一种LIBS-Raman光谱与神经网络融合的矿物化学成分定量分析方法
本发明涉及光谱分析领域,具体地说是一种libs-raman光谱与神经网络融合的矿物化学成分定量分析方法。
背景技术:
1、矿物化学成分的快速精准定量分析是地质勘探、矿物采选加工等领域工艺优化与流程控制的核心依据。然而,现行分析流程以现场采样—实验室离线化学滴定为主,存在工序繁琐、反馈滞后等突出不足,难以满足工业现场对实时性与高通量的需求。
2、近年来,激光诱导击穿光谱(libs)逐步发展为极具潜力的原子光谱分析技术,凭借无需复杂前处理、支持现场原位分析、多组分同步快速检测等独特优势,被广泛应用于地质矿产资源勘查与成分检测领域。然而 libs 技术仍存在明显局限:复杂样品的基体干扰效应显著降低了定量分析可靠性,且该检测手段仅能提供元素组成与含量数据,不能直接反映样品的分子结构、晶型特征及物相分布信息。
3、拉曼光谱(raman)作为经典的分子结构分析手段,可在无损条件下利用特征指纹光谱辨识样品分子键型、官能团组成及晶体微观结构,实现各类化合物的物相精准鉴别。然而该技术无法开展高精度元素定量检测,同时易受样品荧光效应干扰,对高荧光基体的分析灵敏度难以满足检测要求。
4、现阶段,关于 libs 与拉曼光谱的联用分析虽已得到广泛探索,但现有融合方式大多停留在光谱数据简单拼接与串行组合的层面。这类传统联用策略仅将 libs 元素特征光谱与raman分子指纹光谱视作相互独立的等价数值输入变量,忽略了两种光谱间内在的物理关联与信息互补特性。更为关键的是,现有研究未能充分挖掘拉曼光谱所独有的矿物物相归属、分子键合方式、官能团组成及晶体微观结构等特征信息,无法依托矿石物相差异与基体组成的物理本质,从等离子体激发的机理角度,对 libs 检测中普遍存在的复杂基体效应开展针对性的物理机制校正与信号补偿。
技术实现思路
1、针对现有技术的不足,本发明的目的在于提出一种libs-raman光谱与神经网络融合的矿物化学成分定量分析方法,本发明的目的是缓解激光诱导击穿光谱(libs)在定量分析中受基体效应的影响,融合拉曼(raman)光谱以补偿矿物相信息成为一种极具潜力的解决方案,但简单的双模态光谱融合效果有限,故本专利通过raman的分子信息对libs特征进行修正,并通过嵌入物理约束的方法实现高精度定量分析。
2、本发明提供的一种libs-raman光谱与神经网络融合的矿物化学成分定量分析方法,包括:
3、步骤1:采集多个样品的多张libs光谱和多张raman光谱,所述样品中每个化学元素的浓度已知;
4、步骤2:对多张libs光谱和多张raman光谱进行预处理,得到libs光谱数据和raman光谱数据,在libs光谱数据中选取五条激发能级不同的特征谱线l_bo;
5、步骤3:分别对libs光谱数据和raman光谱数据进行连续投影算法和竞争自适应重加权采样,得到libs特征和raman特征;
6、步骤4:根据所有样品的raman光谱数据生成掩码表;
7、步骤5:将libs特征和特征谱线l_bo拼接,得到拼接后的libs数据,进而根据掩码表、raman特征和,生成修正后的libs数据;
8、步骤6:根据掩码表对raman特征进行处理,得到处理后的raman特征,将、和进行拼接,得到输入特征;
9、步骤7:将输入特征作为输入样本,将样品中化学元素的真实浓度作为标签,基于所有样品的输入样本和标签对神经网络模型进行多次训练,得到多个训练后的神经网络模型;
10、步骤8:采集待检测样品的多张libs光谱和多张raman光谱,按照步骤2到步骤6的方法,得到输入特征,将输入特征输入多个训练后的神经网络模型,得到多个预测浓度,计算所有预测浓度的四分位距均值,得到待检测样品中化学元素最终的预测浓度。
11、可选的,步骤2具体包括:
12、在所有libs光谱中,将能量低于预设阈值的libs光谱删除,得到多个候选libs光谱,对每个候选libs光谱进行als去除背景,得到处理后的libs光谱,将所有处理后的libs光谱绘制成一张目标libs光谱,对目标libs光谱进行全谱面积归一化,得到libs光谱数据;
