一种基于激光诱导击穿光谱的岩土烧失量预测方法及系统的制作方法
【专利摘要】本发明公开了一种基于激光诱导击穿光谱的岩土烧失量预测方法，该方法将激光诱导击穿光与支持向量机非线性回归算法相结合，有效获取模型参数以克服固体样直接分析中基质效应的影响，实现岩土烧失量的准确快速测定，获得可靠结果。相比于传统灼烧测量法，可大幅减轻劳动量与分析时间，节约成本，具备数据实时获取的特点。本发明还同时提供了一种适用于上述方法的预测系统。
【专利说明】
一种基于激光诱导击穿光谱的岩土烧失量预测方法及系统
技术领域
[0001] 本发明涉及岩土分析领域，具体涉及一种基于激光诱导击穿光谱的岩土烧失量预 测方法及系统。
【背景技术】
[0002] 烧失量值是岩石、土壤、矿物分析中重要的分析指标，主要是通过测定特定强热条 件下样品挥发组分的减少量达到样品质量检测及性能测试的目标，因此在工业原材料加工 控制领域有重要应用。如用于铁矿石原料的质量检测，烧失量代表了在冶炼过程中损失的 实际材料。在高温冶金处理行业，如石灰，铝矾土煅烧，耐火材料，以及水泥生产，原材料中 的烧失量大致相当于在窑经受的质量损失。
[0003]在岩土工程中，岩土是重要的施工对象，同时又是重要的原材料，岩土烧失量始终 是土工试验的必要分析项目和评价指标。实验室目前普遍采用灼烧法进行测量。主要是将 待测样品进行烘干后，使用坩埚置于温控炉内进行预加温，再灼烧(900-1000度，5-6个小 时）后经CO 2氛围冷却，经重复测定至恒重获取烧失量数据。因此对测试时间及测试人员的 劳动强度方面有更多的要求。尽管作为大多数情况下一个常规测量方法，但有时灼烧法并 非总是一种直接合适的方法，如样品中含有大量铁矿物，很有可能灼烧后的质量在很大程 度上会由于Fe组分形式的变化会减小，因此还需辅以其他手段进行校正。
[0004] 可见在岩土工程施工决策信息快速获取中，这种经典的方法其分析速度已明显滞 后，目前亟需一种简单快速的分析方法。
【发明内容】
[0005] 为解决上述问题，本发明提供了一种基于激光诱导击穿光谱的岩土烧失量预测方 法，包括以下步骤：
[0006] (1)取已知烧失量的岩土样本，测定其激光诱导击穿光谱，采集其光谱数据；
[0007] (2)对光谱数据进行预处理；
[0008] (3)以预处理后的数据，建立基于支持向量机的岩土烧失量预测模型；
[0009] (4)取待测岩土样本，按照步骤（1)和步骤(2)的方法获取数据，根据步骤(3)的预 测模型，得到岩土样本的岩土烧失量预测值。
[0010] 进一步地，所述步骤（1)的测定中，激光诱导击穿光谱的波长范围为150-1100nm， 优选的波长范围为220-800nm〇
[0011] 进一步地，所述步骤（1)的测定中，光谱采集延迟时间为〇. 5-5ys，优选的为1.5ys; 积分时间为200ys-100ms，优选的为5ys。
[0012] 进一步地，所述步骤(2)的预处理中，预处理的方法为背景校正法、平均值法或光 谱归一化法，优选全光谱归一化方法。
[0013] 进一步地，步骤⑶中，所述支持向量机的核函数为径向基核函数。
[0014] 进一步地，所述支持向量机的优化参数是通过网格寻优法得到的。
[0015] 本发明实施例提供了支持向量机结合激光诱导击穿光谱用于岩土烧失量快速测 定的方法，包括以下步骤：
[0016] (1)采集训练集目标样品和预测集目标样品的激光诱导击穿光谱；
[0017] (2)将所述训练集样品光谱数据作为输入层数据，所述训练集样品烧失量参考值 作为输出层数据，建立支持向量机的预测模型；
[0018] (3)本发明中支持向量机使用径向基核函数；
[0019] (4)采用网格寻优法对所述预测模型进行训练，确定激光诱导击穿光谱分析目标 样品烧失量的支持向量机模型的优化核参数；
