Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Расчетная часть
Алгоритм Параметры Значения параметров
Линейный
классификатор с
градиентным спуском
loss function (loss)
hinge, log,
squared_loss,
modified_huber.
number of gradient
descent iteration (n_iter)1000 – 15000
Линейный
классификатор с
градиентным спуском с
L1 или L2
регуляризацией
loss
hinge, log,
squared_loss,
modified_huber
n_iter 1000 – 15000
the regularization
coefficient (alpha)0,0001 - 1
Алгоритм случайного
леса
number of decision
trees (n_estimators)2 – 100
limitation of the
maximum number of
features (max_features)
None, sqrt, log2
limitation of the decision
tree depth (max_depth)None, 2 – 13
bootstrap True, False
balancing of class
(class_weight)Balanced, None
Линейная регрессия - -
Линейная регрессия с
L1 или L2
регуляризацией
normalization of class
(normalize)True, False
n_iter 1000 – 15000
alpha 0 – 1
КЛАССИФИКАЦИОННЫЙ И РЕГРЕССИОННЫЙ АНАЛИЗ МАРОК МИНЕРАЛЬНЫХ
УДОБРЕНИЙ
Юновидов Д.В.1,2, Сидорова Е.Е. 1,2, Бахвалов А.С.3, Соколов В.В. 1,2
1. АО “НИУИФ”, Череповец, Россия, [email protected]
2. Череповецкий Государственный Университет, Череповец, Россия, 3. АО “Научный Приборы”, С. Петербург, Россия
Методы
Энергодисперсионный
рентгенофлуоресцентный анализ
наиболее информативен и
активно развивается
(согласно данным Scopus, “Environmental
Science”, “Earth and Planetary Sciences”,
“Agricultural и Biological Sciences” subjects)
Метод был дополнен
системой оптического
контроля
Введение
Аналитический контроль в
промышленности
Быстрый, информативный и
автоматизированный
Многоэлементный анализ
• Расчет проведен на Python 3.6;
• Составлена матрица «объекты-признаки»;
• Использованы различные
классификационные и регрессионные
алгоритмы расчета.
(Матрица ошибок, где x –
данные, y – истинное
значение ответа, a(x) –
результат классификации)
Результаты
Цель работы:
Создание универсальной системы контроля качества
промышленно производимых минеральных удобрений.
Визуализация
N P K S Фракция Сушка
Диапазон
значений
[0; 16]
мас %
[15; 52]
мас.%
[0; 20]
мас %
[0;20]
мас %* [0, 1]
Классификация, F-мера (%)
Лин-ая 99,31 99,78 99,59 99,56 92,40 72,94
Лин-ая с
L199,65 99,78 99,57 98,87 92,51 73,08
Лин-ая с
L299,65 99,78 100,0 98,99 91,33 68,46
Случ. лес 100,0 100,0 100,0 98,99 98,40 73,37
Макс.
знач.
параметр
Cl
15,56
Ca
17,04
Cl
14,31
Ca
20,47
S
контура
25,70
P
11,49
Регрессия, среднее абсолютное отклонение (мас..%)
Лин-ая 0,3901 1,1247 0,2906 0,7002 - -
Лин-ая с
L10,5980 1,3247 0,4255 1,0376 - -
Лин-ая с
L20,3644 1,1177 0,2876 0,6983 - -
Макс.
знач.
параметр
K
20,19
Sr
20,166
S фона
25,44
K
17,46- -
* [гранулы насыпью, прессованные: гранулы, порошок < 500 мкм, порошок < 100 мкм]
Задачи:
• выбор методов исследования и настраиваемых параметров;
• выбор параметров контроля (физические и химические
свойства удобрений);
• выбор значимых параметров и составление матрицы
«объекты-признаки»;
• расчет параметров минеральных удобрений с
использованием классификационных и
регрессионных алгоритмов.
(Результаты предсказания физических и химических свойств)
(ЭД РФА с
оптическим
контролем)
(Алгоритмы и параметры, использованные в работе)
Больше информации::
• https://github.com/DimYun/DSpectra
• Mendeley Data, v1, 2018.
https://doi.org/ 10.17632/4zywk4k8zk.2
• dimyun.space
(Проекция всех свойств
удобрений на 2 главные
компоненты)
y = 1 y = -1
a(x) = 1
Верное
положительное
(ВП)
Неверное
положительное
(НП)
a(x) = -1
Неверное
отрицательное
(НО)
верное
отрицательное
(ВО)
НПВП
ВПXaточность
),(
НОВП
ВПXaполнота
),(
полнотаточность
полнотаточностьF
2
Объекты исследования
Различные фосфорсодержащие минеральные удобрения с варьированием
пробоподготовки.
Удобрения: NPK(S) 4-30-15(16), NPK(S) 0-20-20(5), NP(S) 12-40(10), NPK
15-15-15, NPK 16-16-8, NP(S)+S+Zn 12-40(6)+3+1, NP 12-52.
№ < 500 мкм < 100 мкм сушкатаблети-рование
время, мин
1 - - - - -2 - - - + 23 + - - + 154 + + - + 405 + - + + 306 + + + + 45
1. Предложен комбинированный метод исследования промышленно
производимых минеральных удобрений.
2. Выделены сигналы, отвечающие за основные параметры качества.
3. Подобраны оптимальные параметры работы ряда
классификационных и регрессионных алгоритмов.
4. Найдены наиболее значимые для классификации и регрессии
сигналы.
5. Создана база данных более чем 300 объектов и составлена
матрица «объекты-признаки».
6. Все предложенные алгоритмы и подходы полностью
автоматизированы и реализованы на языке программирования
Python 3.6.
Выводы
55
75
95
115
135
155
175
195
2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6 2 0 1 7
% О
Т С
РЕД
НЕГ
О
ГОД
АНАЛИТИЧЕСКИЕ МЕТОДЫ
РФА ИСП Спектроскопия Классические
(Типы образцов)
Графическая аннотация