结合主导因素和多层感知机提高LIBS定量化性能.pdfVIP

第45卷，第4期光谱学与光谱分析Vol45,No.4,pp1022-1027

2025年4月SpectroscopyandSpectralAnalysisApril,2025

结合主导因素和多层感知机提高LIBS定量化性能

崔佳诚，宋惟然，姚蔚利”，姬建训，侯宗余1.3，王哲1.3x

1.清华大学能源与动力工程系，新型电力系统运行与控制全国重点实验室，清华大学碳中和研究院，

教育部低碳清洁能源创新国际联合实验室，北京100084

2.中国中煤能源集团有限公司，北京100120

3.清华大学山西清洁能源研究院，山西太原030032

摘要激光诱导击穿光谱（LIBS)是一种快速崛起的原子光谱分析技术，在煤质分析等领域有广阔的应用

前景。近年来，各种机器学习方法已经被用于提高LIBS煤质分析的定量分析能力，并取得了不错的效果。

然而这些方法忽视了LIBS的物理机制，因而模型的鲁棒性、适用范围和可解释性受限。为了提高LIBS定量

的准确度和可靠性，提出了一种基于主导因素方法（DF)结合多层感知机（MLP)人工神经网络的回归方法，

称为DF-MLP。其中，主导因素模型是利用光谱领域知识提取特征变量、并基于物理规律建立的线性回归模

型；MLP则是在此基础上，用机器学习方法修正主导因素模型的残差。DF-MLP首次将主导因素方法与多

层感知机神经网络结合起来，可以在不降低模型复杂度的前提下充分利用光谱领域知识，提高模型的可解

释性，从而改善鲁棒性和适用范围。实验中将DF-MLP与常规MLP、主导因素偏最小二乘（DF-PLSR）、主

导因素支持向量机（DF-SVR)对比，在煤质分析的固定碳含量、灰分、挥发分三个任务上均取得了最优结果。

均方根误差（RMSEP)相比于常规MLP分别降低了13.21%、14.54%和21.77%，比DF-SVR分别降低了

14.75%，23.13%和5.99%。实验结果表明，将领域知识与神经网络方法结合是提高LIBS定量化性能的可

行方式。

关键词激光诱导击穿光谱；主导因素；人工神经网络；煤炭；定量分析

文献标识码：AD0l:10.3964/j.issn.1000-0593(2025)04-1022-06

中图分类号：0657.38

(PLSR)、支持向量回归（SVR)[5]等。Ding等使用核极限学

引言习机（K-ELM)预测烧结矿的铁含量和碱度，模型的准确性

明显优于偏最小二乘（PLSR）模型[6]。此外，多层感知机

激光诱导击穿光谱（laser-inducedbreakdownspectroscopy，(MLP)等神经网络方法在多项任务上取得了优秀的定量效

LIBS)技术是一种基于激光诱导等离子体为发射源的原子发果[7-9]。这些研究证明了各种机器学习方法在LIBS定量分析

射光谱技术，由Brech和Cross在1962年首次提出[!1。因其中具有良好的定量精度，但这些方法的设计和实现并没有利

实时、原位、微损、能够多元素和远程分析能力，并且无需用光谱的领域知识，导致模型的可解释性差，可靠性无法保

或只需要简单的样品预处理等优点，LIBS在煤质检测、冶证[10]。其中神经网络模型具有比较明显的“黑盒”特征，模型

金、环境监测、生物医学等领域具有广泛的应用前景[2]。然中参数量较大并且通常无法判断模型中各个变量是如何影响

而受到基体效应严重、信号不确定性较大等因素的影响，元预测结果的，因此无法保证模型的可靠性。针对现有定量分

素浓度和光谱强度之间关系复杂且难以准确建模[3]。这导致析模型无法结合LIBS光谱物理知识的关键问题，我们在过

了LIBS定量性能降低，被认为是LIBS大规模推广应用的主往研究中提出了主导因素方法，首先基于领域知识确定与分

要障碍。