用于粒度预测的模型训练方法、预测方法及设备

1.本技术涉及数据处理领域，具体涉及用于粒度预测的模型训练方法、预测方法及设备。


背景技术：

2.在生产生活中，很多情况需要对松散堆积颗粒物的粒度分布进行测量，目前已经存在较多的测量手段例如标准筛法，激光衍射法等等，但是大多需要将样品带回实验室，且较为耗时，无法进行实时原位检测。
3.长久以来对于松散颗粒堆积物的粒度分析一直缺乏实时原位的检测方法，而libs技术原位，无损，不需要制备样品的检测特点使得它被选作检测松散颗粒物粒度的一种新颖的方法。libs是laser-induced breakdown spectroscopy(激光诱导击穿光谱学)的简称，该技术通过超短脉冲激光聚焦样品表面形成等离子体，利用光谱仪对等离子体发射光谱进行分析，以此来识别样品中的元素组成成分，进而可以进行材料的识别、分类、定性以及定量分析。
4.但是libs技术在应用中也存在着许多的限制，传统的libs数据分析方法仅使用几条谱线的强度信息，谱线强度波动大，重复性差，精准度较低，从而导致预测准确性较差的问题。


技术实现要素：

5.本技术提供用于粒度预测的模型训练方法、预测方法及设备，可以提高对松散堆积颗粒物的粒度预测准确性。
6.第一方面，本技术公开了一种用于粒度预测的模型训练方法，所述方法包括：
7.获取样品集，所述样品集包括多个与不同中心粒径的松散颗粒堆积物对应的光谱；
8.将所述光谱对应的松散颗粒堆积物的中心粒径设为样品标签，根据所述样品标签随机划分为用于模型训练的多个集合；
9.将所述多个集合中的光谱进行数据预处理，包括对所述光谱进行有重叠的平均化处理，获得多个平均后的平均光谱；
10.基于所述平均光谱及预设的机器学习模型进行模型训练，得到目标粒度预测模型。
11.在一实施例中，所述多个集合包括训练集、验证集以及测试集；
12.其中，所述训练集的光谱数量占所述样品集的光谱数量的至少一半。
13.在一实施例中，所述多个集合中的样品标签均不相同。
14.在一实施例中，所述将所述多个集合中的光谱进行数据预处理，包括：
15.将所述多个集合中的光谱进行归一化处理；
16.对归一化处理后的光谱进行平均，获得多个所述平均光谱；
17.对所述平均光谱进行背景矫正和谱线平滑。
18.在一实施例中，所述对所述光谱进行有重叠的平均化处理，包括：
19.对同一中心粒径的松散颗粒堆积物对应的多张光谱进行随机选取，将随机选取的m张光谱设为第一子集，剩余的n张光谱设为第二子集；
20.将所述第一子集中的光谱进行平均，获得1张第一平均光谱；
21.将所述第二子集中的每一光谱分别与第一子集中随机的一张光谱进行替换，并对替换后的m张光谱进行平均，依次执行获得n张第二平均光谱。
22.在一实施例中，所述对所述光谱进行有重叠的平均化处理，包括：
23.对平均化处理后所述光谱的重叠个数进行优化。
24.在一实施例中，所述将所述多个集合中的光谱进行数据预处理，还包括：
25.对平均化后的平均光谱进行特征挑选，并对挑选的特征个数进行优化。
26.在一实施例中，所述方法还包括：
27.建立所述机器学习模型的广义超参数，并对所述广义超参数进行优化。
28.在一实施例中，所述多个集合包括训练集、验证集以及测试集；
29.其中，所述训练集的光谱数量占所述样品集的光谱数量的至少一半；
30.所述对所述广义超参数进行优化，包括：
31.使用训练集进行若干次训练，对所述若干次训练获得的第一相对误差值取平均得到第一平均误差值；
32.判断所述第一平均误差值是否小于第一预设阈值；
33.若是，则使用验证集进行验证；
34.若否，调整超参数并重新使用训练集进行训练。
35.在一实施例中，所述使用验证集进行验证，包括：
36.获得所述验证集进行验证后的第二相对误差值；
37.选取所述第二相对误差值最小的结果作为目标结果，记录目标结果对应的当次训练为目标训练；
38.判断所述目标训练对应的所述第二相对误差值是否小于第二预设阈值；
39.若是，则使用测试集进行测试；
40.若否，调整超参数并重新使用验证集进行验证。
41.在一实施例中，所述广义超参数包括：
42.平均化处理后所述光谱的重叠个数；以及
43.平均化后的平均光谱进行特征挑选的特征个数。
