激光诱导击穿光谱(LIBS)结合字典学习对气溶胶光谱数据筛选方法的研究

气溶胶是大气中的重要组分,对气候、生态环境等均有重要的影响。激光诱导击透光谱(LIBS) 在用于气溶胶检测时,由于气溶胶的离散分布,导致采集到大量无效光谱。本文提出一种结合字典学习对有效光谱数据进行筛选的方法——K-SVD-SVM。通过制备7种不同浓度的NaCl气溶胶样品,选取10% NaCl溶液的5000条光谱数据进行分类,其中70%作为训练集,30%作为测试集。当字典基向量数设置为3时,模型分类性能最优,准确率(accuracy),精确率（precision）,召回率（recall）,精确率和召回率的调和平均(F1)分别达到96%,95%,95%,0.95。此外,采用K-SVD-SVM方法对7种不同浓度的气溶胶样品进行筛选后,输入GA-ELM模型开展定量分析,同时将未筛选的原始光谱数据输入定量模型进行对比。未筛选的原始数据测试集RMSE和R2分别是0.0303和0.8726,筛选光谱后,分别提升至0.0187和0.9809。结果表明,K-SVD-SVM方法有着较好的分类性能,且采用此方法筛选出的有效数据可以为气溶胶中元素定量分析提供数据支撑。