[0020] (5)确定最优参数后，将预测集样品的激光诱导击穿光谱作为所述激光诱导击穿 光谱分析目标样品烧失量值的支持向量机模型的输入层数据，计算得到所述预测集样品的 对应烧失量预测值。
[0021] 作为一种更为具体的实施方式，前述方法包括以下步骤：
[0022] (a)采集训练集目标样品和预测集目标样品的激光诱导击穿光谱；
[0023] (b)将所述训练集样品光谱数据作为输入层数据，所述训练集样品烧失量参考值 作为输出层数据，建立支持向量机的预测模型；
[0024] (c)本发明中支持向量机使用径向基核函数；
[0025] (d)采用网格寻优法对所述预测模型进行训练，确定激光诱导击穿光谱分析目标 样品烧失量的支持向量机模型的优化核参数；
[0026] (e)确定最优参数后，将预测集样品的激光诱导击穿光谱作为所述激光诱导击穿 光谱分析目标样品烧失量值的支持向量机模型的输入层数据，计算得到所述预测集样品的 对应烧失量预测值。
[0027] 上述步骤(a)中，所述训练集目标样品和预测集目标样品，为多类型岩石、土壤和 沉系物样品；不同类型的岩土样品经简单处理制得压片待测样;为保证激光光谱采样的代 表性，采用网格状分布，进行多点采样。
[0028] 上述步骤(a)中，采集目标样品的激光诱导击穿光谱，对所述激光诱导击穿光谱进 行数据处理;其中，所述数据处理包括:对所述激光诱导击穿光谱求平均值，背景校正以及 谱学归一。
[0029] 上述步骤(a)中，训练集目标样品的光谱数据与预测集目标样品的光谱数据，数量 比在0.5:1至5:1比例范围。
[0030] 所述步骤(b)中训练集目标样品和步骤(e)中预测集目标样品的的烧失量参考值， 具体为:采用国家标准灼烧法测得所述目标样品的烧失量参考值。
[0031] 靳;未来骢m由建古的方挂tin畺如雨测模型为：
[0032]
[0033] 其中，Cii，4为Lagrange因子，K(Xi，x)为径向基核函数，Xi为输入层向量，X为输入 层数据，b为支持向量机模型的偏置量，f (X)为输出数据。
[0034] 所述步骤(d)中采用网格寻优法对所述预测模型进行训练，包括:使用训练集数据 通过网格寻优法对核参数σ在0.1到15范围内和惩罚因子C在HT 5-IO5范围内进行寻优。
[0035] 所述支持向量机结合激光诱导击穿光谱用于岩土烧失量快速测定方法，还包括： 利用所述预测集样品的对应烧失量预测值和所述预测样品的烧失量参考值对所述支持向 量机模型进行验证。
[0036]本发明还提供了一种基于激光诱导击穿光谱的岩土烧失量预测系统，可用于前述 方法的实施，所述系统包括：
[0037]激光诱导击穿光谱数据采集及预处理模块，用于采集岩土样本的激光诱导击穿光 谱数据，对数据进行光谱学预处理，作为建立岩土烧失量预测模型所需的训练集数据和预 测集数据；
[0038]支持向量机训练建模模块，用于将所述训练集数据作为输入层数据，训练集样本 的烧失量值作为输出层数据，建立支持向量机训练模型；
[0039]支持向量机参数优化模块，用于对支持向量机的参数进行优化；
[0040] 支持向量机预测模块，用于将待测岩土样本的激光诱导击穿光谱数据作为支持向 量机模型的输入层数据，计算得到所述待测样品的烧失量预测值。
[0041] 进一步地，所述光谱预处理中，光谱预处理的方法为背景校正法、平均值法或光谱 归一化法，优选全光谱归一化方法。
[0042] 进一步地，所述支持向量机训练建模模块中，所述支持向量机的核函数为径向基 核函数。
[0043] 进一步地，所述持向量机参数优化模块中，优化的方法为网格寻优法。
[0044] 作为一种更为具体的实施方式，前述系统包括：
