林晓梅，王晓檬，黄玉涛*，林京君

1.长春工业大学电气与电子工程学院，吉林 长春 130012 2.长春工业大学机电工程学院，吉林 长春 130012

引 言

土壤是发展经济的重要物质基础，但我国土壤受重金属污染程度日益严重。因此，如何提高土壤重金属定量分析的稳定性和精确度十分重要。随着激光技术的发展，LIBS技术逐渐被应用到土壤的定量分析中[1]。

土壤定量分析受基体效应影响较大，因此应用LIBS技术定量分析时，通常需要结合一些分析方法来提高LIBS的分析精度[2]。Villas-Boas等[3]将偏最小二乘回归方法与LIBS技术结合分析土壤中金属元素，拟合系数均高于0.85。汪萍等[4]用LIBS技术和三元二阶非线性回归方法对土壤中Mn元素进行检测，测量浓度与参考浓度的相关系数为0.97。De等[5]用LIBS技术和内标法结合检测土壤中的Ca，拟合系数提高到0.989。孟德硕等[6]将LIBS技术与ANN结合检测土壤中的Cu，测量误差在10%以下。邹孝恒等[7]采用LIBS技术与遗传算法和偏最小二乘法相结合，提高了土壤中金属元素的检测精准度。

近年来，诸如卷积神经网络(CNN)等人工智能算法被广泛应用于检测土壤中的元素[8]。但是，卷积神经网络存在平移不变性、池化层和过度拟合等缺点；最小二乘支持向量机(LSSVM)作为新一代机器学习算法，能够避免神经网络过拟合和支持向量机训练耗时长的问题[9]。然而，LSSVM的参数搜索是采用网格搜索法选择模型参数并进行交叉验证，搜索精度低和效率慢都是此算法的缺陷[10]。LSSVM建模过程中，对预测结果影响较大的参数为惩罚系数和核函数参数g[11]。……