【技术实现步骤摘要】
本专利技术涉及物相检测，具体涉及一种基于分类模型的元素至物相快速分析方法。
技术介绍
1、物相是物质中具有特定物理化学结构的相，同一元素在物质中可以不同化合物状态存在。物相检测是了解样品物相组成的重要手段。目前常规的物相检测方法有x射线衍射分析、紫外-可见分光光度法和气相质谱法等，在采用这些检测方法进行物相检测时，检测速度较慢，对于成分较复杂，存在非晶和未知晶相的样品，难以对其定量分析。
2、目前元素检测技术成熟，x荧光光谱检测等一些元素检测方法可快速检测样品的元素种类及含量。在一些原料固定、化学成分稳定的生产过程中，采用元素检测方法检测元素信息，利用人工经验推算出大致化合物组成及含量。但在大多数实际生产过程中，原料来源广，成分复杂，需要快速对样品进行检测并对生产过程进行调整，采用人工经验难以实现。而分类模型可通过用户提供的大量数据，建立输入特征与输出标签之间的函数模型，从而实现对未知数据类别的预测。
3、因此，现提供一种基于分类模型的元素至物相快速分析方法。
技术实现思路
1、因此，本专利技术为了解决现有技术中的以上缺陷，提供一种基于分类模型的元素至物相快速分析方法，以提高工业生产物相检测速度，进而实现生产过程快速反馈。
2、本专利技术公开了一种基于分类模型的元素至物相快速分析方法，包括如下步骤：
3、s1.采用元素检测方法和物相检测方法对已知样品检测，建立已知样品的种类、元素种类及含量、化合物种类数据库；
4、s2.以
5、s3.采用元素检测方法对未知样品进行检测，得到未知样品的元素种类及含量；
6、s4.以未知样品的元素种类及含量为输入，通过训练好的分类模型预测未知样品的种类；
7、s5.以预测的未知样品的种类为输入，对数据库进行检索，预测未知样品种类的化合物种类；
8、s6.以未知样品的元素种类及含量和预测的化合物种类为输入，根据元素守恒，计算得到未知样品的化合物含量。
9、在s2中，分类模型的训练过程如下：
10、s21.根据元素检测结果建立元素输入特征数组；
11、s22.将需要分类的样品合并为二维数组，二维数组中的每一个元素代表一个样品的元素输入特征，该二维数组为分类模型的元素输入特征数据；
12、s23.将元素输入特征数据归一化处理，使输入特征数据满足正态分布；
13、s24.将不同种样品用数字进行编号，并按照输入特征数据合并的顺序组成一维数组，该一维数组为分类模型的样品种类输出标签数据；
14、s25.将输入特征数据和输出标签数据按对应关系组合成为总数据集，并将总数据集划分为训练数据集和测试数据集；
15、s26.计算原始预测值、计算预测概率、计算损失函数、计算损失函数关于参数矩阵的梯度，并更新参数矩阵；
16、s27.判断迭代次数和损失函数变化是否满足迭代终止条件；若满足，则停止迭代，输出参数矩阵；否则返回步骤s26。
17、在s2中，分类模型的训练过程如下：
18、s21.根据元素检测结果建立元素输入特征数组；
19、s22.将需要分类的样品合并为二维数组，二维数组中的每一个元素代表一个样品的元素输入特征，该二维数组为分类模型的元素输入特征数据；
20、s23.将元素输入特征数据归一化处理，使输入特征数据满足正态分布；
21、s24.将不同种样品用数字进行编号，并按照输入特征数据合并的顺序组成一维数组，该一维数组为分类模型的样品种类输出标签数据；
22、s25.将输入特征数据和输出标签数据按对应关系组合成为总数据集，并将总数据集划分为训练数据集和测试数据集；
23、s26.计算距离、找出最近的k个邻居、统计每种类别的概率、输出预测类别。
24、在s23中，归一化处理的转换函数为：
25、（1）；
26、其中，为归一化前数据；为归一化后数据；为所有样品数据的均值，为所有样品数据的标准差。
27、在s26中，给定分析模型为多项逻辑回归分类模型，训练阶段首先初始化大小为n·(n+1)参数矩阵，设置初始值为0，其中n为样品类别的数量，n为元素数量；
28、s261.计算原始预测值：
29、；
30、其中，为训练数据集中i样品的输入特征数组；
31、s262.计算预测概率：
32、；
33、其中，为样品i为j类别的预测值,为样品i为k类别的预测值；