[0045] 激光诱导击穿光谱信息采集模块，用于采集目标样品的激光诱导击穿光谱；
[0046] 支持向量机数据建模模块，用于将所述光谱数据作为输入层数据，将所述目标样 的烧失量参考值作为输出层数据，建立支持向量机预测模型；
[0047] 支持向量机参数优化模块，采用网格寻优法对所述预测模型进行训练，确定激光 诱导击穿光谱分析目标样品烧失量值的支持向量机模型的优化参数；
[0048] 支持向量机预测模块，将预测样品的激光诱导击穿光谱作为所述激光诱导击穿光 谱分析目标样品的支持向量机模型的输入层数据，得到所述预测集样品的对应烧失量预测 值。
[0049] 模型验证模块，利用所述预测集样品的对应烧失量预测值和所述预测样品的国家 标准灼烧法测得烧失量参考值对所述支持向量机模型验证。
[0050] 更为具体地，所述激光诱导击穿光谱信息采集模块，对所述激光诱导击穿光谱进 行数据预处理，包括:对所述激光诱导击穿光谱求平均值，背景校正以及谱学归一。
[0051] 本发明具有下述有益效果：
[0052] (1)本发明提供的支持向量机结合激光诱导击穿光谱用于岩土烧失量快速测量的 方法及系统，通过采集目标样品的激光诱导击穿光谱;将所述训练集目标样品的激光诱导 击穿光谱作为输入层数据，所述训练集目标样品的烧失量参考值作为输出层数据，建立支 持向量机的预测模型；采用网格寻优法对所述预测模型进行训练，建立激光诱导击穿光谱 分析目标样品烧失量值的支持向量机优化模型;将预测集目标样品的激光诱导击穿光谱数 据作为所述激光诱导击穿光谱分析目标样品烧失量值的支持向量机优化模型的输入层数 据，得到所述预测集目标样品的对应烧失量值，通过模型验证，获得可靠的预测结果。
[0053] (2)激光诱导击穿光谱技术分析快速，样品预处理简单。尤其直接用于固体样品分 析时，激光诱导击穿光谱包含了样品基质丰富的物理与化学特征信息。
[0054] (3)支持向量机(SVM)对异常值和噪声有很好的容忍度，通过使用核函数实现非线 性回归，达到多类型样品直接分析时的基质效应有效校正，克服光谱数据中由于元素互相 干扰及环境噪声等的影响，有效提高预测准确度，具有理想的泛化能力。
[0055] (4)烧失量测定是岩土工程施工中土工试验的重要分析内容。本发明在实际应用 中，节约了分析时间，降低了成本。
[0056]显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离 本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0057]以下通过实施例形式的【具体实施方式】，对本发明的上述内容再作进一步的详细说 明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容 所实现的技术均属于本发明的范围。
【附图说明】
[0058]图1是本发明实施例提供的支持向量机结合激光诱导击穿光谱用于岩土烧失量快 速测定方法的建模流程图。
[0059] 图2是本发明实施例提供的部分岩石样品和土壤样品的激光诱导击穿光谱图。
[0060] 图3是本发明实施例提供的支持向量机结合激光诱导击穿光谱用于岩土烧失量快 速测定模型的训练结果与国家标准灼烧法测定的烧失量参考值的比较示意图。
[0061] 图4是本发明实施例提供的支持向量机结合激光诱导击穿光谱用于岩土烧失量快 速测量的模型的预测结果与目标样品烧失量参考值的比较示意图。
[0062] 图5是本发明实施例提供的支持向量机结合激光诱导击穿光谱用于岩土烧失量快 速测量系统的结构示意图。
【具体实施方式】
[0063]实施例1本发明的岩土烧失量预测方法
