改进的谱峰拟合光谱标准化方法定量分析废钢中元素

为了解决因设备和环境因素导致激光诱导击穿光谱(LIBS)技术在定量测量时的较高波动性问题,提出了基于改进的沃伊特函数拟合的光谱标准化方法。首先通过高精度激光器采集废钢样品的LIBS光谱数据,然后通过标准等离子体条件(标准等离子温度、电子数密度、待测元素总密度)得到标准光谱强度与实际谱线强度、半峰全宽等因素之间的关系式,并基于近似沃伊特函数对相关的谱峰进行拟合,获得标准化的重要参数,完成对样品的标准化模型的建立。结果表明,将该标准化方法用于废钢中铜、镍、硅、铬、锰元素的定量预测,得到的相关系数(R²)、预测均方根误差(RMSEP)和平均相对误差(ARE)的平均值分别为0.981 4,0.063,6.3%,有效降低了波动影响,增强了分析精度,能够在工业中对废钢元素进行快速检测。     

基于时频分帧能量熵的陶瓷制品敲击声波信号特征识别

针对现有陶瓷制品敲击声波信号特征提取方法中提取的特征代表性降低的问题,该文提出结合最大重叠离散小波包变换(MODWPT)和时频分帧能量熵的特征提取方法。首先采用MODWPT将信号分解为4层,再对每个节点的子信号分帧后计算各个节点的时频分帧能量熵,然后根据能量分布特征选择了前6个节点的时频分帧能量熵特征,最后构建随机森林分类器完成识别。将该方法和MODWPT时频分段能量熵、MODWPT归一化能量特征两种方法进行比较。实验结果表明,相比MODWPT时频分段能量熵、MODWPT归一化能量两种特征提取方法,MODWPT时频分帧能量熵能提升特征的代表性,具有更优的陶瓷制品敲击声波信号特征识别性能,其识别的F₁值达到了98.46%,相比上述两种方法分别提升F₁值3.22%、1.86%。     

激光诱导击穿光谱技术结合偏最小二乘回归快速预测废钢中8种元素的含量北大核心CSCD

基于激光诱导击穿光谱(LIBS)技术,结合偏最小二乘回归(PLSR),建立了废钢中铬、镍、铜、硅、锰、钒、碳、钛等8种元素的定量分析模型。采用便携激光诱导击穿光谱废钢成分检测仪对12个钢铁标准样品进行扫描,对光谱数据进行剔除、平均、基线校正、归一化等预处理,以美国国家标准与技术研究院发射谱线数据库为参考依据,以筛选出的各元素建模波段的光谱数据作为模型输入,采用十折交叉验证方法,确定铬、镍、铜、硅、锰、钒、碳、钛的潜变量数分别为16,24,18,22,25,14,9,22,在优化的参数下分别对8种元素进行建模。结果显示:8种元素模型的相关决定系数为0.9571~0.9996,均方根误差为0.0034~0.0706,平均百分比误差为6.6764~75.645,残差平方和为0.0020~0.6532;除碳元素外,其余7种元素测定值的相对标准偏差(n=5)均不大于7.0%;模型用于预测实际废钢样品中锰、硅、铜元素的含量,所得结果与火花直读光谱法的基本一致。     

激光诱导击穿光谱结合XGBSFS特征优选的废钢分类识别方法

我国每年的钢铁生产与出口量位居世界前列,而在钢铁生产过程中产生的废钢是一种重要的资源。废钢的精准分类是电炉炼钢的关键环节,对于环境能源的可持续发展也具有重要意义。为了提高废钢回收利用的效率,提出了一种利用激光诱导击穿光谱结合XGBSFS特征优选的废钢牌号智能识别方法,与k最邻近算法(kNN)、支持向量机(SVM)分类算法联合建立了XGBSFS-SVM、 XGBSFS-kNN两种优化模型。首先通过Lapa-80型固体脉冲激光器采集3类共18种不同的废钢样品在170～400 nm范围内的激光诱导击穿光谱数据,通过k值校验剔除光谱数据中的粗大误差,并对剔除后剩余的数据进行平均,每个样品28组共得到504组平均光谱数据;然后对光谱数据进行基线校正、归一化等预处理,降低基体波动影响;最后将处理后的光谱数据从每类钢种中提取一个样品的数据作为模型的测试集,剩余数据作为模型的训练集,并提取光谱数据中Si, Cu和C等元素的16条特征谱线作为分类特征,用于模型的输入,经过基于XGBoost的XGBSFS特征选择算法对变量进行优化后,应用kNN、 SVM建立废钢智能识别模型。XGBSFS-SVM、 XGB...     

应用ResNet和CatBoost检测重放语声*

针对短语声指令声频信息少、不适用句子级重放语声检测的问题以及近距离录声后用高质量重放设备重放的语声难以检测的问题，提出了一种适用于词级重放语声检测的模型。首先，利用短时傅里叶变换、低频平均能量计算和帧排序等方法选择声频帧，然后提取这些帧的伽马通频率倒谱系数。其次，用基于自注意机制的残差网络模型进一步提取伽马通频率倒谱系数中的信息，并转化为特征向量。最后，将提取后的特征向量用CatBoost分类，从而提高检测性能。在POCO数据集上的实验结果表明，提出的方法可以以87.54%的准确率和12.53%的等错误率检测重放语声，优于基线和现有的方法。该文提出的方法在ASVspoof2019 PA数据集上的等错误率与串联检测代价函数分别为4.92%和0.1418，证明该文方法也适用于多种设置的重放语声检测。