Libs结合最大相关最小冗余特征选择的镁合金快速分类识别

镁合金因其低密度、高比强度和优异的耐腐蚀性能，在航空航天、汽车及电子工业中得到广泛应用。激光诱导击穿光谱（LIBS）具有分析速度快、无需复杂样品制备等优势，因此在镁合金检测领域具有良好应用前景。由于LIBS光谱在不同次测量中存在较大波动，同时不同类型镁合金的光谱相似度较高，数据中还包含冗余信息，直接分类往往效果有限。本文提出基于特征选择的镁合金快速分类方法，系统对比了最大相关最小冗余（mRMR）、随机森林（RF）和光谱指数三种特征选择方法，并结合支持向量机（ Support Vector Machine， SVM）、反向传播神经网络（BPNN）和K近邻（KNN）三种分类模型，构建了多种镁合金分类模型。实验结果表明：mRMR-BPNN在仅使用180个特征的条件下，在首日和次日的数据测试中分别达到99.4%和92.5%的准确率，显著优于其他特征选择-分类器组合方法以及原始光谱直接分类方法。该方法在无需复杂前处理的条件下有效提升了模型的分类准确率与泛化能力，为镁铝合金材料的快速在线检测与质量控制提供了一种可靠分析手段，对推动LIBS技术在工业现场中的实际应用具有积极意义。