[0064] 本发明的支持向量机结合激光诱导击穿光谱用于岩土烧失量快速测量方法总流 程所述如下：
[0065] 采集训练集和预测集目标样品的激光诱导击穿光谱；
[0066] 举例说明，通过光谱仪采集训练集样品的激光诱导击穿光谱；
[0067]对所述激光诱导击穿光谱进行数据处理，其中，处理的方法包括:求平均，背景校 正，以及谱学归一；
[0068] 将所述预处理后训练集光谱数据作为输入层数据，所述训练集目标样品的烧失量 参考值作为输出层数据，建立支持向量机的预测模型；
[0069] 采用网格寻优法对所述预测模型进行训练，确定激光诱导击穿光谱分析目标样品 烧失量的支持向量机模型的优化参数；
[0070] 将预测集目标样品的激光诱导击穿光谱数据作为所述激光诱导击穿光谱分析目 标样品烧失量值的支持向量机模型的输入层参数，计算得到所述预测集目标样品的烧失量 值；
[0071] 其中所述目标样品的烧失量参考值由国家标准灼烧检测方法测得。
[0072] 根据所述预测集目标样品的烧失量计算值与国家标准灼烧检测法测定的预测集 样品的烧失量参考值，利用相关系数和均方根误差来评价支持向量机的模型的准确度和精 确度。
[0073]在本实施例中，模型验证表明，在获取支持向量机优化参数的基础上，该检测方法 能准确测定目标岩土样品的烧失量值。
[0074]以下将结合本发明实施例的建模流程图（图1)，对本发明实施例中的技术方案进 行清楚、完整的描述。需指出的，所描述的实施例仅仅是本发明的部分实施例。
[0075]图1为本发明实施例提供的支持向量机结合激光诱导击穿光谱用于岩土烧失量快 速测定方法的建模流程示意图，如图所示，包括以下流程：
[0076]流程1001，采集目标样品的激光诱导击穿光谱；
[0077] 举例说明，所述流程1001中：
[0078]目标样品为使用红外灯加热干燥岩土粉末后制成的样品压片；
[0079]利用激光诱导击穿光谱检测系统在压片样品表面的不同测量位点进行测量，通过 光谱仪采集训练集目标样品和预测集目标样品的光谱数据；
[0080] 对流程1001中所述激光诱导击穿光谱进行数据处理，其中，处理的方法包括:求平 均，背景校正，以及谱学归一。
[0081] 流程1002,将所述经预处理的训练集目标样品的激光诱导击穿光谱数据作为输入 层数据，所述目标样品的烧失量参考值作为输出层数据，建立支持向量机的预测模型。
[0082] 本发明中支持向量机使用径向基核函数；
[0083]流程1003,使用训练集数据通过网格法对径向基核函数σ在0.1 -15范围内，核惩 罚因子C在HT5-IO5范围内进行寻优，利用K-折交叉验证法(K-CV)获取子训练集并建立模 型，然后用计算获得的烧失量数据来估计模型的预测准确度，当预测准确度最高时对应的 参数为最优参数；
[0084]流程1004中，利用训练集数据建立的SVM最终优化模型，将预测集目标样品的激光 诱导击穿光谱数据作为所述激光诱导击穿光谱分析目标样品烧失量值的支持向量机模型 的输入层参数，得到所述预测集目标样品的烧失量计算值。
[0085]流程1002和流程1004中，所述训练集和预测集样品的总数不低于15个，训练集和 预测集样品数目的比例范围设计为0.5:1~5:1。以下具体示例选定在3:2.
[0086]目标样品的烧失量参考值由国家标准灼烧方法测定得到。
[0087]上述流程1002和流程1004中，支持向量机借助于核函数技术，将低维非线性问题 转化为求解高维特征空间的线性问题来解决。样本的最终预测值通过如下建模过程得到： [0088]设训练集样品的激光诱导击穿光谱数据为(1 1^1)，1 = 1，2，一，1.1为样本数，且输 入样本为η维向量。1个样本及其输出值可表不为(Xi，yi) e Rn X R.