34、s263.计算损失函数j(θ)：
35、；
36、其中，m为样品数量；为样品i为j类别的实际值；
37、s264.计算损失函数关于参数矩阵θ的梯度∇j(θ)：
38、；
39、其中，为样品i输入特征数组中的第k个特征值；为参数矩阵θ中样品i对应于类别k的权重参数；
40、s265.更新参数矩阵θ：
41、；
42、其中，为学习率。
43、在s26中，计算距离、找出最近的k个邻居、统计每种类别的概率、输出预测类别；给定分析模型为k近邻分类模型；
44、s261.计算欧式距离；
45、；
46、其中，为未知样品输入特征数组中的第k个特征值；
47、s262.根据计算出的距离，找出离未知样品最近的k个训练样品：
48、；
49、其中，m为训练集样品总数；
50、s263.统计k个邻居中每种类别出现的概率：
51、；
52、其中，为k个邻居中k类别出现的次数；
53、s264.输出n个类别中出现概率最高的类别作为预测类别，如果有多个类别的概率相同，则选择第一个作为预测类别。
54、在s27中，判断迭代次数n和损失函数变化，是否满足迭代终止条件；若满足，则停止迭代，输出参数矩阵θ；否则返回步骤s26；其中，迭代终止条件为：
55、；
56、其中，为最大迭代次数；为损失函数变化阈值。
57、在s6中，包括：
58、s61.根据各化合物的元素组成和元素相对原子质量计算各化合物所含元素质量分数,如下所示：
59、；
60、其中，为化合物；为化合物所含元素；为化合物中元素的相对原子质量；为化合物中元素的原子个数；为化合物的元素总数；
61、s62.根据质量守恒定律建立非线性优化模型，如下所示：
62、；
63、其约束条件为：
64、；
65、其中，为各元素误差平方和；为未知样品元素的质量百分比；为化合物中元素的质量本文档来自技高网...
【技术保护点】
1.一种基于分类模型的元素至物相快速分析方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于分类模型的元素至物相快速分析方法，其特征在于，在S2中，分类模型的训练过程如下：
3.根据权利要求1所述的一种基于分类模型的元素至物相快速分析方法，其特征在于，在S2中，分类模型的训练过程如下：
4.根据权利要求2或3所述的一种基于分类模型的元素至物相快速分析方法，其特征在于，在S23中，归一化处理的转换函数为：
5.根据权利要求4所述的一种基于分类模型的元素至物相快速分析方法，其特征在于，在S26中，给定分析模型为多项逻辑回归分类模型，训练阶段首先初始化大小为N·(n+1)参数矩阵Θ，设置初始值为0，其中N为样品类别的数量，n为元素数量；
6.根据权利要求4所述的一种基于分类模型的元素至物相快速分析方法，其特征在于，在S26中，计算距离、找出最近的K个邻居、统计每种类别的概率、输出预测类别；给定分析模型为K近邻分类模型；
7.根据权利要求5或6所述的一种基于分类模型的元素至物相快速分析方法，其特征在于，
8.根据权利要求1-7中任一项所述的一种基于分类模型的元素至物相快速分析方法，其特征在于，在S6中，包括：
...【技术特征摘要】
1.一种基于分类模型的元素至物相快速分析方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于分类模型的元素至物相快速分析方法，其特征在于，在s2中，分类模型的训练过程如下：
3.根据权利要求1所述的一种基于分类模型的元素至物相快速分析方法，其特征在于，在s2中，分类模型的训练过程如下：
4.根据权利要求2或3所述的一种基于分类模型的元素至物相快速分析方法，其特征在于，在s23中，归一化处理的转换函数为：
5.根据权利要求4所述的一种基于分类模型的元素至物相快速分析方法，其特征在于，在s26中，给定分析模型为多项...
【专利技术属性】
技术研发人员：闫红杰，陈黄亮，陈梅洁，刘斌，刘柳，周萍，闵小波，张岭，唐昭辉，曾平生，程雪松，
申请(专利权)人：中南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。