胡 斌， 付 浩， 王文斌， 張 兵， 唐 帆， 馬善為， 陸 強(qiáng)*

1. 華北電力大學(xué)新能源學(xué)院， 北京 102206

2. 華北電力大學(xué)生物質(zhì)發(fā)電成套設(shè)備國(guó)家工程實(shí)驗(yàn)室， 北京 102206

3. 吉林大學(xué)人工智能學(xué)院， 吉林 長(zhǎng)春 130012

引 言

紅外光譜是分析物質(zhì)成分的有力工具， 廣泛應(yīng)用于食品、 化工、 現(xiàn)代醫(yī)學(xué)等領(lǐng)域， 具有所需樣本量小、 不破壞樣本、 快速、 簡(jiǎn)便、 精確度高等優(yōu)點(diǎn)[1-2]。 隨著計(jì)算機(jī)科學(xué)的發(fā)展， 紅外光譜與機(jī)器學(xué)習(xí)的聯(lián)合使用在分類(lèi)鑒別領(lǐng)域得到了廣泛應(yīng)用[3-5]。 在垃圾分類(lèi)研究中， 基于紅外光譜檢測(cè)與機(jī)器學(xué)習(xí)建模的分類(lèi)鑒別方法主要用于可回收垃圾的精細(xì)分選。 不同類(lèi)別塑料垃圾的近紅外光譜特征波段具有顯著差異， 利用機(jī)器學(xué)習(xí)方法可以有效地識(shí)別不同種類(lèi)的塑料， 進(jìn)行精細(xì)分選， 且目前已有多種近紅外光譜塑料分選設(shè)備問(wèn)世[6]。 然而， 近紅外光譜對(duì)于深色垃圾的分選仍存在一定的局限性。 近期， 趙冬娥等[7]利用高光譜成像和光譜角填圖法、 Fisher判別方法提出了紙質(zhì)、 塑料和木質(zhì)三類(lèi)可回收垃圾的分類(lèi)方法， 準(zhǔn)確率超過(guò)97%， 為城市可回收類(lèi)垃圾的高效分選打下了基礎(chǔ)。

隨著我國(guó)城市垃圾源頭分類(lèi)“四分法”的穩(wěn)步推進(jìn)， 有害垃圾、 廚余垃圾和可回收垃圾得到了有效分離， 剩余的其他垃圾組分十分復(fù)雜， 資源化利用難度較大， 其主流處理方法仍為較為粗獷的焚燒發(fā)電和衛(wèi)生填埋。 事實(shí)上， 其他垃圾的總量十分可觀， 通常占生活垃圾總量的30%[8]， 其中含有廢紙張、 廢塑料、 廢橡膠、 織物、 木竹等多種有機(jī)組分， 這些組分可以進(jìn)一步高值化利用。 舉例來(lái)說(shuō)， 廢紙張中主要成分為纖維素， 利用固體酸催化熱解纖維素可以高選擇性地制備左旋葡聚糖[9]； 塑料和化纖織物等烯類(lèi)聚合物可以經(jīng)催化熱解聯(lián)產(chǎn)碳納米管和富氫氣體[10]； 木竹類(lèi)是典型的生物質(zhì)資源， 恰當(dāng)?shù)念A(yù)處理后可以熱解生產(chǎn)高品質(zhì)的生物油或生物炭[11]。 這些組分的紅外光譜特征波段差異顯著， 彼此之間具有較大的區(qū)分度[6, 12-13]， 可以基于紅外光譜數(shù)據(jù)利用機(jī)器學(xué)習(xí)方法建立其他垃圾深度分選模型， 然而， 相關(guān)的分類(lèi)模型還少有報(bào)道。

現(xiàn)階段， 基于紅外光譜和機(jī)器學(xué)習(xí)方法從源頭分類(lèi)獲得的其他垃圾中深度分選出高值組分的研究還有相當(dāng)大的發(fā)展空間， 特別是高效機(jī)器學(xué)習(xí)模型仍有待建立。 依據(jù)其他垃圾的主要成分和利用手段， 可以將其分為： 纖維素類(lèi)、 烯類(lèi)聚合物、 木竹類(lèi)、 低值類(lèi)。 本研究將依靠紅外譜圖和機(jī)器學(xué)習(xí)， 建立其他垃圾高值化利用的深度分選模型， 為未來(lái)城市生活垃圾的自動(dòng)化分選以及高值化利用提供科學(xué)依據(jù)。

