论文部分内容阅读
近年来我国橡胶工业进入高速发展的时期,橡胶产品出现在生活的方方面面,与人民的日常生活息息相关。市面上的绝大多数橡胶都要经过硫化处理,为了提升橡胶性能,橡胶硫化的过程中添加的橡胶助剂材料往往不止一种。而不同的橡胶硫化促进剂对橡胶硫化后的特性影响很大,因此快速准确地分类识别出不同的硫化促进剂就变得很有必要。
太赫兹波(THz)与其他频段的电磁波相比在物质检测领域有诸多优势。利用太赫兹时域光谱(THz-TDS)可以将待测物质进行太赫兹光谱扫描,提取光学参数,建立模型对光学参数进行分析,最终可以达到分类识别的目的。目前国内应用 THz-TDS对橡胶硫化促进剂的分类研究方面的工作还不是很多,为了探寻更好的分类模型,提高硫化促进剂的分类正确率,使得分类算法的选择就变得非常重要。本文在太赫兹光谱检测技术的基础上,结合神经网络算法思想,对硫化促进剂的光谱数据进行处理,利用不同的分类模型对其进行分类识别研究。
2-硫醇基苯并噻唑(MBT)、4,4’-二硫代二吗啉(DTDM)和一硫化四甲基秋兰姆(TMTM)是轮胎橡胶工业中常见的三种橡胶硫化促进剂。本文以这三种橡胶硫化促进剂为研究对象。在对其进行分类识别之前,将测得待测物的太赫兹光谱数据进行光谱数据预处理和光谱数据特征值提取等准备工作。获取待测样本在太赫兹光谱下的主要特征并优化,可以去除无用混杂特征点的干扰,为之后的分类模型研究工作打好基础。
应用太赫兹时域光谱技术,分别建立极限学习机(ELM)分类模型和概率神经网络(PNN)分类模型,并利用粒子群算法分别对这两种模型进行优化。对MBT、DTDM和TMTM这三种橡胶硫化促进剂在0.3-1.6THz频段内的太赫兹光谱进行分类识别研究。在经过样片的制取和光谱扫描之后,获取三种橡胶硫化促进剂的原始光谱数据和光学参数,并对输出样本数据集进行特征值提取,经过多次分类测试后比对结果。ELM模型的测试集平均正确率为 80.44%,而 PSO-ELM 分类模型测试集平均分类正确率为93.34%。PNN模型的测试集平均正确率为84.18%,而PSO-PNN分类模型的测试集平均分类正确率为 95.63%。实验结果表明,使用粒子群算法对这两种分类模型优化后分类准确率都得到了提高,可以完成对橡胶硫化促进剂的高准确率的分类识别,为橡胶硫化促进剂的分类识别检测提供了新的思路。
太赫兹波(THz)与其他频段的电磁波相比在物质检测领域有诸多优势。利用太赫兹时域光谱(THz-TDS)可以将待测物质进行太赫兹光谱扫描,提取光学参数,建立模型对光学参数进行分析,最终可以达到分类识别的目的。目前国内应用 THz-TDS对橡胶硫化促进剂的分类研究方面的工作还不是很多,为了探寻更好的分类模型,提高硫化促进剂的分类正确率,使得分类算法的选择就变得非常重要。本文在太赫兹光谱检测技术的基础上,结合神经网络算法思想,对硫化促进剂的光谱数据进行处理,利用不同的分类模型对其进行分类识别研究。
2-硫醇基苯并噻唑(MBT)、4,4’-二硫代二吗啉(DTDM)和一硫化四甲基秋兰姆(TMTM)是轮胎橡胶工业中常见的三种橡胶硫化促进剂。本文以这三种橡胶硫化促进剂为研究对象。在对其进行分类识别之前,将测得待测物的太赫兹光谱数据进行光谱数据预处理和光谱数据特征值提取等准备工作。获取待测样本在太赫兹光谱下的主要特征并优化,可以去除无用混杂特征点的干扰,为之后的分类模型研究工作打好基础。
应用太赫兹时域光谱技术,分别建立极限学习机(ELM)分类模型和概率神经网络(PNN)分类模型,并利用粒子群算法分别对这两种模型进行优化。对MBT、DTDM和TMTM这三种橡胶硫化促进剂在0.3-1.6THz频段内的太赫兹光谱进行分类识别研究。在经过样片的制取和光谱扫描之后,获取三种橡胶硫化促进剂的原始光谱数据和光学参数,并对输出样本数据集进行特征值提取,经过多次分类测试后比对结果。ELM模型的测试集平均正确率为 80.44%,而 PSO-ELM 分类模型测试集平均分类正确率为93.34%。PNN模型的测试集平均正确率为84.18%,而PSO-PNN分类模型的测试集平均分类正确率为 95.63%。实验结果表明,使用粒子群算法对这两种分类模型优化后分类准确率都得到了提高,可以完成对橡胶硫化促进剂的高准确率的分类识别,为橡胶硫化促进剂的分类识别检测提供了新的思路。