[发明专利]元素概率化预测模型的训练方法和元素概率化预测方法

权利要求书

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；

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；

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：

在根据差异，调整待调整的参数，直到所述差异收敛的同时，根据差异，调整最大值池化窗口大小，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。

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. 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3任一项所述的方法训练的。

5.一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；

所述装置还包括设置模块，用于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；

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：

在根据差异，调整待调整的参数，直到所述差异收敛的同时，根据差异，调整最大值池化窗口大小，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。