44.第二方面，本技术还公开了一种粒度预测的预测方法，所述方法包括：
45.获取待预测的松散颗粒堆积物；
46.根据所述待预测的松散颗粒堆积物获得对应的原子发射光谱；
47.基于所述光谱及预设模型预测所述待预测的松散颗粒堆积物的粒度；
48.其中，所述预设模型为利用如上任意一项所述的用于粒度预测的模型训练方法得到的预设模型。
49.第三方面，本技术还公开了一种用于粒度预测的设备，所述设备包括：
50.处理器；以及
51.与所述处理器电连接的存储器；
52.所述存储器存储有所述处理器可执行的机器可读指令，所述处理器执行所述机器可读指令，以实现：
53.执行如上任意一项所述的用于粒度预测的模型训练方法；或者
54.执行如上所述的松散颗粒堆积物粒度的预测方法。
55.由上可知，本技术中的用于粒度预测的模型训练方法、预测方法及设备，通过包含多个与不同中心粒径的松散颗粒堆积物对应的光谱的样品集，将光谱根据不同样品标签划分为多个集合，并对多个集合中的光谱进行数据预处理并获得平均后的平均光谱，从而消除或减轻对光谱质量的干扰因素，提高光谱的信噪比；然后通过对平均光谱进行模型训练，得到用于松散颗粒堆积物粒度预测的粒度预测模型。本技术可以通过对样品的预处理及机器学习的方式获得置信度较高的多变量校准模型，利用该粒度预测模型可以提高对松散颗粒堆积物粒度预测的准确性。
附图说明
56.图1为本技术实施例提供的用于粒度预测的模型训练方法的实现流程图。
57.图2为本技术实施例提供的200个像素在400-600nm区域的分布示意图。
58.图3为本技术实施例提供的对光谱进行有重叠的平均化处理的实现流程图。
59.图4为本技术实施例提供的用于粒度预测的模型训练方法的另一实现流程图。
60.图5为本技术实施例提供的用于粒度预测的模型训练方法的再一实现流程图。
61.图6为本技术实施例提供的粒度预测的预测方法的实现流程图。
62.图7为本技术实施例提供的粒度预测结果的校准曲线示意图。
63.图8为本技术实施例提供的用于粒度预测的设备的结构。
具体实施方式
64.下面结合附图和实施例对本技术的技术方案做进一步的说明。
65.请参阅图1，图中示出了本技术实施例提供的一种用于粒度预测的模型训练方法的实现流程。
66.该模型训练方法可以用于获得粒度预测模型，该粒度预测模型用于根据松散颗粒堆积物的光谱实现对其粒度的预测。其中，用于模型训练的松散颗粒堆积物可以是采用单质微铜球颗粒堆积物、单质微铝球颗粒堆积物、单质微镍球颗粒堆积物、合金球颗粒堆积物等等。可以理解的是，上述松散颗粒堆积物的种类仅用于示例，还可以采用其他类型的颗粒堆积物，本技术对此不做限定。
67.并且，该模型训练方法可以应用于个人电脑、伺服器、plc控制装置或者是其他具有数据计算、控制能力的设备中，本技术对用于模型训练的设备类型不做限定。
68.如图1所示，该用于粒度预测的模型训练方法，可以包括以下步骤：
69.101、获取样品集，样品集包括多个与不同中心粒径的松散颗粒堆积物对应的光谱。
70.其中，样品集可以采用多种不同中心粒径的松散颗粒堆积物的样品，并获得各个不同中心粒径的松散颗粒堆积物相应的光谱。该样品集的样品数量可以是若干个，可根据
实际模型训练需求对样品数量进行设定。
71.102、将光谱对应的松散颗粒堆积物的中心粒径设为样品标签，根据样品标签随机划分为用于模型训练的多个集合。
72.其中，每个集合均可根据模型训练需求进行划分。在一实施例中，该多个集合可以包括训练集、验证集以及测试集。为了确保训练效果，该训练集的光谱数量占样品集的光谱数量的至少一半。具体的，可以使用训练集来进行训练，构建模型，验证集来估计模型的泛化效果，测试集来评估模型的性能，模型的性能评估以测试集为主。且测试集在整个流程中只使用一次。
73.在其中一种实现方式的举例中，例如将中心粒径为53um，100um，113um，176um，245um，357um的松散颗粒堆积物的对应光谱作为训练集，将中心粒径为86um的松散堆积颗粒物的对应光谱作为验证集，将中心粒径为72um，145um的松散堆积颗粒物的对应光谱作为测试集，在整个流程中，这一步骤仅需要进行一次。
74.当划分好不同功能的集合后，接下来可以对集合中的光谱进行数据预处理。
