基于LIBS技术结合AFSA-SVM算法对岩石类别的识别

激光诱导击穿光谱（LIBS）具备遥感、原位探测的特性，是深空探测识别物质元素组成及含量的重要技术。探测火星表面元素组成及其矿物分布特征是研究火星地质演化和成因的前提。在天问一号任务发射前，基于火星表面成分分析仪（MarSCoDe）开展了15个类别矿物样品的火星模拟探测实验，获取了1920条光谱数据。为验证仪器的探测性能，本文采用人工鱼群算法（AFSA）优化支持向量机（SVM）的高效分类模型（AFSA-SVM），对包括火成岩、沉积岩和金属矿物在内的32种矿物进行分类。首先，采用主成分分析（PCA）算法将原始光谱数据降维，送入AFSA-SVM训练。其次，通过AFSA来优化SVM的参数，实现了99.56%的矿物识别准确率。最后，对比AFSA-SVM模型与其他算法的识别准确率，其中随机森林（RF）算法、反向传播人工神经网络（BPANN）和K近邻（KNN）算法的准确率分别为95.60%、95.80%和90.17%，结果表明AFSA-SVM算法在辅助LIBS识别矿物种类中具有优势。