具有更新机制的硝酸-硝酸铵溶液中硝酸铵浓度预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115901677A(43)申请公布日2023.04.04(21)申请号202211540807.5G16C20/70(2019.01)(22)申请日2022.12.02(71)申请人北京理工大学地址100081北京市海淀区中关村南大街5号申请人甘肃银光化学工业集团有限公司(72)发明人陈锟钱石川李丽洁汪凡顾光辉徐银光何丹赵鑫平金韶华陈树森(74)专利代理机构北京正阳理工知识产权代理事务所(普通合伙)11639专利代理师邬晓楠(51)Int.Cl.G01N21/359(2014.01)G01N21/3577(2014.01)权利要求书2页说明书8页附图2页(54)发明名称具有更新机制的硝酸-硝酸铵溶液中硝酸铵浓度预测方法(57)摘要本发明提供一种具有更新机制的硝酸‑硝酸铵溶液中硝酸铵浓度预测方法，属于炸药工艺和近红外光谱定量分析。本发明的方法为采集不同硝酸铵浓度的硝酸‑硝酸铵溶液样品近红外光谱，并通过化学分析方法测定样品的浓度，通过构建的随机梯队下降初始模型对样品近红外光谱和浓度学习；当新的样本数据加入时，随机梯队下降初始模型只对通过阈值筛选后的样本数据进行训练并更新模型参数，达到再学习的目的；最后，反馈待测硝酸‑硝酸铵溶液中硝酸铵浓度结果，以实现对硝酸‑硝酸铵溶液中硝酸铵浓度的快速分析，达到保证最终HMX产品质量的目的。CN115901677ACN115901677A权利要求书1/2页1.具有更新机制的硝酸‑硝酸铵溶液中硝酸铵浓度预测方法，其特征在于：包括以下步骤：步骤一、采集待测硝酸铵浓度的硝酸‑硝酸铵溶液近红外光谱数据；步骤二、通过增量随机梯度下降模型，获得该近红外光谱数据所对应溶液中硝酸铵浓度；步骤二中所述的增量随机梯度模型通过以下方法建立：步骤2‑1、收集n个不同硝酸铵浓度的硝酸‑硝酸铵溶液近红外光谱数据及其对应的硝酸铵浓度数据，作为初始近红外光谱数据集和初始浓度数据集；步骤2‑2、对初始近红外光谱数据集中的数据做标准正态变量变换和最大最小归一化，得到预处理后的近红外光谱数据；步骤2‑3、通过无信息变量消除法(UVE)对所述预处理后的近红外光谱数据进行降维，得到降维后的近红外光谱数据；步骤2‑4、对所述降维后的近红外光谱数据进行标准化处理，然后将标准化后的近红外光谱数据与收集到的初始硝酸铵浓度数据按照随机算法划分为训练集数据(包括训练集近红外光谱数据和训练集浓度数据)和测试集数据(包括测试集近红外光谱数据和测试集浓度数据)；步骤2‑5、将所述的训练集数据输入到随机梯度下降模型(SGD)中学习，得到初始模型参数θ(θ0、θ1、…、θm)，即得随机梯度下降初始模型，然后对所述测试集近红外光谱数据进行拟合预测，得到测试集浓度预测数据；将测试集浓度预测数据与测试集浓度数据进行对比，运用相关系数R2、均方误差MSE和平均绝对误差MAE进行评价；步骤2‑6、当获得第k个硝酸‑硝酸铵溶液近红外光谱数据时，对其进行标准正态变量变换和最大最小归一化处理，以及无信息变量消除法降维分析与标准化处理，通过所述随机梯度下降初始模型获得相应的预测值，其中k＝n+1，n+2，……；步骤2‑7、计算所述预测值与真实值之间的相对误差；若该相对误差的绝对值小于等于阈值δ，则令k＝k+1，转至步骤2‑6；否则将第k个硝酸‑硝酸铵溶液近红外光谱数据及其对应的浓度真实值输入到随机梯度下降初始模型中，对模型参数θ进行更新迭代后，令k＝k+1，转至步骤2‑6，直至得到最终的模型参数θ′，即得增量随机梯度下降模型，并通过增量随机梯度下降模型对待测硝酸‑硝酸铵溶液中硝酸铵浓度进行预测。2.如权利要求1所述具有更新机制的硝酸‑硝酸铵溶液中硝酸铵浓度预测方法，其特征在于：步骤2‑3中，通过以下步骤进行无信息变量消除法降维分析：(1)将上述预处理后的近红外光谱数据与初始浓度数据集组合成近红外光谱矩阵X(n×m)和硝酸铵浓度矩阵Y(n×1)，其中m代表光谱波段总数；随机产生噪声矩阵R(n×m)，并将近红外光谱矩阵X与噪声矩阵R组合形成混合矩阵XR(n×2m)，所述混合矩阵前m列为近红外光谱矩阵X，后m列为噪声矩阵R；(2)对所述混合矩阵XR和硝酸铵浓度Y进行PLS回归，每次剔除一个样品的交互验证，得到一个回归系数向量b，最终得到回归系数矩阵B(n×2m)；(3)按列计算回归系数矩阵B的标准差S(b)和平均值mean(b)，并计算各变量指标系数Cj：2CN115901677A权利要求书2/2页其中j代表回归系数矩阵B中的每一列；(4)在[m+1，2m]区间取变量指标系数C的绝对值的最大绝对值Cmax＝max(abs(C))，其中abs(C)代表变量指标系数C的绝对值；(5)在[1，m]区间去除近红外光谱矩阵X对应