1.一種基于小波神經(jīng)網(wǎng)絡(luò)算法結(jié)合激光誘導(dǎo)擊穿光譜技術(shù)的煤灰種類識別方法，其特征包括如下步驟：
1）首先煤灰樣品壓成薄片，然后利用激光誘導(dǎo)擊穿光譜儀對不同種類的煤灰薄片樣品分別在不同的測量位點進行光譜數(shù)據(jù)采集；
2）從所有煤灰樣品對應(yīng)的光譜數(shù)據(jù)中隨機挑選占樣品總量2/3的煤灰樣品光譜數(shù)據(jù)作為訓(xùn)練集，其余樣品對應(yīng)的光譜數(shù)據(jù)作為測試集；
3）利用獨立成分分析對訓(xùn)練集數(shù)據(jù)進行光譜特征變量篩選，并將優(yōu)化的光譜特征變量作為輸入變量構(gòu)建分類模型；
4）采用梯度下降法對小波神經(jīng)網(wǎng)絡(luò)模型參數(shù)進行優(yōu)化；
5) 利用優(yōu)化后的模型參數(shù)構(gòu)建小波神經(jīng)網(wǎng)絡(luò)分類模型，并預(yù)測未知煤灰樣品的所屬類別。
2.根據(jù)權(quán)利要求1所述的煤灰種類識別方法, 其特征在于：上述步驟（3）中，光譜數(shù)據(jù)經(jīng)獨立成分分析處理后，通過均方誤差作為評價指標考察不同的獨立成分對模型性能的影響，獨立成分數(shù)的取值范圍為1-50，基于最小均方誤差選擇出最優(yōu)的獨立成分數(shù)，即特征變量。
3.根據(jù)權(quán)利要求1所述的煤灰種類識別方法, 其特征在于：上述步驟（4）中，小波神經(jīng)網(wǎng)絡(luò)的模型參數(shù)為隱含層節(jié)點數(shù)、學(xué)習(xí)效率、動量因子和迭代次數(shù)，隱含層節(jié)點數(shù)的取值范圍為1-20，學(xué)習(xí)效率的取值范圍為0.001-0.010，動量因子的取值范圍為0.01-0.10，迭代次數(shù)的取值范圍為1-1000，基于最小均方誤差選擇出最優(yōu)的模型參數(shù)。