[发明专利]基于机器学习的颗粒光散射信号分类识别方法

说明书

本发明公开了基于机器学习的颗粒光散射信号分类识别方法，具体为：采集水滴、煤粉、聚苯乙烯颗粒的光散射信号并进行降噪预处理，提取22种特征指标，计算特征指标的权重占比，选取4个权重占比最高的指标作为最优特征向量，将最优特征变量进行排列组合，构成样本特征集，标签集是由水滴、煤粉、聚苯乙烯三种颗粒物的编号构成，将标签集分别对应样本特征集，构成神经网络数据集，并划分为训练集和测试集，分别输入至GRNN和PNN神经网络中进行训练和测试，实现对水滴、煤粉、聚苯乙烯三种颗粒的光散射信号的分类识别。该方法适用于大气颗粒属性的准确检测，确定排放源的种类和贡献，是追本溯源、治理雾霾的重要决策依据。

技术领域

本发明属于数字信号处理技术领域，具体涉及一种基于机器学习的颗粒光散射信号分类识别方法。

背景技术

颗粒广泛存在于自然界、科学研究以及工程应用中。跟颗粒有关的理论和技术问题越来越广泛地出现在医药、大气环境监测、材料科学等各个领域。在大气环境监测领域，分散在大气中的颗粒与大气雾霾的形成密切相关，对大气颗粒的研究己成为大气监测领域的重点。除此之外，颗粒与人身健康密切相关，空气中的有害颗粒如酸性颗粒、重金属颗粒、挥发性有机物等进入人体，沉淀于呼吸道和肺泡中，对人体健康造成严重危害。因此大气颗粒属性的准确检测，可以确定排放源的种类和贡献，以有效控制排放源，是追本溯源、治理雾霾的重要决策依据，从而可有效控制大气污染并提高空气质量。

发明内容

本发明的目的是提供基于机器学习的颗粒光散射信号分类识别方法，提高了颗粒的识别效率和准确率。

本发明所采用的技术方案是，基于机器学习的颗粒光散射信号分类识别方法，具体按照以下步骤实施：

步骤1、选取水滴、煤粉、聚苯乙烯颗粒三种不同折射率的颗粒物进行实验，利用数据采集卡通过光电探测器完成对每种颗粒光散射信号采集；

步骤2、利用EMD-ICA算法对步骤1中采集到的颗粒光散射信号进行降噪预处理；

步骤3、对预处理过的颗粒光散射信号提取22种特征指标；

步骤4、利用ReliefF算法分别计算步骤3中提取的22种特征指标的权重占比，选取4个权重占比最高的指标作为最优特征向量；

步骤5、将4个最优特征变量按照编号进行排列组合，构成10个样本特征集，标签集是由水滴、煤粉、聚苯乙烯三种不同属性颗粒物的编号构成，将标签集分别对应10个样本特征集，构成10个神经网络数据集；

步骤6、将步骤5得到的10个神经网络数据集划分为训练集和测试集，分别输入至GRNN和PNN神经网络中进行训练和测试，实现对水滴、煤粉、聚苯乙烯三种不同属性颗粒的颗粒光散射信号的分类识别。

本发明的特点还在于，

步骤2中，具体为：

步骤2.1、对采集的含噪颗粒光散射信号进行EMD经验模态分解，得到颗粒光散射信号本征模态函数IMFs分量imf₁,imf₂,imf₃,…,imf_n以及残余分量r_n；

步骤2.2、计算求得若干IMFs分量的相关系数和方差贡献率，利用模态相关分选准则判断信号主导分量与噪声主导分量的分界点，将划分出的噪声主导分量通过线性叠加构造虚拟噪声通道；

步骤2.3、将虚拟噪声通道和含噪的颗粒光散射信号混合，利用ICA算法实现颗粒光散射信号与噪声的分离，完成颗粒光散射信号的降噪预处理。

步骤3中，22种特征指标分别为最值、均值、峰峰值、整流平均值、方差、标准差、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子、裕度因子、重心频率、均方频率、均方根频率、频率方差、频率标准差以及功率谱熵、奇异谱熵、能量熵。