75.103、将多个集合中的光谱进行数据预处理，包括对光谱进行有重叠的平均化处理，获得多个平均后的平均光谱。
76.其中，对得到的样品光谱进行数据预处理，包括但不限于背景矫正、谱线平滑、标准化、归一化等处理操作。通过对光谱进行数据预处理的处理操作，可以为后续平均化处理进行预备工作，从而提高光谱数据的可用性。
77.例如，对每个样品的光谱进行数据预处理，首先进行归一化，将所有光谱的强度映射到0-1的范围内，方便不同光谱间进行比较。
78.在一实施例中，由于光谱的波动较大且重复性差，有必要对光谱进行平均化处理，这里选择有重叠的平均化处理，对于重叠个数需要做一定的优化，这里采用枚举的方法进行优化，找到最优的重叠个数，在满足粒度检测精度的同时，最大程度上保留光谱的原始信息。
79.具体的，对于光谱的平均化，可以通过执行常规的光谱平均化操作获得多个平均后的平均光谱。例如，随机选取若干张光谱进行平均，多次随机平均后可获得若干张的平均光谱。也可以通过选取若干张光谱，并在每次平均化时对其中部分光谱进行替换，然后执行若干次后可获得若干张的平均光谱。或者，采取有重叠的当然，本技术对光谱的平均化手段不进行限定。
80.在另一实施例中，光谱在平均的时候会有一些原始光谱重复出现在不同平均光谱的平均过程中，这部分重复光谱的数量需要进行优化，此时可以采用枚举法对其进行优化，在满足粒度检测精度的前提下，最大程度保留光谱的原始情况。
81.当得到若干张平均光谱后，可以对平均光谱进行进一步的预处理，例如采用背景矫正和谱线平滑等方式，使得所获得的平均光谱更有利于该模型的训练。
82.在再一实施例中，可以对平均光谱的重叠个数进行优化。具体的，可以采用枚举法进行优化，该优化过程可以包括以下步骤：若对于一个样品我们有m张光谱，随机选取n(n《m-10)张光谱，进行平均，然后依次将剩余的m-n张光谱与选中的n张光谱中随机的一张光谱进行替换，每次产生一张随机光谱，每个样品总计产生m-n 1张平均光谱,评估当前光谱处理下的模型性能然后令n＝n-1,执行上述操作，评估模型性能，直到n＝1，最优模型所对应
的n就是最佳的重复光谱数量。
83.在其他实施例中，可以对平均化后的平均光谱进行特征挑选，并对挑选的特征个数进行优化。具体的，可以采用select k best算法来挑选特征。具体步骤为，依次计算每个像素与颗粒堆积物的中心粒径的线性相关性，然后计算每个像素对应的归一化强度的平均值，然后对二者进行加权，选择加权值最高的n个像素点。这样选择的特征既拥有较好的相关性同时相对强度不低，不易受到光谱波动的影响。
84.请结合图2，图中示出了本技术的200个像素在400-600nm区域的分布示意图。
85.在该实施例中，可以截取了得分最高的200个像素点中位于400nm-600nm的像素，这部分像素有164个。以单质微铜球颗粒堆积物为例，可以发现得分较高的像素的波长位于cu i 510.6nm,cu i 515.3nm,cu i 521.8nm，这几条线恰好符合标定谱线的选择原则，不存在或较少的自吸收效应，谱线不存在重叠，具有较好的信噪比。然后将这些特征用于训练，评估模型的性能，然后令n＝n-10，选取特征用于训练，不断重复直到n＝10,从而得到最优的特征数量。n的初始值可以设为500。
86.104、基于平均光谱及预设的机器学习模型进行模型训练，得到粒度预测模型。
87.其中，该机器学习模型也可以称为机器学习算法，可以采用本领域常用的机器学习模型，以光谱数据为特征，松散颗粒堆积物的中心粒径或粒度作为标签进行训练。
88.具体的，该机器学习模型可以采用包括但不限于支持向量机、偏最小二乘回归、随机森林、决策树、人工神经网络以及卷积神经网络等机器学习模型。当然，除了上述的举例外还可以采用其他本领域常用的机器学习模型，本技术对具体机器学习模型的类型不做限定。并且，不同的机器学习算法所使用的超参数也是不一样的，支持向量机中我们需要选择核函数(高斯核，多项式核，线性核)，惩罚系数，核参数等，当然实际应用中也不仅限于上述几种。
