塑料型號的化學計量學鑑別方法
2023-10-10 07:18:44 2
專利名稱:塑料型號的化學計量學鑑別方法
技術領域:
本發明涉及一種對塑料樹脂型號的鑑別方法——塑料型號的化學計量學鑑別方法。
背景技術:
塑料廣泛使用於工農業生產各個領域,也是進出口貿易大宗貨物。不同種類、型號的塑料樹脂其材料性能差別較大,價值差別也較大,應用領域各異,因此,其型號的鑑別對於生產加工、進出口貿易的貨物鑑別具有重要意義及實用價值。
現有技術對各種塑料樹脂,如聚乙烯(PE)、聚丙烯(PP)、聚苯乙烯(PS)等的鑑別,是通過對樣品紅外譜圖的特徵峰和譜帶進行定性鑑別,即利用紅外光譜方法對於塑料進行分類鑑別,這種方法十分有效,且簡便迅速。但用紅外光譜方法對某一大類塑料樹脂內的型號進行鑑別卻有很多困難,因為同一類塑料內不同型號塑料的分子結構差別非常小,所以用紅外光譜法基本上不能完成此項工作。儘管已有其他現代先進分析手段來對樣品進行剖析,但由於被鑑別塑料樹脂性質相近,往往得不到很好的鑑別效果,所以如何在數據中高效提取具代表性的信息是解決問題的關鍵。
人工神經網絡(ANN)是近年來化學計量學研究的前沿與熱點,已在分類、模式識別、結果預測等方面取得顯著成果,尤其在處理傳統線性技術難以有效解決的非線性問題處理方面有著獨到之處,被認為是解決分類、模式識別等非線性問題的首選方法。
本發明將人工神經網絡結合非線性迭代偏最小二乘變量選擇技術(NIPALS)對塑料樹脂進行分類及型號鑑別,獲得了很好的結果。
發明內容
本發明的目的是提供一種塑料樹脂型號的化學計量學鑑別方法,以彌補現有技術只能對塑料樹脂進行分類鑑別,但難以對某一大類塑料樹脂內的型號進行鑑別的缺點。
本發明的原理是利用不同塑料樣品紅外光譜,特別是紅外光譜中特徵區(1350~650nm-1)的光譜信息,採用非線性迭代偏最小二乘變量選擇技術選擇具有代表性的一段樣品指紋區紅外光譜作為競爭性反向傳播人工神經網絡的變量輸入;該競爭性反向傳播神經網絡由前端反向傳播神經網絡層與後端競爭函數層構成,以已知的塑料樹脂樣品的數目為秩的單位矩陣為網絡訓練目標,用已知型號的塑料樣品輸入矩陣及模擬含噪聲輸入矩陣對網絡連接權值進行訓練,建立網絡連接;輸入變量經反向傳播網絡層及競爭函數層的轉換後,最顯著的神經元勝出並作為結果表示出來,查對訓練目標對應的塑料型號得到最終鑑別結果,從而形成塑料型號識別系統。
本發明的鑑別方法是首先用傅立葉變換紅外光譜儀測試塑料樹脂樣品,得到相應的紅外光譜圖,以2nm-1為間隔單位截取紅外光譜特徵區的紅外光譜數據,以各種塑料型號為樣本點空間,截取的紅外光譜數據為變量空間構成塑料型號鑑別的原始數據矩陣;然後將原始數據矩陣經過際準化處理,得到標準化數據矩陣;通過非線性迭代偏最小二乘變量選擇技術對標準化數據矩陣進行主成分分析,主成分數目採用比率法做判別指標,確定非線性迭代偏最小二乘變量選擇的主成分數目為3,作為人工神經網絡的變量輸入K。進一步對競爭性反向傳播人工神經網絡的網絡連接進行訓練,以其中的塑料樣品的數目為秩的單位矩陣作為網絡訓練目標,建立網絡連接,即在輸出向量相應位置產生「1」,其餘位置輸出「0」;輸出層為n個,網絡結構為輸入層、隱含層和輸出層的三層誤差反向傳播人工神經網絡,隱含層含10個神經元,以logsig(IW(1,i)p(i)+b1)函數作為傳遞函數,採用自適應學習速率結合動量方式進行訓練,動量項常數為0.95,以總誤差平方和作為收斂判據;然後將反向傳播網絡輸出經競爭層函數轉換後,獲勝的神經元作為結果表示出來,得到對輸入型號的初步分類結果,形成塑料型號的初級識別系統。
為了進一步提高塑料型號鑑別的準確率,再採用多組含噪聲的數據集對網絡連接再進行訓練,該多組含噪聲的數據集是在原始數據基礎上,依據測定數據的噪聲水平,利用噪聲產生函數隨機產生多組正態分布噪聲,進行疊加而成,訓練完成後形成實用的競爭性反向傳播人工神經網絡,從而建立起相應的人工神經網絡識別塑料樹脂型號的識別系統。