[0089] 通过一个非线性映射Φ将数据映射到高维特征空间F，在这个空间进行非线性支 持向量机回归：
[0090] f(x)= ωτΦ(χ)+ΜΦ :Rn-F，ω eF) (I);
[0091] 式中ω是权重向量，b是阈值，Φ( ·)是输入空间到特征空间的非线性映射，f( ·) 在特征空间中表示为一个线性函数。
[0092]为保证最好估计，采用最小化Euclidean范数寻找一个最小的ω ;
[0093]且假定存在函数f在ε精度能够估计所有的(Xl，yi)数据，采用ε-不敏感损失函数增 加回归的稳健性；
[0094] 对于上述式（1)，寻找最小ω的问题可表示成凸优化问题，即：
[0095]
[0096] s · t .yi_ ω 1 Φ (xi)-b<e ; ω 1 Φ (xi)+b_yi<e (3)
[0097] 为处理函数f在ε精度不能估计的数据，即考虑允许拟合误差，引入松弛因子 發石，益泛0,则上述式⑶变为：
[0098] γι-ωτΦ (xi)-b^；e+|i
[0099]
[0100]
[0101] 综合考虑拟合误差和函数复杂度，支持向量机回归（SVR)表示为在以上约束条件 (4)下，求下列优化目标函数的最小值问题：
[0102]
[0103]其中，式(5)中，第1项是使回归函数更为平坦，从而提高泛化能力，第2项为减小误 差，常数OO是函数复杂度和损失误差的平衡量，表示对超出误差ε的样本的惩罚程度，称为 惩罚因子或正则化系数。
[0104] 求解式(4)和式(5)，是一个凸二次优化问题。由约束问题的最优化条件，对偶理论 以及鞍点条件，引入此问题的Lagrange函数：
[0105]
[0106]
[0107] 再根据KKT优化条件要求Lagrange函数相对于变量ω，b，Ii，||的偏导数为0,有如 下等式成立：
[0108]
[0109]
[0110]
[0111]
[0112]将上述KKT优化条件(7)，（8)，（9)和（10)带入优化问题(5)的目标函数中，根据对 偶原理和核函数桔术，可得（5 )的对偶化Ι'η?题：
[0113]
[0114] 在式(7)约束条件下，求函数L对ω，b，|i，靛的最小化，对Cti, ，滅的最大化。 将最大化式(11)求得的参数<带入(8)，并由（1)得回归函数为：
[0115]
[0116]其中，b为支持向量机模型的偏置量，Cii，《|为拉格朗日因子，κ( Xi，χ)为径向基核函 数，η为向量的维数，X1S输入层向量，f(x)为输出数据，X为输入层数据。
[0117]满足Mercer条件的任何对称的核函数对应于特征空间的点积，其具体实现是通过 上述（I1 nI才由炫nIt · φ (Xj)来实现的。本发明采用径向基(RBF)函数：
[0118]
[0119]其中，〇为核函数参数，Xi，Xj为训练样品集的有效特征向量，i，je[l， n].
[0120] 上述（12)式只有少部分的(? ~ 不为零，它们对应的样本称为支持向量。对于 非线性支持向量机回归，其基本思想是通过一个非线性映射φ将数据X映射到高维特征空 间(Hilbert空间），并在这个空间进行线性回归。使用核函数，这样就免去了在高维空间计 算复杂的点积运算。
[0121] 为求解式(12)中参数，由上述5)式中线性ε-不敏感损失函数：
[0122] e(f(x)-y) =max(0, | f (x)-y-e (13)
[0123] 可引出优化问题。为求解(5)式中的在约束条件（7)最大化（11)即可得 解。
[0124] 求解式(7)和（11 )，由KKT条件则在最优处有：
[0125] ' .......