1 實(shí)驗(yàn)部分

1.1 紅外光譜數(shù)據(jù)獲取

采集纖維素類(lèi)、 烯類(lèi)聚合物、 木竹類(lèi)及低值類(lèi)四類(lèi)其他垃圾樣本共18件。 樣本選取上盡可能接近實(shí)際生產(chǎn)生活中其他垃圾受污染程度， 具體實(shí)驗(yàn)材料如表1所示。 四類(lèi)樣本的特征如下： (1)纖維素類(lèi)， 主要成分是纖維素及其衍生物， 收集的樣本包括打印紙、 草紙、 一次性紙杯、 棉布、 煙頭等； (2)烯類(lèi)聚合物， 多數(shù)為受污染的塑料或人造織物， 具有耐腐蝕且難降解的特點(diǎn)， 收集的樣本包括方便面包裝盒、 食品包裝袋、 快餐包裝紙、 奶茶杯、 腈綸標(biāo)簽等； (3)木竹類(lèi)， 以自然界植物枝干葉子為主， 主要成分為纖維素、 半纖維素、 木質(zhì)素等， 與纖維素類(lèi)的主要區(qū)別是含有較高比例的木質(zhì)素， 并非僅含有單一的纖維素組分， 收集的樣本包括竹扇、 落葉、 干樹(shù)枝、 木質(zhì)鉛筆、 一次性筷子等； (4)低值類(lèi)， 無(wú)機(jī)物含量相較其他類(lèi)別較高， 深度分選后無(wú)更多高值化利用方式， 主要以衛(wèi)生填埋或者焚燒處理， 收集的樣本包括棒骨、 陶瓷、 貝殼等。

表1 其他垃圾實(shí)驗(yàn)材料

使用美國(guó)PerkinElmer公司生產(chǎn)的Spectrum 100N FT-IR傅里葉變換紅外光譜儀， 選用衰減全反射紅外光譜技術(shù)采集光譜數(shù)據(jù)。 每個(gè)樣本分別選取四個(gè)不同特征點(diǎn)， 每個(gè)特征點(diǎn)采集6次光譜信息， 取平均值為該點(diǎn)的光譜反射率數(shù)據(jù)。 紅外光譜實(shí)驗(yàn)背景為空氣， 光譜范圍是650～4 000 cm-1波段， 分辨率為4 cm-1。 最終， 18件樣本共得到72組光譜數(shù)據(jù)， 每組光譜數(shù)據(jù)為1×3 351的一維線性矩陣， 整體構(gòu)成72×3 351的光譜反射率數(shù)據(jù)矩陣， 如式(1)所示， 其中m=72， 為實(shí)驗(yàn)樣本總數(shù)，n=3 351， 為每個(gè)樣本對(duì)應(yīng)650～4 000 cm-1波段的紅外光譜反射率數(shù)據(jù)。

(1)

1.2 數(shù)據(jù)預(yù)處理

為消除實(shí)驗(yàn)室光源及儀器發(fā)熱等干擾因素帶來(lái)的噪音， 分別采用標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate， SNV)、 多元散射校正(multiplicative scatter correction， MSC)、 導(dǎo)數(shù)處理聯(lián)合平滑濾波(derivative correction/smooth， DC/Smooth)對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。 其中， SNV、 MSC主要用于消除在光譜數(shù)據(jù)采集過(guò)程中固體顆粒大小、 表面散射及光程變化而產(chǎn)生的影響； DC/Smooth聯(lián)合預(yù)處理可以有效處理紅外光譜數(shù)據(jù)中的高頻噪音和基線平移， 提高光譜數(shù)據(jù)的靈敏度與分辨率[14]。