上述紅外光譜中特徵區的波數範圍是1350~650nm-1。
本發明的優點是能準確、快速而有效地鑑別常見塑料樹脂的型號。
圖1本發明的整體程序示意圖。
圖2網絡訓練最終目標是以已知的聚乙烯樣品的數目為秩的單位矩陣示意圖。
圖3鑑別塑料型號所用反向傳播人工神經網絡層結構示意圖。
圖4鑑別網絡訓練過程示意5實施例的聚乙烯塑料PE203、PE722的鑑別結果列表圖。
圖6實施例的聚乙烯塑料PE203紅外光譜圖。
圖7實施例的聚乙烯塑料PE722紅外光譜圖。
其中,W(1,i)隱含層每一輸入p(i)對應的相應權值;W(2,i)輸出層每一輸入a1對應的相應權值;p(i)輸入;a1隱含層輸出,輸出層輸入;a2輸出層輸出;b1閾值;b2閾值;logsig(IW(1,i)p(i)+b1)傳遞函數。
n塑料型號數目具體實施方式
本實施例以聚乙烯樹脂型號為PE203、PE722的兩種塑料樹脂為例說明本發明。本發明以MatLab語言編程實現,在內嵌神經網絡工具包的MatLab環境下運行,本發明的整體程序如圖1所示。具體步驟如下第一步,用傅立葉變換紅外光譜儀測試已知的塑料樣品,如300種聚乙烯樹脂樣品,得到相應的紅外光譜圖(PE203、PE722的紅外光譜圖見圖6、7),以2nm-1為間隔單位截取特徵區(1350~650nm-1)的紅外光譜數據,以300種塑料型號為樣本點空間,截取的紅外光譜數據為變量空間構成塑料型號鑑別的原始數據矩陣。
第二步,將原始數據矩陣進行標準化處理,得到標準化數據矩陣,即數據的中心化處理及無量綱化處理,經標準化處理的矩陣其變量空間內每一變量的均值為0,方差為1。
第三步,按照非線性迭代偏最小二乘變量選擇技術對標準化數據矩陣進行主成分分析,主成分數目採用比率法做判別指標,確定非線性迭代偏最小二乘變量選擇的主成分數目為3,作為人工神經網絡的變量輸入K。
第四步,對反向傳播人工神經網絡的網絡連接進行訓練,以已知300種聚乙烯塑料樣品的數目為秩的單位矩陣為網絡訓練目標,建立網絡連接,如圖2,即在輸出向量相應位置產生「1」,其餘位置輸出「0」;輸出層為n個(n為聚乙烯標準樣品數目,本實施例中n為300)輸出,見圖2。網絡結構為三層(輸入層、隱含層和輸出層)反向傳播人工神經網絡,隱含層含10個神經元,採用logsig(IW(1,i)p(i)+b1)函數作為傳遞函數,採用自適應學習速率結合動量方式進行訓練,動量項常數為0.95,以總誤差平方和作為收斂判據。將反向傳播網絡輸出經競爭層函數轉換後,最易產生「1」的輸出通過競爭層競爭-抑制作用,最後僅一個輸入成為勝者,其它輸出為0,對獲勝神經元有關的各連接權朝著更有利於競爭的方向調整,獲勝的神經元作為結果表示出來,得到無噪聲矩陣,這個過程是原始數據訓練過程,這樣得到對輸入型號的初步分類結果,形成塑料型號的初級識別系統。塑料樣品鑑別的反向傳播人工神經網絡結構圖見圖3。
第五步,為了進一步提高塑料型號鑑別的準確率,在由上步獲得的原始數據訓練的基礎上,再採用多組含噪聲的數據集對網絡連接進行訓練。含噪聲的數據集是在原始數據集的基礎上,依據測定數據的噪聲水平,利用噪聲產生函數隨機產生多組正態分布噪聲,進行疊加形成,形成實用的競爭性反向傳播人工神經網絡,從而建立起一套有效的應用人工神經網絡識別塑料樹脂型號的識別系統。含噪聲鑑別網絡訓練過程見示意圖4。
第六步,對未知的塑料樣品進行鑑別時,輸入經變量選擇的已知型號的塑料如上述的聚乙烯母料PE203、PE722的特徵區光譜數據,經反向傳播網絡及競爭函數層的轉換後,最顯著的神經元就能勝出並作為結果表示出來,即相應向量元素位置產生「1」、其它位置產生「0」的布爾輸出,如圖5所示,查對訓練目標對應的塑料型號,得到塑料型號鑑別結果。訓練完成後形成實用的競爭性反向傳播人工神經網絡,從而建立起相應的人工神經網絡識別塑料樹脂型號的識別系統。