[0126]
[0127]
[0128]
[0129]
[0130] 因此(5)式中的b按照(8)式，对所有的支持向量分别计算b的值，然后求平均值得：
[0131]
[0132] 兵甲，?κ73Τ贝测误左。
[0133] 举例说明，上述流程1003支持向量机模型中，C误差惩罚参数，σ是核函数参数，ε是 损失系数，对模型的拟合结果产生较大的影响。采用网格寻优法对所述模型进行训练，确定 激光诱导击穿光谱分析目标样品烧失量值的支持向量机模型的参数；
[0134] 米用均方根误差（Root Mean Square Error，简称RMSi
评价参数选择的有效性。其中，yi为预测集样品的实际测量参考值为预测集样品的模型 计算值;η为预测集样品的数量。
[0135] 因此理解为，给出最佳的参数(：，〇和￡，并用其训练数据集以获得最佳的预测模型。
[0136] 流程1005中，利用预测目标样品的烧失量预测值与所述预测集目标样品的烧失量 参考值进行比较，采用相关系数和均方根误差来验证支持向量机模型的准确度和精确度。
[0137] 在本实施例中，通过建立支持向量机的模型来预测目标样品的烧失量值，可获取 有效得支持向量机参数，提高了模型预测的准确度，获得可靠预测结果。
[0138] 以下选择两大类样品分析为例，分别建立了两类专用预测模型，结合附图和实例 来进一步说明本发明的操作流程。一类是土壤-沉系物样品，另一类是典型沉积岩样品。但 本发明不限于此例。
[0139] 图2为本发明实施例提供的两组包括典型土壤-沉系物样品与岩石样品的激光诱 导击穿光谱图，图3为本发明实例提供的典型土壤-沉系物样品与岩石样品支持向量机模型 的训练结果与参考值的比较示意图，图4为本发明实施例提供的典型土壤-沉系物样品与岩 石样品支持向量机模型的预测结果与参考值的比较示意图.具体实施例如下所述：
[0140] 本实施例采用便携式激光诱导击穿光谱LIBS系统获取光谱数据，激光器采用调Q 单脉冲Nd: YAG激光器，另外包括光路系统，可移动样品台，中阶梯光谱仪和计算机等。激光 脉冲能量IOOmJ，激光基频波长1064nm，脉宽4-7ns;光谱采集延迟时间为1.5ys，积分时间为 5ys，脉冲重复频率为5Hz，光谱波长范围为220-800nm.
[0141] 步骤3001:样品的采集与预处理。本实施例中，采用的土壤-沉系物样品为国家标 准物质样品。岩石样品为米集的典型沉积岩类型样品，包括砂岩，泥岩，页岩，1丐质泥岩，含 泥灰岩，泥灰岩，灰岩等。岩石样品在室内风干，磨碎，过160目筛后存放。土壤沉系物样品总 数为15份，岩石样品60份。
[0142] 步骤3002:激光诱导击穿光谱的采集。取粉末岩土样品3g，在103°C干燥1.5小时， 使用红外压片机制成Φ32πιπι，厚度2mm的圆形薄片。将样品置于样品台上，利用激光诱导击 穿光谱数据采集系统，分别采集土壤-沉系物与典型岩石两个类型样品的LIBS光谱信号，如 图2(a，b)所示。为增加采样的代表性，提高LIBS光谱的信噪比，以及进行数据统计，在每个 样品表面采用网格形式采集16个测试点的光谱，每个测试点累积50个激光脉冲获得一个光 谱，每四个光谱再平均一次获得一个光谱，这样每个样品总共获取4个光谱。经谱学归一处 理后，用于建立激光诱导击穿光谱输入矩阵。本实施例中所述训练集与预测集光谱数据比 例具体选取为3:2进行建模。
[0143] 步骤3003:参考值的测定，国家标准土壤样品-沉系物样品烧失量值由标准样品的 对应值以及国家标准灼烧法实测值给出。岩石样品以国家标准灼烧法实测值作为烧失量参 考值。分析过程中以国家标准岩石样品(GSR-6)作为监控样进行质量控制，并重复4次。