89.在一实施例中，若采用人工神经网络作为机器学习模型，该人工神经网络具有许多超参数，不同的超参数组合对模型的性能有非常大的影响，所以应该选取最佳的超参数组合。这里对于超参数的优化我们采用网格搜索法，也可以采取其他的方法例如粒子群算法等。这里人工神经网络的超参数可以为隐藏神经元的个数，隐藏层层数等，也可以包含其他常见的超参数。由于之前的步骤存在一些需要优化的条件，这里可以建立一个广义超参数，不仅包含模型的超参数，也包括特征选择数量及重叠光谱数量。对于广义超参数可以建立一个表格，使用网格搜索法寻找最优的广义超参数组合。可以理解的，上述实现方式仅用于示例，本技术对具体的超参数选取及优化方式不限。
90.由上可知，本技术中的用于粒度预测的模型训练方法，通过包含多个与不同中心粒径的松散颗粒堆积物对应的光谱的样品集，将光谱根据不同样品标签划分为多个集合，并对多个集合中的光谱进行数据预处理并获得平均后的平均光谱，从而消除或减轻对光谱质量的干扰因素，提高光谱的信噪比；然后通过对平均光谱进行模型训练，得到用于松散颗粒堆积物粒度预测的粒度预测模型。本技术可以通过对样品的预处理及机器学习的方式获得置信度较高的多变量校准模型，利用该粒度预测模型可以提高对松散颗粒堆积物粒度预测的准确性。
91.请参阅图3，图中示出了本技术实施例提供的对光谱进行有重叠的平均化处理的实现流程。
92.如图3所示，对光谱进行有重叠的平均化处理，包括：
93.201、对同一中心粒径的松散颗粒堆积物对应的多张光谱进行随机选取，将随机选取的m张光谱设为第一子集，剩余的n张光谱设为第二子集。
94.202、将第一子集中的光谱进行平均，获得1张第一平均光谱。
95.203、将第二子集中的每一光谱分别与第一子集中随机的一张光谱进行替换，并对替换后的m张光谱进行平均，依次执行获得n张第二平均光谱。
96.在一实施例中，每个样品可以包含64张光谱。首先随机选取45张光谱作为第一子集，将剩余的19张光谱作为第二子集。当然，第一子集与第二子集的数量可根据平均后的光谱质量效果进行优化，不仅限于上述数量及比例。
97.当分配完不同的子集后，将第一子集中的45张光谱进行平均产生一张平均光谱，然后依次将剩余的19张光谱与选中的45张光谱中随机的一张光谱进行替换，每次产生一张随机光谱，每个样品总计产生20张平均光谱。从而获得总共200张平均光谱。上述平均化处理方法能够减小所获得的不同平均光谱之间的差异，在满足粒度检测精度的前提下，最大程度保留光谱的原始情况。
98.请参阅图4，图中示出了本技术实施例提供的用于粒度预测的模型训练方法的另一实现流程。
99.该模型训练方法还包括以下步骤：建立机器学习模型的广义超参数，并对广义超参数进行优化。
100.其中，该广义超参数，也即除了模型训练过程中需要用到的隐藏神经元的个数以及隐藏层层数等，还可以是其他可以影响模型训练结果的其他参数，在一实施例中，该广义超参数还包括平均化处理后光谱的重叠个数，以及平均化后的平均光谱进行特征挑选的特征个数。该平均化处理后光谱的重叠个数以及平均化后的平均光谱进行特征挑选的特征个数均可以通过优化来获得广义超参数的最优组合。
101.通过对多个广义超参数的优化调整，可以实现多变量校准模型，从而提升所训练出来的模型的粒度预测准确度。具体的，多个集合包括训练集、验证集以及测试集。其中，训练集的光谱数量占样品集的光谱数量的至少一半。
102.如图4所示，该对广义超参数进行优化的步骤，还可以包括：
103.301、使用训练集进行若干次训练，对若干次训练获得的第一相对误差值取平均得到第一平均误差值。
104.其中，该训练次数可以根据不同的训练效果而进行设定。例如，训练次数可以选择设定为10次、20次或者其他次数等，以在一定的训练次数下获得相对可靠的相对误差值。
105.当完成训练次数并获得多个第一相对误差值后，可将上述多个第一相对误差值进行平均，获得第一平均误差值。
106.302、判断第一平均误差值是否小于第一预设阈值。
107.303、若第一平均误差值小于第一预设阈值，则使用验证集进行验证。
108.304、若第一平均误差值不小于第一预设阈值，调整广义超参数并重新使用训练集进行训练。
109.其中，第一预设阈值可以设置成满足训练效果需要的数值，例如3-10％。在一些实现方式中，该第一预设阈值可以设置成3％、5％、10％。