1.3 數(shù)據(jù)降維

對(duì)預(yù)處理后的光譜數(shù)據(jù)以主成分分析法[15](principal composition analysis， PCA)進(jìn)行降維處理。 以預(yù)處理光譜反射率數(shù)據(jù)72×3 351矩陣作為輸入?yún)?shù)， 計(jì)算數(shù)據(jù)矩陣的協(xié)方差矩陣， 求解其特征值及特征向量， 選擇其中k個(gè)特征值所對(duì)應(yīng)的特征向量， 構(gòu)成矩陣Wn×k。 以式(2)計(jì)算得到降維后的數(shù)據(jù)Zm×k， 其中k為PCA處理后的數(shù)據(jù)維度。 以式(3)和式(4)計(jì)算降維后數(shù)據(jù)貢獻(xiàn)度， 其中Zi為第i個(gè)主成分，a1為對(duì)應(yīng)樣本集標(biāo)準(zhǔn)化矩陣特征值λi的特征向量。 使k個(gè)主成分的累計(jì)貢獻(xiàn)度αi超過(guò)90%， 第k+1及以后的累計(jì)主成分貢獻(xiàn)率小于10%。

Zm×k=Xm×nWn×k

(2)

Zi=a1x1+a2x2+…+akxk

(3)

(4)

1.4 深度分選模型的建立

為篩選合適的其他垃圾深度分選模型， 采用4種具有代表性的分類(lèi)判別方法進(jìn)行對(duì)比： 概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network， PNN)、 廣義回歸神經(jīng)網(wǎng)絡(luò)(general regression neural network， GRNN)、 支持向量機(jī)(support vector machine, SVM)及隨機(jī)森林(random decision forests， RDF)。 PNN與GRNN鑒別模型具有優(yōu)秀的非線性映射能力及學(xué)習(xí)速度， 在處理少量樣本數(shù)時(shí)， 判別效果很好， 處理不穩(wěn)定數(shù)據(jù)集時(shí)也有較好效果； SVM模型具有較為良好的泛用性， 在面對(duì)分類(lèi)條件復(fù)雜時(shí)， 具有突出的判別能力； RDF是使用多棵決策樹(shù)對(duì)樣本訓(xùn)練并判別的一種分類(lèi)器， 該算法參數(shù)選擇較少， 不需要擔(dān)心過(guò)度擬合， 并擁有較強(qiáng)的抗噪聲本領(lǐng)。

為彌補(bǔ)樣本量少的缺點(diǎn)和提高最終測(cè)試結(jié)果的可信度， 采用留一法交叉驗(yàn)證用于模型的建立。 每個(gè)模型以準(zhǔn)確率(Accuracy)、 均值及標(biāo)準(zhǔn)誤差作為判評(píng)標(biāo)準(zhǔn)， 準(zhǔn)確率計(jì)算方法如式(5)所示， 其中TP和FP分別代表測(cè)試樣本中被正確分類(lèi)的樣本個(gè)數(shù)與被錯(cuò)誤分類(lèi)的樣本個(gè)數(shù)。

(5)

2 結(jié)果與討論

2.1 數(shù)據(jù)預(yù)處理

圖1 纖維素類(lèi)(a)、 烯類(lèi)聚合物(b)、 木竹類(lèi)(c)和低值類(lèi)(d)的原始紅外光譜

分別采用SNV， MSC及DC/Smooth對(duì)原始紅外光譜進(jìn)行預(yù)處理。 如圖2和圖3所示， 經(jīng)SNV和MSC預(yù)處理后規(guī)避掉了很多不必要的雜亂數(shù)據(jù)， 使光譜數(shù)據(jù)整齊有序。 此外， 兩種預(yù)處理方法的效果很接近， 因此最終分類(lèi)模型的預(yù)測(cè)結(jié)果應(yīng)當(dāng)也較為接近， 這將在后續(xù)進(jìn)一步討論。 如圖4所示， 經(jīng)DC/Smooth聯(lián)用預(yù)處理后， 紅外光譜譜圖具有明顯變化， 低值類(lèi)垃圾的譜圖區(qū)分度更加明顯。 對(duì)比上述預(yù)處理后的光譜數(shù)據(jù)， 可以發(fā)現(xiàn)四類(lèi)垃圾的光譜數(shù)據(jù)在特征波段仍然具有顯著的區(qū)別。

