先進(jìn)行一對(duì)多建模分類，分別建立針對(duì)每一類的二元分類器，然后將測(cè)試集數(shù)據(jù)依次帶入各分類器預(yù)測(cè)，綜合各二元分類器的預(yù)測(cè)值得出一對(duì)多模型的預(yù)測(cè)結(jié)果；如果一對(duì)多模型判斷該數(shù)據(jù)屬于某一類別，則整個(gè)預(yù)測(cè)過程結(jié)束；如果一對(duì)多模型判斷該數(shù)據(jù)同時(shí)屬于多個(gè)類別，即出現(xiàn)多分類情況，則把數(shù)據(jù)可能屬于的類別作為候選類別，并在這些候選類別范圍內(nèi)進(jìn)行一對(duì)一建模分類；
(6)一對(duì)一建模是將所有候選類別兩兩組合，每?jī)蓚€(gè)候選類別建立一個(gè)二元分類器，對(duì)于?類候選類別，則需建立《(?_l)/2個(gè)二元分類器，然后測(cè)試數(shù)據(jù)被所有二元分類器依次預(yù)測(cè)，綜合所有分類器的預(yù)測(cè)值以投票方式?jīng)Q定最終預(yù)測(cè)類別；如果最高得票數(shù)的類別不止一種，則將最高得票數(shù)的所有類別作為新的候選類別，然后重復(fù)迭代上述一對(duì)一建模分類方法直至最終確定唯一類別，即為最終預(yù)測(cè)類別；或者連續(xù)兩次候選類別完全相同，此時(shí)判定該數(shù)據(jù)“無法分類”。
[0007]上述步驟(5)中，建立針對(duì)每一類別的二元分類器，對(duì)于第i類數(shù)據(jù)，將訓(xùn)練集數(shù)據(jù)中屬于第i類的數(shù)據(jù)設(shè)為正標(biāo)簽，其他所有類別的數(shù)據(jù)都設(shè)為負(fù)標(biāo)簽，總共A類數(shù)據(jù)則共需建立々個(gè)二元分類器。
[0008]上述步驟(6 )中，在候選類別范圍內(nèi)進(jìn)行一對(duì)一建模分類并按如下方法進(jìn)行投票:對(duì)于i一 j類二元分類器，如果該分類器判斷測(cè)試數(shù)據(jù)為第i類，則第i類得票數(shù)加1，否則第J'類得票數(shù)加1，所有分類器均按上述方法判斷并投票后，統(tǒng)計(jì)各類別總得票數(shù)，以得票數(shù)最高的類別為最終預(yù)測(cè)結(jié)果。
[0009]本發(fā)明的優(yōu)點(diǎn)與積極效果:
(I)本發(fā)明將一對(duì)多分類和一對(duì)一分類串聯(lián)使用，充分利用二者的優(yōu)勢(shì)。測(cè)試數(shù)據(jù)經(jīng)過模糊分類篩選出候選類別，避免無用類別的干擾，有助于提高一對(duì)一分類的預(yù)測(cè)能力。同時(shí)一對(duì)多分類的計(jì)算成本遠(yuǎn)小于一對(duì)一分類，先通過一對(duì)多分類縮小可能所屬類別的范圍，避免了后續(xù)一對(duì)一分類時(shí)不必要的計(jì)算，大大降低了計(jì)算成本。
[0010](2)在候選類別范圍內(nèi)進(jìn)行精細(xì)分類，由于沒有無用類別的干擾，而且一對(duì)一分類考慮到所有候選類別間的差異，通過循環(huán)迭代，逐步縮小候選類別，最終確定預(yù)測(cè)結(jié)果，因此預(yù)測(cè)準(zhǔn)確率顯著提高。
[0011](3)經(jīng)過模糊分類和精細(xì)分類兩層分析后，如果仍然無法唯一確定所屬種類，則判定該數(shù)據(jù)“無法分類”。由于鋼鐵樣品的成分不均一性，同一樣品在不同位置的元素成分可能會(huì)有差異，因此在某些測(cè)量點(diǎn)獲得的光譜數(shù)據(jù)可能無法充分包含分類所需的信息并容易導(dǎo)致錯(cuò)誤分類。引入“無法分類”的判定能夠起到報(bào)警的作用，提醒測(cè)試者該數(shù)據(jù)無效，避免因測(cè)量信息不足導(dǎo)致誤判，降低了錯(cuò)誤分類率?！緦＠綀D】

【附圖說明】
[0012]圖1是支持向量機(jī)原理示意圖；
圖2是本發(fā)明中激光誘導(dǎo)擊穿光譜系統(tǒng)結(jié)構(gòu)圖；
圖3是一系列不同牌號(hào)圓鋼的LIBS光譜圖；
圖4是組合模型的操作流程圖。
【具體實(shí)施方式】
[0013]一種改進(jìn)的支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜對(duì)鋼鐵材料的分類方法，包括以下步驟:
(I)挑選不同牌號(hào)的圓鋼樣品，利用激光誘導(dǎo)擊穿光譜系統(tǒng)在樣品表面的不同測(cè)量位點(diǎn)進(jìn)行測(cè)量，得到不同種類樣品的光譜數(shù)據(jù)。
[0014](2)從每種牌號(hào)樣品的光譜數(shù)據(jù)中隨機(jī)挑選占其數(shù)據(jù)總量2/3的光譜數(shù)據(jù)作為訓(xùn)練集，其余光譜數(shù)據(jù)作為測(cè)試集；
(3)本發(fā)明中支持向量機(jī)使用多項(xiàng)式核函數(shù)；
(4)使用訓(xùn)練集數(shù)據(jù)通過網(wǎng)格法對(duì)多項(xiàng)式參數(shù)d在I一10范圍內(nèi)和懲罰因子C在10_5 — IO5范圍內(nèi)進(jìn)行尋優(yōu)。
