关键词：激光诱导击穿光谱;支持向量机;粒子群算法;钢铁分类
摘 要：钢铁是国民经济中的支柱性产业，由于受生产技术的限制，我国钢铁产品主要集中为质量参差不齐的中低端产品，废品率较高，易造成资源浪费和环境污染。因此，钢铁产品的快速检测与鉴别分类，对保护环境以及提高钢铁资源的回收利用率有着重要意义。利用激光诱导击穿光谱技术(LIBS)进行10种钢铁样品光谱数据的快速采集，并采用支持向量机(SVM)算法对其数据进行学习建模，得到钢铁快速分类模型。然而，由于不同钢铁样品的光谱数据特征是复杂且相似的，导致设置的模型参数也会对SVM模型的分类结果有着较大的影响。为了实现对不同牌号钢铁合金的快速检测分类，实验中采用粒子群算法(PSO)与网格寻优法两种不同方法来优化模型参数，并分别选取样品中6种微量元素(Mn、 Cr、 Cu、 V、 Mo、 Ti)的17条特征谱线，和经主成分分析法(PCA)对全谱数据降维提取得到的前17个主成分作为模型的输入，建立PSO-SVM、 PSO-PCA-SVM、 PCA-SVM和SVM四种分类模型。实验结果表明，相比于精度最高的PCA-SVM模型的优化时间(257.84 s), PSO-SVM模型优化时间最短(11.5 s),且识别精度可达96.67%,与PCA-SVM模型的精度(97.5%)几乎相当。该结果表明LIBS结合PSO-SVM算法可实现快速的钢铁检测与分类，该方法为钢铁产品的快速检测与分类提供了一种新的解决途径。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取