圖2 SNV預(yù)處理后的纖維素類(lèi)(a)、 烯類(lèi)聚合物(b)、 木竹類(lèi)(c)和低值類(lèi)(d)紅外光譜

圖3 MCS預(yù)處理后的纖維素類(lèi)(a)、 烯類(lèi)聚合物(b)、 木竹類(lèi)(c)和低值類(lèi)(d)紅外光譜

圖4 DC/Smooth預(yù)處理后的纖維素類(lèi)(a)、 烯類(lèi)聚合物(b)、 木竹類(lèi)(c)和低值類(lèi)(d)紅外光譜

2.2 數(shù)據(jù)降維

SNV， MSC及DC/Smooth預(yù)處理數(shù)據(jù)經(jīng)PCA降維后得到主成分特征值和方差貢獻(xiàn)率， 前8維主成分?jǐn)?shù)據(jù)列于表2。

由表2可知， 預(yù)處理后的數(shù)據(jù)經(jīng)過(guò)降維后的前5維主成分累計(jì)貢獻(xiàn)率均達(dá)到90%以上， 第8維及以后主成分的貢獻(xiàn)率低于1%。 其中， SNV預(yù)處理后的紅外光譜數(shù)據(jù)經(jīng)PCA降維后得到的8維和5維數(shù)據(jù)， 對(duì)原始紅外光譜數(shù)據(jù)的貢獻(xiàn)率分別達(dá)到了96.5%和91.0%。 類(lèi)似地， MSC預(yù)處理后的數(shù)據(jù)經(jīng)PCA降維得到73×8和72×5的數(shù)據(jù)集， 貢獻(xiàn)率分別為97.1%和91.5%； DC/Smooth預(yù)處理后的數(shù)據(jù)經(jīng)PCA降維得到72×8和72×5的數(shù)據(jù)集， 貢獻(xiàn)率分別為97.1%和93.3%。 對(duì)比5維和8維數(shù)據(jù)， 5維數(shù)據(jù)更加簡(jiǎn)練并可以反映原始數(shù)據(jù)的大部分信息， 而8維數(shù)據(jù)相比于5維數(shù)據(jù)對(duì)原始數(shù)據(jù)的累計(jì)貢獻(xiàn)率更高(3.8%～5.6%)， 后續(xù)將分別以5維和8維數(shù)據(jù)用于模型建立， 進(jìn)一步探討數(shù)據(jù)降維程度對(duì)模型的影響。

表2 SNV， MSC及DC/Smooth預(yù)處理數(shù)據(jù)集經(jīng)PCA處理后主成分的特征值和方差貢獻(xiàn)率

由表2可以看出， 第1、 2維主成分對(duì)于原始數(shù)據(jù)的貢獻(xiàn)率最高， 提取以上三種預(yù)處理數(shù)據(jù)降維后第1、 2主成分的載荷因子， 取平均值繪制載荷因子圖譜， 如圖5所示。 由圖可知， 在680， 1 000， 1 200， 1 300， 1 500， 1 650， 2 300， 2 800～2 900及3 300 cm-1等處具有明顯振動(dòng)， 說(shuō)明這些波段在數(shù)據(jù)中發(fā)揮更高的作用。

圖5 經(jīng)PCA降維后的第1(a)和2(b)主成分載荷分析譜圖

2.3 深度分選模型判別結(jié)果分析

以PCA降維后得到的72×8和72×5數(shù)據(jù)集作為輸入?yún)?shù)， 分別建立PNN， GRNN， RDF及SVM判別模型， 結(jié)果分別列于表3和表4。