110.当第一平均误差值小于第一预设阈值时，可以认为模型所得到的训练结果与预期效果接近，训练效果达到预期，此时可以使用验证集进行验证。
111.当第一平均误差值大于或等于第一预设阈值时，可以认为模型所得到的训练结果与预期效果相差较大，训练效果未达到预期，此时需要调整广义超参数并重新使用训练集进行训练。如此直到第一平均误差值小于第一预设阈值为止。
112.在其中一种实现方式中，这里的优化目标可以是测试集相对误差与平均光谱重叠个数的一个函数，即优化函数。
113.通过上述对广义超参数的优化方式，可以获得更好的模型训练效果，从而确保模型的粒度预测准确性。
114.请参阅图5图中示出了本技术实施例提供的用于粒度预测的模型训练方法的再一实现流程。
115.如图5所示，该对广义超参数进行优化的步骤，还可以包括：
116.401、获得验证集进行验证后的第二相对误差值。
117.其中，该验证次数可以根据不同的验证效果而进行设定。例如，验证次数可以选择设定为10次、20次或者其他次数等，以在一定的验证次数下获得相对可靠的相对误差值。
118.402、选取第二相对误差值最小的结果作为目标结果，记录目标结果对应的当次训练为目标训练。
119.其中，可选取第二相对误差值最小的结果所对应的epoch(此处称为当次训练)作为valid＿epoch(此处称为目标训练)。具体的，1个epoch意味着训练集中每一个样本都参与训练了一次。
120.403、判断目标训练对应的第二相对误差值是否小于第二预设阈值。
121.其中，第二预设阈值可以设置成满足训练效果需要的数值，例如3-10％。在一些实现方式中，该第二预设阈值可以设置成3％、5％、10％。
122.404、若是，则使用测试集进行测试。
123.405、若否，调整广义超参数并重新使用验证集进行验证。
124.当第二相对误差值小于第二预设阈值时，可以认为模型所得到的验证结果与预期效果接近，验证效果达到预期，此时可以使用测试集进行测试。
125.当第二相对误差值大于或等于第二预设阈值时，可以认为模型所得到的验证结果与预期效果相差较大，验证效果未达到预期，此时需要调整广义超参数并重新使用验证集进行验证。如此直到第二相对误差值小于第二预设阈值为止。
126.在其中一种实现方式中，首先可以使用训练集进行10次训练，10次训练的相对误差取平均作为最终结果，以减少初始随机数对结果的影响，如果平均相对误差小于5％，则使用验证集进行验证，反之改变超参数组合重新训练。对于验证集，可以采用最大epoch为10000，选取相对误差最小的结果作为最终结果，同时记录这时的epoch为valid＿epoch，如果验证集相对误差小于5％，则使用测试集进行测试，反之改变超参数组合重新开始。对于测试集，相对误差结果选择valid＿epoch所对应的相对误差。比较不同广义超参数组合的优化函数值，选取最小优化函数值所对应的广义超参数组合作为最优广义超参数组合。
127.通过上述对广义超参数的优化方式，可以获得更好的模型训练效果，从而确保模型的粒度预测准确性。
128.请参阅图6，图中示出了本技术实施例提供的粒度预测的预测方法的实现流程。
129.其中，该粒度预测的预测方法可以应用在个人电脑、伺服器、plc控制装置或者是其他具有数据计算、控制能力的设备，本技术对用于模型训练的设备类型不做限定。
130.如图6所示，该粒度预测的预测方法包括以下步骤。
131.501、获取待预测的松散颗粒堆积物。
132.可以理解的是，本技术松散颗粒堆积物的种类并不做限定。
133.502、根据待预测的松散颗粒堆积物获得对应的原子发射光谱。
134.该原子发射光谱可以通过根据处于激发态的待测元素原子回到基态时发射的特征谱线，对元素进行定性与定量分析获得，具体获得方式可采用本领域常用的技术手段，本技术对该待预测的松散颗粒堆积物所对应的原子发射光谱获得方式不做限定。
135.503、基于光谱及预设模型预测待预测的松散颗粒堆积物的粒度。
136.对于未知中心粒径的松散堆积颗粒物，可以使用该颗粒物的原子发射光谱的数据作为校准模型的输入，从而通过该预测模型来预测获得其中心粒径或者粒度。
137.其中，该预测模型可以采用如图1-5所述的任意一项实施例中的粒度预测的模型训练方法所训练获得的预测模型，其具体实现方式可以参考图1-5中的任意一项实施例及其等同或其他本领域常用的实现方式。