13、对每张raman光谱进行als去除背景与sg平滑去噪,得到处理后的raman光谱,将处理后的raman光谱绘制成一张目标raman光谱,对目标raman光谱进行snv归一化,得到raman光谱数据。
14、可选的,步骤4具体包括:
15、将所有样品的raman光谱数据绘制成一张平均光谱,计算每个样品raman光谱数据与平均光谱的相关性系数,将相关性系数大于或者等于预设阈值的样品掩码设置为1,将相关性系数小于预设阈值的样品掩码设置为0,所有样品掩码组成掩码表。
16、可选的,步骤5具体包括:
17、将raman特征通过门控分支生成权重向量g,具体通过以下公式实现;
18、;
19、其中,为函数,为激活函数;为第一个全连接层的权重矩阵,为第二个全连接层的权重矩阵,为第一个全连接层的偏置向量,为第二个全连接层的偏置向量;
20、根据权重向量g和掩码表,对进行修正,得到修正后的libs数据,具体通过以下公式实现:
21、。
22、可选的,步骤7具体包括:
23、步骤7.1:针对每一个样品的输入特征,将输入特征输入mlp,得到预测浓度、温度约束项、自吸收偏移算子和光谱截距参数;
24、步骤7.2:根据预测浓度、温度约束项、自吸收偏移算子和光谱截距参数,计算物理约束损失;
25、步骤7.3:根据真实浓度和预测浓度,计算数据预测损失;
26、步骤7.4:通过动态权重
w(
t),对数据预测损失和物理约束损失进行加权求和,得到总损失;
27、步骤7.5:根据总损失对mlp的参数进行更新,进而基于所有样品的输入特征和真实浓度对mlp的参数进行多轮迭代更新,得到训练后的神经网络模型;
28、步骤7.6:重复步骤7.1到步骤7.5,采用相同多个样本的输入特征和真实浓度,对相同的神经网络模型进行多次训练,得到多个训练后的神经网络模型。
29、可选的,步骤7.2包括:
30、步骤7.2.1:根据自吸收偏移算子计算自吸收因子,具体通过以下公式实现:
31、;
32、其中,表示第i个样品中第j条特征谱线的自吸收因子,为第j条特征谱线的基准自吸收系数;表示第i个样品中第j条特征谱线的自吸收偏移算子;
33、计算自吸收因子损失,具体通过以下公式实现:
34、;
35、其中,为控制自吸收因子偏离1的惩罚强度;
n表示样品总数,
m为特征谱线总数;
36、步骤7.2.2:根据光谱截距参数计算实验常数损失,具体通过以下公式实现:
37、;
38、;
39、其中,表示第i个样品中第j条特征谱线的实验常数项,表示截距约束因子,表示第i个样品中第j条特征谱线的光谱截距参数;为第j条谱线的截距基准;
40、步骤7.2.3:将温度约束项经过sigmoid函数,得到等离子体温度参数项,具体通过以下公式实现:
41、;
42、其中,()为sigmoid激活函数;
43、计算对数理论重构强度,具体通过以下公式实现:
44、;
45、其中,包括所有样品的所有特征谱线的自吸收因子,
a包括所有样品的所有特征谱线的实验常数项,为激发势能;
46、计算光谱重构损失,具体通过以下公式实现:
47、;
48、;
49、其中,表示平滑损失函数,表示超参数;为特征谱线的特征峰强度;
50、步骤7.2.4:将实验常数损失、自吸收因子损失和光谱重构损失相加,得到物理约束损失。
51、可选的,步骤7.3具体通过以下公式实现:
52、;
53、;
54、其中,表示平滑损失函数,为数据损失的平滑阈值,表示真实浓度,即标签。
55、可选的,步骤7.4具体通过以下公式实现:
56、;
57、;
58、其中,为物理损失的最大动态权重系数
; 为训练轮数。
59、采用上述技术方案所产生的有益效果在于:
60、通过嵌入物理约束,将改进型对数玻尔兹曼方程作为正则化约束引入模型训练,并动态推断等离子体温度和自吸收因子,使模型满足热力学物理规律,提升小样本条件下模型训练的稳定性和预测可靠性;通过基于raman特征的跨模态重标定,构建门控机制对libs特征进行自适应加权,充分融合两种光谱信息,提高复杂基体条件下的特征表征能力和定量分析性能。最终通过libs-raman光谱与神经网络的融合,实现定量分析精度的提升。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com