由表3可知， 紅外光譜數(shù)據(jù)預(yù)處理后所建立的高值化深度分選模型平均準(zhǔn)確率接近甚至超過(guò)90%， 相較未經(jīng)預(yù)處理的模型平均準(zhǔn)確率上升5.5%～11.2%， 其中SNV， MCS及DC/Smooth三種預(yù)處理方式的平均準(zhǔn)確率為89.4%， 88.4%及94.1%。 如圖2和圖3所示， SNV和MCS預(yù)處理后得到的光譜特征波段相近， 導(dǎo)致基于兩種預(yù)處理方式所建分類(lèi)模型的鑒別能力相當(dāng)。 DC/Smooth聯(lián)合預(yù)處理獲得的預(yù)測(cè)平均準(zhǔn)確率最高， 這是由于導(dǎo)數(shù)處理(DC)可有效消除其他背景的干擾， 分辨重疊峰， 提高分辨率和靈敏度； Smooth可以防止導(dǎo)數(shù)處理的信噪比降低、 部分噪聲放大。 對(duì)比表3和表4中數(shù)據(jù)發(fā)現(xiàn)， 不同數(shù)據(jù)降維程度下， 三類(lèi)預(yù)處理方式對(duì)應(yīng)的分類(lèi)準(zhǔn)確率相對(duì)關(guān)系是一致的。 相比之下， 72×5數(shù)據(jù)集得到的預(yù)測(cè)準(zhǔn)確率整體有所提高， SNV， MCS及DC/Smooth三種預(yù)處理方式對(duì)應(yīng)的平均準(zhǔn)確率分別為93.8%， 92.4%及96.5%， 準(zhǔn)確率提高了2.4%～4.4%。 表3中， DC/Smooth聯(lián)合預(yù)處理的準(zhǔn)確率均方根誤差較未處理有所上升， 而SNV和MSC預(yù)處理后的均方根誤差明顯降低； 對(duì)于5維數(shù)據(jù)， SNV和MSC預(yù)處理的均方根誤差較未預(yù)處理有所升高， 而DC/Smooth聯(lián)合預(yù)處理有所下降。 由表2可知， 三種預(yù)處理方式得到的數(shù)據(jù)經(jīng)過(guò)降維后的前5維主成分累計(jì)貢獻(xiàn)率即達(dá)到90%， 而第6～8維數(shù)據(jù)對(duì)于原始數(shù)據(jù)的貢獻(xiàn)很低(0.9%～3.1%)， 這表明8維數(shù)據(jù)相比于5維數(shù)據(jù)增加了無(wú)效數(shù)據(jù)， 盡管對(duì)原始數(shù)據(jù)的貢獻(xiàn)率更高， 但是預(yù)測(cè)效果反而不如5維數(shù)據(jù)。 針對(duì)同一預(yù)處理方法所得數(shù)據(jù)集， 對(duì)比四類(lèi)分類(lèi)模型預(yù)測(cè)準(zhǔn)確率的均方根誤差， 8維數(shù)據(jù)得到的分類(lèi)模型整體穩(wěn)定性更高， 這是因?yàn)?維數(shù)據(jù)去掉了更多的次要信息， 從而使得不同建模算法更具區(qū)分度， 更利于篩選合適的建模算法。

對(duì)比表3中四類(lèi)分類(lèi)模型可以看出， SVM模型平均準(zhǔn)確率最高， 達(dá)到了92.0%； PNN模型與RDF模型的平均準(zhǔn)確率較SVM模型低， 但整體準(zhǔn)確度在生產(chǎn)生活實(shí)踐接受范圍內(nèi)； GRNN的平均準(zhǔn)確率最低， 但均方根誤差明顯低于其他模型， 因此該模型最為穩(wěn)定， 而其他三類(lèi)模型的穩(wěn)定性幾乎相同。 預(yù)測(cè)準(zhǔn)確率最高的是通過(guò)DC/Smooth聯(lián)合預(yù)處理的SVM模型， 正確率達(dá)到了97.2%。 對(duì)比表3和表4數(shù)據(jù)可以發(fā)現(xiàn)， 數(shù)據(jù)降維對(duì)四種分類(lèi)模型的平均準(zhǔn)確率和均方根誤差的影響并不相同。 對(duì)于5維數(shù)據(jù)， PNN和GRNN模型的分類(lèi)準(zhǔn)確率較8維數(shù)據(jù)有明顯提升(7.5%和5.2%)， 其中通過(guò)DC/Smooth聯(lián)合預(yù)處理的PNN模型及SNV預(yù)處理的GRNN模型的準(zhǔn)確率都達(dá)到了100%。 此外， 5維數(shù)據(jù)的GRNN模型的穩(wěn)定最差， 均方根誤差為5.6%， 和8維數(shù)據(jù)得到的結(jié)果完全相反， 這是由于GRNN模型對(duì)數(shù)據(jù)維度的敏感性， 維度降低導(dǎo)致數(shù)據(jù)失真程度變高， 進(jìn)而導(dǎo)致穩(wěn)定性的下降。 綜合來(lái)看， 以上四種鑒別模型均具備快速、 準(zhǔn)確深度分選四類(lèi)垃圾的潛力， 其中， SVM和PNN模型分別基于DC/Smooth預(yù)處理的8維和5維數(shù)據(jù)獲得最高的分類(lèi)準(zhǔn)確率最大值和平均值， 且穩(wěn)定性相對(duì)較好。