138.可以理解的，当训练出相应的预设模型后，该预设模型对待预测的松散颗粒堆积物的光谱进行粒度预测的方式可以采用本领域的常用技术手段，具体实现方式本技术不在此赘述，同时本技术对其实现方式不做限定。
139.请结合图7，图中示出了本技术实施例提供的粒度预测结果的校准曲线示意图。
140.在一实施例中，如图7所示，使用本技术的粒度预测的模型训练方法建立的定标模型，对未知粒度分布的松散颗粒堆积物进行预测。通过使用该预测模型得到的性能如图7所示，test data对应的校准曲线的斜率为0.99115，非常接近于1，斜率越接近1越好，测试数据的皮尔逊相关系数达到了0.99978，测试的平均相对误差为5.1％，从而可以由此体现出利用本预测模型后可以获得较准确的粒度预测准确度。
141.由上可知，该粒度预测的预测方法采用了粒度预测的模型训练方法所训练获得的预测模型对未知中心粒径的松散堆积颗粒物进行预测，可以利用更为精准的多变量校准模型来进行粒度预测，从而可以提高该预测方法对松散颗粒堆积物粒度预测的准确性。
142.请参阅图8，图中示出了本技术实施例提供的用于粒度预测的设备的结构。
143.其中，该用于粒度预测的设备可以是电脑、伺服器、plc控制装置或者是其他具有数据计算、传输能力的系统设备，本技术对于具体的设备形态不作限定。该用于粒度预测的设备可以通过运行软件的自动化程序来实现上述的pcb涨缩数据处理方法。
144.如图8所示，该用于粒度预测的设备600可以包括：处理器610及存储器620。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的用于粒度预测的设备600的结构并不构成对本技术的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
145.处理器610为用于粒度预测的设备600的控制中心，利用各种接口和线路连接整个用于粒度预测的设备600的各个部分，通过运行或执行存储在存储器620内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子用于粒度预测的设备600的各种功能
和/或处理数据。所述处理器可以由集成电路(integrated circuit，简称ic)组成，例如可以由单颗封装的ic所组成，也可以由连接多颗相同功能或不同功能的封装ic而组成。举例来说，处理器610可以仅包括中央处理器(central processing unit，简称cpu)。在本技术建设完成方式中，cpu可以是单运算核心，也可以包括多运算核心。
146.其中，该存储器620可以用于存储处理器610的执行指令，存储器620可以由任何类型的易失性或非易失性存储用于粒度预测的设备600或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
147.在一种情况中，当存储器620中的执行指令由处理器610执行时，使得用于粒度预测的设备600能够执行上述用于粒度预测的模型训练方法实施例中的部分或全部步骤，例如：
148.获取样品集，所述样品集包括多个与不同中心粒径的松散颗粒堆积物对应的光谱；将所述光谱对应的松散颗粒堆积物的中心粒径设为样品标签，根据所述样品标签随机划分为用于模型训练的多个集合；将所述多个集合中的光谱进行数据预处理，包括对所述光谱进行有重叠的平均化处理，获得多个平均后的平均光谱；基于所述平均光谱及预设的机器学习模型进行模型训练，得到粒度预测模型。
149.在一实施例中，所述处理器610可用于执行：
150.将所述多个集合中的光谱进行归一化处理；对归一化处理后的光谱进行平均，获得多个所述平均光谱；对所述平均光谱进行背景矫正和谱线平滑。
151.在一实施例中，所述处理器610可用于执行：
152.对同一中心粒径的松散颗粒堆积物对应的多张光谱进行随机选取，将随机选取的m张光谱设为第一子集，剩余的n张光谱设为第二子集；将所述第一子集中的光谱进行平均，获得1张第一平均光谱；将所述第二子集中的每一光谱分别与第一子集中随机的一张光谱进行替换，并对替换后的m张光谱进行平均，依次执行获得n张第二平均光谱。
