期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
不同特征选择方法结合激光诱导击穿光谱量化不锈钢镍、钛和铬元素含量
1
作者 吴卓 苏晓慧 +5 位作者 范博文 朱惠会 张宇博 方彬 王一帆 吕涛 《光谱学与光谱分析》 SCIE EI CAS 2024年第12期3339-3346,共8页
激光诱导击穿光谱(LIBS)技术作为物质成分分析的一种有效工具,具有广泛的应用价值,但由于LIBS可重复性差以及受基体效应和自吸收效应影响等,导致光谱数据中包含大量对定量分析无用的冗余特征。为了克服使用原始全光谱数据作为模型输入... 激光诱导击穿光谱(LIBS)技术作为物质成分分析的一种有效工具,具有广泛的应用价值,但由于LIBS可重复性差以及受基体效应和自吸收效应影响等,导致光谱数据中包含大量对定量分析无用的冗余特征。为了克服使用原始全光谱数据作为模型输入时导致预测精度难以提高的不足,利用两种特征工程技术(最小绝对收缩和选择算子回归LASSO和顺序后向选择SBS)结合机器学习实现对不锈钢样品中镍(Ni)、钛(Ti)和铬(Cr)三种元素的量化分析。研究使用购自钢研纳克检测技术股份有限公司的7种元素含量相异的不锈钢样品为研究对象,实验得到70个LIBS光谱,比较了四种不同的数据预处理方法包括最大最小归一化(MMN)、标准正态变换(SNV)、Savitzky-Golay平滑滤波(SG)以及内标法(IS),以均方根误差(RSME)检测预处理结果,最终选择Savitzky-Golay平滑滤波进行光谱预处理,在使用LASSO算法和SBS算法选择特征时,针对不同量化元素独立进行有效变量的选取,然后使用全光谱、LASSO选择特性、SBS选择特征三种不同的特征组合,作为模型的输入,为了验证特征选择方法的有效性,在偏最小二乘法(PLS)、支持向量机(SVM)两种不同机器学习模型中进行对比。使用平均相对误差(ARE)和相对标准偏差(RSD)来评估不同模型的性能。结果显示,两种特征选择方法选择的模型输入相比全光谱输入在不同的机器学习模型中都显示出更加优秀的预测精度和稳定性,其中LASSO-PLS模型在Ni、Ti、Cr元素的量化分析上得到最佳的预测准确度,ARE分别为3.50%、2.66%、0.93%,RSD分别为4.55%、5.23%、2.04%。因此,本文提出的LIBS结合LASSO和SBS算法能够准确稳定地对不锈钢中的Ni、Ti、Cr元素进行量化分析,对进一步发掘LIBS结合机器学习在不锈钢元素量化分析场景提供参考。 展开更多
关键词 激光诱导击穿光谱 不锈钢元素含量 特征选择 定量分析
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部