利用上述的方法或步驟,可以分別對應的實用人工神經網絡識別塑料樹脂型號的識別系統,並將常見的18大類、1000多種塑料樹脂型號建立了相應的識別系統。
常見的18大類塑料樹脂包括聚乙烯樹脂PE、聚丙烯樹脂PP、聚苯乙烯樹脂PS、丙烯腈-苯乙烯樹脂AS、丙烯腈-苯乙烯-丙烯酸酯樹脂ASA、乙烯-乙酸乙烯酯共聚物EVA、聚對苯二甲酸乙二醇脂PET、聚對苯二甲酸丁二醇脂PBT、聚甲基丙烯酸甲脂樹脂PMMA、聚甲醛樹脂POM、聚烯烴塑性體POPs、聚苯醚樹脂PPO、聚氨脂樹脂PU、聚氯乙烯樹脂PVC、液晶聚合物LCP、聚醯胺樹脂PA、離子聚合樹脂、其他功能塑料。本發明以常見的18大類、1000多種塑料樹脂型號為識別目標和訓練集,分別建立了對應的實用人工神經網絡識別塑料樹脂型號的識別系統,利用該系統鑑別塑料樹脂型號快速、準確、可靠。
權利要求
1.一種塑料型號的化學計量學鑑別方法,其特徵是首先用傅立葉變換紅外光譜儀測試塑料樹脂樣品,得到相應的紅外光譜圖,以2nm-1為間隔單位截取紅外光譜特徵區的紅外光譜數據,以各種塑料型號為樣本點空間,截取的紅外光譜數據為變量空間構成塑料型號鑑別的原始數據矩陣;然後將原始數據矩陣經過標準化處理,得到標準化數據矩陣;通過非線性迭代偏最小二乘變量選擇技術對標準化數據矩陣進行主成分分析,主成分數目採用比率法做判別指標,確定非線性迭代偏最小二乘變量選擇的主成分數目為3,作為人工神經網絡的變量輸入,進一步對競爭性反向傳播人工神經網絡的網絡連接進行訓練,以其中的塑料樣品的數目為秩的單位矩陣作為網絡訓練目標,建立網絡連接,即在輸出向量相應位置產生「1」,其餘位置輸出「0」;輸出層為n個,網絡結構為輸入層、隱含層和輸出層的三層誤差反向傳播人工神經網絡,隱含層含10個神經元,以logsig(IW(1,i)p(i)+b1)函數作為傳遞函數,採用自適應學習速率結合動量方式進行訓練,動量項常數為0.95,以總誤差平方和作為收斂判據;然後將反向傳播網絡輸出經競爭層函數轉換後,獲勝的神經元作為結果表示出來,獲得成對輸入型號的初步分類結果,形成塑料型號的初級識別系統。
2.如權利要求1所述的塑料型號的化學計量學鑑別方法,其特徵是上述紅外光譜中特徵區的波數範圍是1350~650nm-1。
3.如權利要求1所述的塑料型號的化學計量學鑑別方法,其特徵是在塑料型號的初級識別系統基礎上,再採用多組含噪聲的數據集對網絡連接進行再訓練,該多組含噪聲的數據集是在原始數據基礎上,依據測定數據的噪聲水平,利用噪聲產生函數隨機產生多組正態分布噪聲,進行疊加而成,訓練完成後形成實用的競爭性反向傳播人工神經網絡,從而建立起相應的人工神經網絡識別塑料樹脂型號的識別系統。
4.如權利要求3所述的塑料型號的化學計量學鑑別方法,其特徵是上述噪聲產生函數隨機產生多組噪聲是正態分布噪聲。
全文摘要
一種塑料型號的化學計量學鑑別方法,是利用塑料紅外光譜中特徵區的光譜信息,採用非線性迭代偏最小二乘變量選擇技術選取特徵區紅外光譜作為競爭性反向傳播人工神經網絡的變量輸入;該競爭性反向傳播神經網絡由前端反向傳播神經網絡層與後端競爭函數層構成,以已知塑料樹脂樣品的數目為秩的單位矩陣為網絡訓練目標,用已知型號的塑料樣品輸入矩陣及模擬含噪聲輸入矩陣對網絡連接權值進行訓練,建立網絡連接;輸入變量經反向傳播網絡層及競爭函數層的轉換後,最顯著的神經元勝出並作為結果表示出來,從而建立塑料型號識別系統。利用本方法已對18類、1000多種塑料建立了對應的人工神經網絡識別系統,能快速、準確、可靠的鑑別塑料型號。
文檔編號G01J3/28GK1769867SQ20051004472
公開日2006年5月10日 申請日期2005年9月16日 優先權日2005年9月16日
發明者王巖, 劉心同, 紀雷, 孫健, 李成德, 杜恆清, 於立欣, 張萍, 孫忠松, 王境堂, 王英傑, 牛增元, 劉學惠, 李保家, 李佩暖 申請人:中華人民共和國山東出入境檢驗檢疫局