元素概率化预测模型的训练方法和元素概率化预测方法

技术特征：
1.一种元素概率化预测模型的训练方法，包括：获取激光诱导击穿光谱数据；对所述激光诱导击穿光谱数据进行预处理，得到原子谱线信息的连续原子光谱数据；对所述连续原子光谱数据进行预设重采样，得到目标原子光谱数据；将所述目标原子光谱数据进行最大值池化特征提取处理，生成由多个窗口内最大值组成的光谱数据；将所述由多个窗口内最大值组成的光谱数据作为样本数据，输入元素概率化预测模型，得到预测元素正态分布参数；以及根据所述预测元素正态分布参数与实际元素含量之间的差异，训练所述元素概率化预测模型。2.根据权利要求1所述的方法，其中，所述对所述激光诱导击穿光谱数据进行预处理，得到原子谱线信息的连续原子光谱数据，包括以下操作中的至少一个：扣除光谱仪暗背景处理；转换光谱仪响应值为辐射亮度值处理；转换光谱仪像素位数为波长值处理；去除高斯白噪声处理；去除连续光谱背景信号处理；以及拼接多个光谱通道处理。3.根据权利要求2所述的方法，所述方法还包括，在所述预处理包括所述去除高斯白噪声处理的情况下：采用带有自适应阈值的带孔小波变换去除高斯白噪声；和/或，在所述预处理包括所述去除连续光谱背景信号处理的情况下：采用非对称最小二乘法去除连续光谱背景信号。4.根据权利要求1所述的方法，所述方法还包括，在将所述目标原子光谱数据进行最大值池化特征提取处理，生成由多个窗口内最大值组成的光谱数据之前：将最大值池化窗口大小设置为可调变量。5.根据权利要求1所述的方法，其中，所述根据所述预测元素正态分布参数与实际元素含量之间的差异，训练所述元素概率化预测模型，包括：根据差异，调整待调整的参数，直到所述差异收敛，所述待调整的参数包括回归树的约束策略、学习率、回归树的个数中的一种或多种；其中，所述回归树的约束策略包括限制回归树的最大深度，和/或，限制回归树的树叶节点个数。6.一种元素概率化预测方法，包括：将目标光谱数据输入元素概率化预测模型，得到与所述目标光谱数据对应的元素正态分布参数；以及根据所述元素正态分布参数，确定元素含量的点估计值和不确定度；其中，所述元素概率化预测模型是根据权利要求1至5任一项所述的方法训练的。7.一种元素概率化预测模型的训练装置，包括：获取模块，用于获取激光诱导击穿光谱数据；
预处理模块，用于对所述激光诱导击穿光谱数据进行预处理，得到原子谱线信息的连续原子光谱数据；重采样模块，用于对所述连续原子光谱数据进行预设重采样，得到目标原子光谱数据；提取模块，用于将所述目标原子光谱数据进行最大值池化特征提取处理，生成由多个窗口内最大值组成的光谱数据；第一预测模块，用于将所述由多个窗口内最大值组成的光谱数据作为样本数据，输入元素概率化预测模型，得到预测元素正态分布参数；以及训练模块，用于根据所述预测元素正态分布参数与实际元素含量之间的差异，训练所述元素概率化预测模型。8.一种元素概率化预测装置，包括：第二预测模块，用于将目标光谱数据输入元素概率化预测模型，得到与所述目标光谱数据对应的元素正态分布参数；以及确定模块，用于根据所述元素正态分布参数，确定元素含量的点估计值和不确定度；其中，所述元素概率化预测模型是根据权利要求7所述的装置训练的。9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1~6中任一项所述的方法。10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1~6中任一项所述的方法。

技术总结
本发明提供了一种元素概率化预测模型的训练方法和元素概率化预测方法，涉及人工智能技术领域。该元素概率化预测模型的训练方法包括：获取激光诱导击穿光谱数据；对激光诱导击穿光谱数据进行预处理，得到原子谱线信息的连续原子光谱数据；对连续原子光谱数据进行预设重采样，得到目标原子光谱数据；将目标原子光谱数据进行最大值池化特征提取处理，生成由多个窗口内最大值组成的光谱数据；将由多个窗口内最大值组成的光谱数据作为样本数据，输入元素概率化预测模型，得到预测元素正态分布参数；以及根据预测元素正态分布参数与实际元素含量之间的差异，训练元素概率化预测模型。训练元素概率化预测模型。训练元素概率化预测模型。


技术研发人员：陈朝鹏 任鑫 张毅重 罗雨轩 刘建军 李春来
受保护的技术使用者：中国科学院国家天文台
技术研发日：2022.07.28
技术公布日：2022/8/30