表3 分類(lèi)模型的準(zhǔn)確率對(duì)比(基于72×8數(shù)據(jù)集)

表4 分類(lèi)模型準(zhǔn)確率對(duì)比(基于72×5數(shù)據(jù)集)

由于DC/Smooth聯(lián)合預(yù)處理數(shù)據(jù)得到的預(yù)測(cè)準(zhǔn)確率更高， 進(jìn)一步基于DC/Smooth預(yù)處理比較了四類(lèi)模型的對(duì)四類(lèi)垃圾分類(lèi)的準(zhǔn)確性， 預(yù)測(cè)結(jié)果如表5和表6所示。 由表5可知， 依據(jù)72×8的降維數(shù)據(jù)， 對(duì)烯類(lèi)聚合物垃圾的預(yù)測(cè)準(zhǔn)確率最低， 80個(gè)樣本中正確預(yù)測(cè)數(shù)只有72， 平均準(zhǔn)確率只有90.0%， 這是因?yàn)橄╊?lèi)聚合物種類(lèi)多， 具有不同的紅外光譜特征波段； 同時(shí)， 這也導(dǎo)致了烯類(lèi)聚合物預(yù)測(cè)的均方根誤差最高， 穩(wěn)定性較差。 對(duì)于纖維素類(lèi)與木竹類(lèi)來(lái)說(shuō)， 四種模型共80個(gè)樣本， 正確預(yù)測(cè)數(shù)均為75， 平均準(zhǔn)確率為95.0%， 均方根誤差均為4.1%， 表明這兩類(lèi)垃圾紅外光譜有很多區(qū)分度相近的特征波段數(shù)據(jù)， 分類(lèi)模型對(duì)其分類(lèi)能力基本相同。 四種分類(lèi)模型對(duì)低值類(lèi)垃圾的分類(lèi)判別結(jié)果最優(yōu)， 48個(gè)樣本只有一個(gè)誤判， 平均準(zhǔn)確率達(dá)到97.9%， 相對(duì)其他類(lèi)別準(zhǔn)確率上升2.9%～7.9%， 而其均方根誤差與纖維素類(lèi)及木竹類(lèi)相近， 模型穩(wěn)定性較強(qiáng)， 這是因?yàn)榈椭殿?lèi)垃圾組分中無(wú)機(jī)物含量較多， 紅外光譜特征波段與其他類(lèi)別分辨率大。 對(duì)比表5與表6可知， 四種分類(lèi)模型對(duì)四類(lèi)垃圾分選的平均準(zhǔn)確率由高到低依次是： 低值類(lèi)， 纖維素類(lèi)、 木竹類(lèi)及烯類(lèi)聚合物； 5維數(shù)據(jù)相比于8數(shù)據(jù)， 平均分類(lèi)準(zhǔn)確率上升1.3%～2.5%， 其中， 基于5維數(shù)據(jù)低值類(lèi)分類(lèi)平均準(zhǔn)確率可以達(dá)到100%； 5維數(shù)據(jù)對(duì)應(yīng)分類(lèi)模型的均方根誤差相較8維數(shù)據(jù)下降1.2%～4.2%， 對(duì)四類(lèi)其他垃圾分類(lèi)判別穩(wěn)定性有所上升。