[0015](5)確定 最優(yōu)參數(shù)后利用訓(xùn)練集數(shù)據(jù)建立支持向量機(jī)模型，建模算法過程如下: 對(duì)于二分類問題，\是一個(gè)光譜數(shù)據(jù)(i=l、2、3、…、n，n是訓(xùn)練集中光譜數(shù)據(jù)個(gè)數(shù))
7,= (+1,-1}是光譜數(shù)據(jù)Xi所對(duì)應(yīng)的類別標(biāo)簽。
[0016]對(duì)于在特征空間線性可分的兩類數(shù)據(jù)，必然存在分隔超平面 + 0將兩類數(shù)據(jù)分開，如圖1所示，其中距超平面比較近且支撐超平面的數(shù)據(jù)點(diǎn)被稱
為支持向量。
【權(quán)利要求】
1.一種改進(jìn)的支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜對(duì)鋼鐵材料的分類方法，其特征在于包括以下步驟: (1)利用激光誘導(dǎo)擊穿光譜系統(tǒng)對(duì)不同牌號(hào)的鋼材樣品分別在不同的測(cè)量位點(diǎn)進(jìn)行光譜數(shù)據(jù)采集； (2)從每種牌號(hào)樣品的光譜數(shù)據(jù)中隨機(jī)挑選占其數(shù)據(jù)總量2/3的光譜數(shù)據(jù)作為訓(xùn)練集，其余光譜數(shù)據(jù)作為測(cè)試集； (3)本發(fā)明中支持向量機(jī)使用多項(xiàng)式核函數(shù)； (4)使用訓(xùn)練集數(shù)據(jù)通過網(wǎng)格法對(duì)多項(xiàng)式參數(shù)d在I一10范圍內(nèi)和懲罰因子C在10 5一IO5范圍內(nèi)進(jìn)行尋優(yōu)； (5)確定最優(yōu)參數(shù)后利用訓(xùn)練集數(shù)據(jù)建立支持向量機(jī)模型，建模過程中使用多項(xiàng)式核函數(shù)，首先進(jìn)行一對(duì)多建模分類，分別建立針對(duì)每一類的二元分類器，然后將測(cè)試集數(shù)據(jù)依次帶入各分類器預(yù)測(cè)，綜合各二元分類器的預(yù)測(cè)值得出一對(duì)多模型的預(yù)測(cè)結(jié)果；如果一對(duì)多模型判斷該數(shù)據(jù)屬于某一類別，則整個(gè)預(yù)測(cè)過程結(jié)束；如果一對(duì)多模型判斷該數(shù)據(jù)同時(shí)屬于多個(gè)類別，即出現(xiàn)多分類情況，則把數(shù)據(jù)可能屬于的類別作為候選類別，并在這些候選類別范圍內(nèi)進(jìn)行一對(duì)一建模分類； (6)一對(duì)一建模是將所有候選類別兩兩組合，每?jī)蓚€(gè)候選類別建立一個(gè)二元分類器，對(duì)于?類候選類別，則需建立《(?_l)/2個(gè)二元分類器，然后測(cè)試數(shù)據(jù)被所有二元分類器依次預(yù)測(cè)，綜合所有分類器的預(yù)測(cè)值以投票方式?jīng)Q定最終預(yù)測(cè)類別；如果最高得票數(shù)的類別不止一種，則將最高得票數(shù)的所有類別作為新的候選類別，然后重復(fù)迭代上述一對(duì)一建模分類方法直至最終確定唯一類別，即為最終預(yù)測(cè)類別；或者連續(xù)兩次候選類別完全相同，此時(shí)判定該數(shù)據(jù)“無法分類”。
2.根據(jù)權(quán)利要求1所述的一種改進(jìn)的支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜對(duì)鋼鐵材料的分類方法，其特征在于:在步驟(5)中，建立針對(duì)每一類別的二元分類器，對(duì)于第i類數(shù)據(jù)，將訓(xùn)練集數(shù)據(jù)中屬于第i類的數(shù)據(jù)設(shè)為正標(biāo)簽，其他所有類別的數(shù)據(jù)都設(shè)為負(fù)標(biāo)簽，總共左類數(shù)據(jù)則共需建立A個(gè)二元分類器。
3.根據(jù)權(quán)利要求1所述的一種改進(jìn)的支持向量機(jī)結(jié)合激光誘導(dǎo)擊穿光譜對(duì)鋼鐵材料的分類方法，其特征在于:在步驟(6)中，在候選類別范圍內(nèi)進(jìn)行一對(duì)一建模分類并按如下方法進(jìn)行投票:對(duì)于i一 j類二元分類器，如果該分類器判斷測(cè)試數(shù)據(jù)為第i類，則第i類得票數(shù)加1，否則第J'類得票數(shù)加1，所有分類器均按上述方法判斷并投票后，統(tǒng)計(jì)各類別總得票數(shù)，以得票數(shù)最高的類別為最終預(yù)測(cè)結(jié)果。
【文檔編號(hào)】G06F19/00GK103488874SQ201310389591
【公開日】2014年1月1日 申請(qǐng)日期:2013年9月1日 優(yōu)先權(quán)日:2013年9月1日
【發(fā)明者】李華, 梁龍, 張?zhí)忑? 王康, 湯宏勝, 孫昆侖, 李吉光, 盛麗雯 申請(qǐng)人:西北大學(xué)