[0144] 步骤3004:首先，以土壤-沉系物样品为例，建立支持向量机结合激光诱导击穿光 谱快速测定烧失量的预测模型。土壤-沉系物样品总数为15个。建模时预先采用浓度梯度法 划分训练集、预测集。训练集样品用来建立模型，预测集样本用来对模型进行评价。所述训 练集目标样品和预测集目标样品数量分别为9个和6个。其中将步骤3002中土壤-沉系物训 练集目标样品的激光诱导击穿光谱数据作为输入数据集，步骤3003中对应的土壤-沉系物 目标样品烧失量参考值作为模型期望输出值。支持向量机模型的参数(：、 〇和￡由网格寻优法 进行优选。经过优选，最佳的核函数参数σ为1.7381，误差惩罚参数C为891.4438;从而得到 最优的支持向量机结合激光诱导击穿光谱快速测定土壤-沉系物烧失量的预测模型。如图3 (a)所示。
[0145] 步骤3005:进行土壤-沉系物目标未知样品的测定与模型验证。按照上述激光诱导 击穿光谱采集和光谱预处理的方法，将得到的待测土壤-沉系物目标样品的激光诱导击穿 光谱数据作为输入矩阵，输入到训练好的支持向量机结合激光诱导击穿光谱快速测定土 壤-沉系物烧失量的定量预测模型，自动计算目标样品的烧失量值。如图4(a)所示，为模型 预测值与参考值的比较图。建立模型验证结果表明，其相关系数R均较高（训练集的R为 0.99;预测集的R为0.97)。
[0146] 图3(b)所示为相同建模方法获得的支持向量机结合激光诱导击穿光谱快速测定 岩石样品烧失量的预测优化模型结果。图4(b)所示为所述典型岩石样品的模型预测值与参 考值的比较图。其中训练集岩石样品数量为36个，预测集岩石样品数量为24个。
[0147] 本实施例中，两类岩土样品模型预测值与参考值比较接近，模型预测的准确度和 精确度均较高。支持向量机结合激光诱导击穿光谱能有效实现激光诱导击穿光谱技术用于 岩土目标样烧失量的快速测定。
[0148] 实施例2本发明的岩土烧失量预测系统
[0149] 图5为本发明实施例提供的支持向量机结合激光诱导击穿光谱用于岩土样品烧失 量快速测定的分析系统结构示意图。如图5所示，本实施例支持向量机结合激光诱导击穿光 谱用于岩土样品烧失量快速测定的分析系统结构如下所述。
[0150] 支持向量机结合激光诱导击穿光谱用于岩土烧失量快速测定的分析系统，包括： 数据采集模块5001，建模模块5002，优化模块5003和预测模块5004。
[0151]其中，激光诱导击穿光谱数据采集模块5001，用于采集训练集样品的激光诱导击 穿光谱，并进行光谱的预处理；
[0152]支持向量机建模模块5002,用于将所述激光诱导击穿光谱数据作为输入层数据， 所述目标样品的烧失量参考值作为输出层数据，建立支持向量机的预测模型；
[0153]支持向量机优化模块5003,采用网格寻优法对所述预测模型进行训练，确定激光 诱导击穿光谱分析目标样品烧失量值的支持向量机模型的优化参数；
[0154] 支持向量机预测模块5004,将采集的预测集目标样品的激光诱导击穿光谱数据作 为所述激光诱导击穿光谱分析目标样品烧失量值的支持向量机模型的输入层数据，计算得 到所述预测集样品的对应烧失量值。
[0155] 上述预测模块5004中，包括利用计算获得的预测集目标样品的对应烧失量和所述 预测集样品的烧失量参考值进行对比，对所述支持向量机模型进行验证。
[0156]其中，数据采集单元5001用于：
[0157] 采集训练集目标样品和预测集目标样品的激光诱导击穿光谱数据；
