✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅ 如需沟通交流，可以私信，或者点击《获取方式》

（1）自适应分段基线校正与混合特征提取：

在激光除漆过程中，LIBS光谱受到脉冲能量波动和等离子体背景干扰，导致基线漂移严重。采用分段自适应迭代加权惩罚最小二乘基线校正方法，将全谱按谱线密度划分为5个分段，每段独立估计平滑参数λ和权重惩罚系数δ，有效去除陡峭脉冲背景，保留了Ti、Al等特征元素峰。在此基础上，构建混合特征提取流水线：首先计算12个元素的谱线强度比值作为物理特征，然后利用一维卷积自编码器从全谱中提取256维潜在语义特征。自编码器由3层因果膨胀卷积和1层全连接组成，重构损失采用Huber损失，对异常像素鲁棒。两类特征拼合后通过最大相关最小冗余特征选择削减至64维，消除了特征冗余，分类精度提升约6.8%。

（2）双阶主动迁移SVM层级分类判据：

为满足分层除漆需求，将除漆效果划分为5类（原始涂层、面漆去除、底漆残留、裸金属、氧化微损伤）。构建双阶分类判据：第一阶采用一对多SVM实现粗分类，核函数采用混合余弦相似度核，使同类样本夹角趋近0度；第二阶针对底漆残留与裸金属易混淆分类，引入主动迁移策略，利用少量已标注的基板材料LIBS谱线作为源域，训练引力流形投影矩阵，将目标域特征映射到域不变流形，再用二次核SVM精分类。超参数优化结合贝叶斯优化与5折交叉验证，三次核SVM子分类器在第二阶对易混淆类的分类平均准确度达100%，整体5类宏平均F1分数为0.982。在线推理时，利用帧内谱线统计一致性校验，对连续5个脉冲的分类结果进行投票，防止因单脉冲干扰误判，确保分层可控。

（3）多输出SVR残差集成厚度预测与闭环触发：

为了精准控制除漆厚度并避免基体损伤，构建多输出SVR残差集成预测模型。以Ti/Al谱线强度比、激光脉冲累积能量、基体温度等7个特征作为输入，5个厚度区间的平均剩余厚度作为多目标输出。训练集共采用1200组激光脉冲数据，每组经不同脉冲数加工后测量残余厚度。首先训练一组7个不同核函数的基础SVR，核函数包括径向基、sigmoid、多项式等，然后通过梯度提升残差方法，将前5个模型的预测残差作为第6模型的输出目标，第6模型采用薄板样条核SVR，最终集成采用加权中位数融合，权重由预测方差倒数确定。在独立测试集234组样本上，平均RMSE达到2.02，比单变量标准曲线法降低34.6%。将该预测模型与光电触发模块集成，当预测厚度进入目标区间时，自动发出停机指令，实现闭环控制。同时在QT开发的高频LIBS监控软件中，通过多线程异步采集和光谱筛选，每秒钟可处理80帧谱图，满足工业在线监测要求。

import numpy as np
from scipy.signal import savgol_filter
from sklearn.svm import SVC
from sklearn.svm import SVR
from sklearn.preprocessing import StandardScaler

# 1. 自适应分段基线校正
def segment_adaptive_baseline_correction(spectrum, segments=5, lam=1e5, p=0.01):
    n = len(spectrum)
    seg_len = n // segments
    corrected = np.zeros_like(spectrum)
    for s in range(segments):
        start = s * seg_len
        end = start + seg_len if s < segments - 1 else n
        seg = spectrum[start:end]
        # 迭代加权惩罚最小二乘（简化）
        weight = np.ones(len(seg))
        for _ in range(10):
            d2 = np.diff(np.eye(len(seg)), 2)
            W = np.diag(weight)
            z = np.linalg.solve(W + lam * d2.T @ d2, W @ seg)
            weight = p * (seg > z) + (1 - p) * (seg <= z)
        corrected[start:end] = seg - z
    return corrected

# 2. 混合特征提取与SVM层级分类
def extract_mixed_features(spectra_list, cae_model, scaler):
    # 元素比率物理特征
    phys_feats = []
    for spec in spectra_list:
        ti_peak = spec[300:310].max()   # 模拟Ti峰
        al_peak = spec[280:290].max()   # 模拟Al峰
        phys_feats.append([ti_peak / (al_peak + 1e-6), al_peak / (ti_peak + 1e-6)])
    phys_feats = np.array(phys_feats)
    # 卷积自编码器提取深层特征
    latent_feats = cae_model.predict(spectra_list)  # 形状 (n, 256)
    # 拼接并标准化
    combined = np.hstack([phys_feats, latent_feats])
    return scaler.fit_transform(combined)

# 3. 双阶SVM分类，第二阶用主动迁移
def hierarchical_classify(features_train, labels_train, features_test):
    # 第一阶：一对多SVM
    clf_stage1 = SVC(kernel=lambda x, y: np.dot(x, y) / (np.linalg.norm(x)*np.linalg.norm(y)),
                     C=1.0, probability=True)
    clf_stage1.fit(features_train, labels_train)
    coarse_preds = clf_stage1.predict(features_test)
    # 第二阶：针对易混淆类（底漆残留 vs 裸金属）
    confusable_mask = (coarse_preds == 2) | (coarse_preds == 3)  # 假设类索引
    stage2_preds = coarse_preds.copy()
    if np.any(confusable_mask):
        # 主动迁移：源域预训练模型（简化）
        transfer_svc = SVC(kernel='poly', degree=3, C=10)
        # 训练已省略
        transfer_svc.fit(features_train[(labels_train==2)|(labels_train==3)],
                         labels_train[(labels_train==2)|(labels_train==3)])
        stage2_preds[confusable_mask] = transfer_svc.predict(features_test[confusable_mask])
    return coarse_preds, stage2_preds

# 4. 多输出SVR集成厚度预测
class MultiOutputSVR_Ensemble:
    def __init__(self, n_models=6):
        self.svrs = [SVR(kernel=k) for k in ['rbf','sigmoid','poly','rbf','sigmoid','thin_plate']]
    
    def fit(self, X, Y):
        residuals = Y.copy()
        for i, svr in enumerate(self.svrs[:5]):
            svr.fit(X, residuals[:, i])
            pred = svr.predict(X).reshape(-1, 1)
            if i < 4:
                residuals[:, i+1] = (residuals[:, i+1] - pred.flatten())
        # 残差集成训练第6模型
        final_target = residuals[:, 4]
        self.svrs[5].fit(X, final_target)
        
    def predict(self, X):
        preds = []
        base_pred = 0
        for i, svr in enumerate(self.svrs[:5]):
            pred = svr.predict(X).reshape(-1, 1)
            preds.append(pred + base_pred)
            base_pred = pred.flatten() if i < 4 else 0
        # 融合
        final_probs = np.median(np.hstack(preds), axis=1)
        return final_probs