表5 四類(lèi)其他垃圾分類(lèi)準(zhǔn)確率對(duì)比(基于72×8 DC/Smooth預(yù)處理數(shù)據(jù))

表6 四類(lèi)其他垃圾分類(lèi)準(zhǔn)確率對(duì)比(基于72×5 DC/Smooth預(yù)處理數(shù)據(jù))

上述結(jié)果表明， 基于紅外光譜檢測(cè)和機(jī)器學(xué)習(xí)建立垃圾深度分選模型具有可行性。 需要說(shuō)明的是， 對(duì)于預(yù)測(cè)中出現(xiàn)的誤差， 可能是由于實(shí)驗(yàn)樣本量少， 導(dǎo)致同一類(lèi)別中紅外光譜數(shù)據(jù)偏差大， 特別是烯類(lèi)聚合物的種類(lèi)較多， 所以上述模型對(duì)烯類(lèi)聚合物的鑒別準(zhǔn)確率最低。 此外， 由于源頭分類(lèi)結(jié)果不一、 垃圾受污染程度參差不齊， 導(dǎo)致紅外光譜信息波動(dòng)， 因此在實(shí)際應(yīng)用中還存在較大的不確定性， 這將在后續(xù)的模型優(yōu)化研究中考慮。

3 結(jié) 論

基于城市生活垃圾“四分法”源頭分類(lèi)， 針對(duì)其他垃圾中不同組分的高值化潛力， 將其他垃圾分為纖維素類(lèi)、 烯類(lèi)聚合物、 木竹類(lèi)及低值類(lèi)， 利用紅外光譜和典型分類(lèi)器建立了其他垃圾深度分選模型， 對(duì)比分析了預(yù)處理方式、 降維程度和建模算法對(duì)分類(lèi)準(zhǔn)確率的影響， 主要結(jié)論如下：

SNV， MSC和DC/Smooth聯(lián)合預(yù)處理三類(lèi)預(yù)處理方法中， DC/Smooth聯(lián)合預(yù)處理的數(shù)據(jù)用于后續(xù)建模得到的分類(lèi)準(zhǔn)確率最高、 穩(wěn)定性最強(qiáng)； 經(jīng)PCA降維后的數(shù)據(jù)用于后續(xù)建模時(shí)， 5維數(shù)據(jù)比8維數(shù)據(jù)得到的分類(lèi)性能更強(qiáng)， 整體準(zhǔn)確率上升2.4%～4.4%； 基于5維降維數(shù)據(jù)， DC/Smooth預(yù)處理方法比SNV和MSC預(yù)處理得到的平均準(zhǔn)確率更高(96.5%)， PNN模型比其他三類(lèi)模型的平均準(zhǔn)確率更高(98.1%)， 其中， DC/Smooth預(yù)處理的PNN模型及SNV預(yù)處理的GRNN模型的分類(lèi)準(zhǔn)確率都達(dá)到了100%， 用來(lái)建立其他垃圾深度分選模型效果最為優(yōu)異。 針對(duì)四類(lèi)其他垃圾， 除烯類(lèi)聚合物的平均判別率只有93.8%以外， 纖維素類(lèi)、 木竹類(lèi)及低值類(lèi)的平均分類(lèi)準(zhǔn)確率均在95%以上， 最高可以達(dá)到100.0%。

通過(guò)紅外光譜及機(jī)器學(xué)習(xí)實(shí)現(xiàn)了其他垃圾高值化利用的深度分選模型的建立。 未來(lái)開(kāi)發(fā)快捷準(zhǔn)確的其他垃圾深度分選技術(shù)， 還需要在考慮源頭分類(lèi)結(jié)果均一程度和垃圾受污染程度的基礎(chǔ)上， 擴(kuò)大模型學(xué)習(xí)樣本， 同時(shí)優(yōu)化分類(lèi)算法， 進(jìn)一步提升模型的分類(lèi)準(zhǔn)確率、 穩(wěn)定性和對(duì)實(shí)際垃圾樣本的適應(yīng)性。