153.在一实施例中，所述处理器610可用于执行：
154.对平均化处理后所述光谱的重叠个数进行优化。
155.在一实施例中，所述处理器610可用于执行：
156.对平均化后的平均光谱进行特征挑选，并对挑选的特征个数进行优化。
157.在一实施例中，所述处理器610可用于执行：
158.建立所述机器学习模型的广义超参数，并对所述广义超参数进行优化。
159.在一实施例中，所述处理器610可用于执行：
160.使用训练集进行若干次训练，对所述若干次训练获得的第一相对误差值取平均得到第一平均误差值；判断所述第一平均误差值是否小于第一预设阈值；若是，则使用验证集进行验证；若否，调整广义超参数并重新使用训练集进行训练
161.在一实施例中，所述处理器610可用于执行：
162.获得所述验证集进行验证后的第二相对误差值；选取所述第二相对误差值最小的结果作为目标结果，记录目标结果对应的当次训练为目标训练；判断所述目标训练对应的所述第二相对误差值是否小于第二预设阈值；若是，则使用测试集进行测试；若否，调整广
义超参数并重新使用验证集进行验证。
163.在另一种情况中，当存储器620中的执行指令由处理器610执行时，使得用于粒度预测的设备600能够执行上述粒度预测的预测方法实施例中的部分或全部步骤，例如：
164.获取待预测的松散颗粒堆积物；根据所述待预测的松散颗粒堆积物获得对应的原子发射光谱；基于所述光谱及预设模型预测所述待预测的松散颗粒堆积物的粒度；其中，所述预设模型为利用如上任意一项所述的用于粒度预测的模型训练方法得到的预设模型。
165.由上可知，本技术中的用于粒度预测的模型训练方法、预测方法及设备，通过包含多个与不同中心粒径的松散颗粒堆积物对应的光谱的样品集，将光谱根据不同样品标签划分为多个集合，并对多个集合中的光谱进行数据预处理并获得平均后的平均光谱，从而消除或减轻对光谱质量的干扰因素，提高光谱的信噪比；然后通过对平均光谱进行模型训练，得到用于松散颗粒堆积物粒度预测的粒度预测模型。本技术可以通过对样品的预处理及机器学习的方式获得置信度较高的多变量校准模型，利用该粒度预测模型可以提高对松散颗粒堆积物粒度预测的准确性。
166.本技术实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序被处理器运行时可执行包括本技术提供的各实施例中的部分或全部步骤，例如：
167.获取样品集，所述样品集包括多个与不同中心粒径的松散颗粒堆积物对应的光谱；将所述光谱对应的松散颗粒堆积物的中心粒径设为样品标签，根据所述样品标签随机划分为用于模型训练的多个集合；将所述多个集合中的光谱进行数据预处理，包括对所述光谱进行有重叠的平均化处理，获得多个平均后的平均光谱；基于所述平均光谱及预设的机器学习模型进行模型训练，得到粒度预测模型。
168.或者，获取待预测的松散颗粒堆积物；根据所述待预测的松散颗粒堆积物获得对应的原子发射光谱；基于所述光谱及预设模型预测所述待预测的松散颗粒堆积物的粒度；其中，所述预设模型为利用如上任意一项所述的用于粒度预测的模型训练方法得到的预设模型。
169.所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：rom)或随机存储记忆体(英文：random access memory，简称：ram)等。
170.在本技术实施例中，所述用于粒度预测的设备与上文实施例中的用于粒度预测的模型训练方法、预测方法属于同一构思，在用于粒度预测的设备上可以运行用于粒度预测的模型训练方法、预测方法实施例中提供的任一方法步骤，其具体实现过程详见用于粒度预测的模型训练方法、预测方法的实施例，并可以采用任意结合形成本技术的可选实施例，此处不再赘述。
171.显然，本技术的上述实施例仅仅是为清楚地说明本技术所作的举例，而并非是对本技术的建设完成方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的建设完成方式予以穷举。凡在本技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本技术权利要求的保护范围之内。