[0158] 对所述激光诱导击穿光谱数据进行数据处理；
[0159]其中，所述数据处理包括:对所述激光诱导击穿光谱求平均值，背景校正以及谱学 归一化处理；
[0160]所述支持向量机建模模块5002和预测模块5004中，所述训练集目标样品和预测集 目标样品的烧失量参考值为国家标准灼烧法实际测量得到；
[0161]岩土样品类型多，样品组分差异大，烧失量受样品物理、化学特性的影响。本实施 例中，支持向量机结合激光诱导击穿光谱用于岩土烧失量快速测定的分析系统，在获取有 效支持向量机参数的基础上，提高了烧失量值测定的准确度；
[0162] 实现上述方法实施例的步骤，可以通过程序协议指令相关硬件来完成。建模程序 可以安装存储在计算机硬盘介质中。
[0163] 综上所述，本发明提供的岩土烧失量预测方法及其系统，可大幅减轻劳动量与分 析时间，节约成本，并且具备数据实时获取的特点，具有广泛的应用前景。
【主权项】
1. 一种基于激光诱导击穿光谱的岩土烧失量预测方法，其特征在于:包括以下步骤： (1) 取已知烧失量的岩土样本，测定其激光诱导击穿光谱，采集其光谱数据； (2) 对光谱数据进行预处理； (3) 以预处理后的数据，建立基于支持向量机的岩土烧失量预测模型； (4) 取待测岩土样本，按照步骤（1)和步骤(2)的方法获取数据，根据步骤(3)的预测模 型，得到岩土样本的岩土烧失量预测值。2. 根据权利要求1所述的岩土烧失量预测方法，其特征在于:所述步骤（1)的测定中，激 光诱导击穿光谱的波长范围为150-1100nm，优选的波长范围为220-800nm〇3. 根据权利要求2所述的岩土烧失量预测方法，其特征在于:所述步骤（1)的测定中，光 谱采集延迟时间为0.5-5ys，优选的为1.5ys;积分时间为200ys-100ms，优选的为5ys。4. 根据权利要求1所述的岩土烧失量预测方法，其特征在于:所述步骤(2)的预处理中， 预处理的方法为背景校正法、平均值法或光谱归一化法，优选全光谱归一化方法。5. 根据权利要求1所述的岩土烧失量预测方法，其特征在于:步骤(3)中，所述支持向量 机的核函数为径向基核函数。6. 根据权利要求5所述的岩土烧失量预测方法，其特征在于:所述支持向量机的优化参 数是通过网格寻优法得到的。7. -种基于激光诱导击穿光谱的岩土烧失量预测系统，其特征在于:所述系统包括： 激光诱导击穿光谱数据采集及预处理模块，用于采集岩土样本的激光诱导击穿光谱数 据，对数据进行光谱学预处理，作为建立岩土烧失量预测模型所需的训练集数据和预测集 数据； 支持向量机训练建模模块，用于将所述训练集数据作为输入层数据，训练集样本的烧 失量作为输出层数据，建立支持向量机训练模型； 支持向量机参数优化模块，用于对支持向量机的参数进行优化； 支持向量机预测模块，用于将待测岩土样本的激光诱导击穿光谱数据作为支持向量机 模型的输入层数据，计算得到所述待测样品的烧失量预测值。8. 根据权利要求7所述的岩土烧失量预测系统，其特征在于:所述光谱预处理中，光谱 预处理的方法为背景校正法、平均值法或光谱归一化法，优选全光谱归一化方法。9. 根据权利要求7所述的岩土烧失量预测系统，其特征在于，所述支持向量机训练建模 模块中，所述支持向量机的核函数为径向基核函数。10. 根据权利要求7所述的岩土烧失量预测系统，其特征在于:所述持向量机参数优化 模块中，优化的方法为网格寻优法。
【文档编号】G06K9/00GK105938098SQ201610534164
【公开日】2016年9月14日
【申请日】2016年7月7日
【发明人】段忆翔, 许涛, 林庆宇
【申请人】四川大学