[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

说明书

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。

技术领域

本发明涉及人工智能技术领域，更具体地涉及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。

背景技术

了解行星表面的物质成分，对于研究其行星地质、岩石学甚至天体生物学背景具有重要意义。目前，对于火星等太阳系行星表面的原位探测均依赖遥控探测器，不受控的地外环境、未知的目标性质、有限的载荷质量以及天地通讯延迟等因素，都使得对行星表面物质成分探测的效率与精度都受到了较大限制。

为了适应行星原位的表面物质成分探测场景，激光诱导击穿光谱（LIBS，Laser-induce breakdown spectroscopy）仪器已被广泛应用。这类行星LIBS仪器观测无需额外样品准备，测试快速便捷，能快速获取指定目标点的元素信息。LIBS光谱属于一种原子发射光谱（AES，Atomic emission spectroscopy）技术，其一般通过低能量、短脉冲的高功率激光汇聚于目标表面的微小区域，瞬间气化其中物质并从中激发炽热的等离子体。等离子体产生的辐射被LIBS配套的光谱仪接收，其中包含了与目标物质成分相关联的多种原子、离子的发射谱线，从而可以为提供目标的元素成分信息。

然而，由于实际火星表面物质的复杂性，这些火星LIBS光谱常受基体效应的影响，即单一元素的谱线特征不仅与自身含量相关，也和其它元素的含量、目标的物理性质等复杂因素相关，为行星LIBS光谱元素定量带来了困难。因此，以往的应用偏向于使用综合全谱信息的多变量分析手段。例如，偏最小二乘-子模型和独立成分分析组合的主量氧化物含量模型等。但现有方法多数仅关注对于元素含量值本身的估计，而无法给出概率化估计，即对于元素含量的概率分布、不确定度不能给出直接的判断。这使得预测结果缺乏概率化的信息，在应用于地球化学投图时将难以绘制误差棒，在与其它物质成分比较时无法进行更具有说服力的假设检验。

发明内容

鉴于上述问题，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。

根据本发明的第一个方面，提供了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。

根据本发明的实施例，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。

根据本发明的实施例，所述元素概率化预测模型的训练方法还包括，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。