一種基於lm-bp神經網絡的x射線螢光光譜定量分析方法
2023-05-08 23:10:41
一種基於lm-bp神經網絡的x射線螢光光譜定量分析方法
【專利摘要】本發明提供一種基於LM-BP神經網絡的X射線螢光光譜定量分析方法，該方法包括：採集訓練集樣品的X射線螢光光譜，對其進行光譜數據處理，並提取處理後的單一譜線上的若干個數據點強度值；測定訓練集樣品的對應目標元素的含量；將強度值作為輸入層數據，將對應目標元素的含量作為輸出層數據，根據輸入層與隱含層之間的傳遞函數，得到隱含層數據，從而建立起BP神經網絡模型；採用LM算法對BP神經網絡模型進行訓練；利用訓練好的LM-BP神經網絡模型，得到預測集樣品的對應目標元素的含量。該方法能夠採用基於LM-BP神經網絡利用X射線螢光光譜對元素進行定量分析。
【專利說明】—種基於LM-BP神經網絡的X射線螢光光譜定量分析方法
【技術領域】
[0001]本發明涉及X射線螢光光譜檢測【技術領域】，具體涉及一種基於LM-BP神經網絡的X射線螢光光譜定量分析方法。
【背景技術】
[0002]X射線突光光譜(X-ray Fluorescence Spectroscopy,簡稱XRF)作為原子發射光譜的一種，在元素測定方面的應用較為廣泛。X射線螢光光譜利用X射線激發元素外層電子，利用光譜儀獲取電子躍遷時的螢光光譜，並由譜線的能量和強度進行定性定量分析。
[0003]X射線螢光光譜檢測技術具有分析速度快、檢測元素範圍廣、前處理簡便、可以無損檢測等優點，已廣泛的應用於冶金、地質、石油等領域的重金屬檢測，取得了廣泛的社會經濟效益。針對X射線螢光光譜檢測在環境監測中的應用，特別是對土壤的檢測，國外眾多學者進行了研究，美國EPA制定了使用X射線螢光光譜技術現場測定土壤和沉積物中的元素含量的標準方法，規定了儀器的使用範圍和方法，但是其中概念性的內容較多，缺乏細緻的技術探討，在實際應用中存在著檢測精度低，重複性差的問題。
[0004]X射線螢光光譜分析易受到周圍環境如土壤水分含量的影響，也會受到測量條件如樣品顆粒大小等的影響。葛良全討論了進行巖石和沉澱物原位分析時，樣品中水分的影響。除了水分以外，樣品的物理狀態如顆粒度、表面效應、水分影響、以及分析元素化學價態不一樣都會引起的分析譜峰位移或譜峰形狀改變等，從而造成對測量結果的巨大幹擾，這些統稱為基體效應。目前已提出了多種方法來校正基體效應。比如經驗係數法、基本參數法、理論影響係數法等數學校正方法，以及內標法、標準加入法和稀釋法等實驗校正方法。但這些方法都有一定的適應範圍，而對於土壤樣品，特別是我國的土壤，由於地貌複雜，土壤類別眾多，目前還沒有建立普適性的標準曲線或模型，也尚未提出系統可靠的XRF檢測農田土壤中重金屬的方法。黃啟廳等嘗試使用偏最小二乘法分析X射線光譜，分析土壤中Pb的含量。陸安祥等建立基於全譜建模但用加權係數降低Fe峰的偏最小二乘模型預測土壤中重金屬的含量。但是由於受到基體效應和自吸收效應的制約，在預測模型的準確度特別體現在重金屬Cr等元素上，未取得令人滿意的結果。
【發明內容】
[0005](一)解決的技術問題
[0006]針對現有技術的不足，本發明提供一種基於LM-BP神經網絡的X射線螢光光譜定量分析方法，能夠採用列文伯格-馬誇爾特(LM)算法優化反向傳播(BP)神經網絡的權值和閾值，並結合X射線螢光光譜對目標元素進行定量分析。
[0007](二)技術方案
[0008]為了實現以上目的，本發明通過以下技術方案予以實現:
[0009]一種基於LM-BP神經網絡的X射線螢光光譜定量分析方法，該方法包括:
[0010]S1:採集訓練集樣品的X射線螢光光譜，對其進行光譜數據處理，並提取處理後的單一譜線上的若干個數據點強度值；
[0011]S2:測定訓練集樣品的對應目標元素的含量；
[0012]S3:將步驟SI中獲得的強度值作為輸入層數據，將步驟S2中對應目標元素的含量作為輸出層數據，根據輸入層與隱含層之間的傳遞函數，得到隱含層數據，從而建立起BP神經網絡模型；
[0013]S4:採用LM算法對BP神經網絡模型進行訓練，建立X射線螢光光譜定量分析樣品目標元素的LM-BP神經網絡模型；
[0014]S5:將預測集樣品的X射線螢光光譜進行光譜數據處理後提取的單一譜線上的若干個數據點強度值作為輸入層數據矩陣輸入訓練好的LM-BP神經網絡模型，得到預測集樣品的對應目標元素的含量。
[0015]優選地，該方法進一步包括:利用對應目標元素的含量已經測定的驗證集樣品對所述LM-BP神經網絡模型進行驗證。
[0016]其中，所述光譜數據處理方法包括:求平均、扣除背景以及譜線去幹擾擬合。
[0017]其中，利用理化分析方法測定所述訓練集樣品的對應目標元素的含量。
[0018]其中，步驟S3中所述輸入層與隱含層之間的傳遞函數為Logsig函數。
[0019]其中，所述採用LM算法對BP神經網絡模型進行訓練包括:
[0020]S41:隨機設定訓練誤差ξ、神經網絡權值以及閾值X，並設定迭代次數k=0 ；
[0021]S42:根據輸出函數計算神經網絡的輸出層的輸出值:
[0022]
【權利要求】
1.一種基於LM-BP神經網絡的X射線螢光光譜定量分析方法，其特徵在於，該方法包括: Si:採集訓練集樣品的X射線螢光光譜，對其進行光譜數據處理，並提取處理後的單一譜線上的若干個數據點強度值； S2:測定訓練集樣品的對應目標元素的含量； S3:將步驟SI中獲得的強度值作為輸入層數據，將步驟S2中對應目標元素的含量作為輸出層數據，根據輸入層與隱含層之間的傳遞函數，得到隱含層數據，從而建立起BP神經網絡模型； S4:採用LM算法對BP神經網絡模型進行訓練，建立X射線螢光光譜定量分析樣品目標元素的LM-BP神經網絡模型； S5:將預測集樣品的X射線螢光光譜進行光譜數據處理後提取的單一譜線上的若干個數據點強度值作為輸入層數據矩陣輸入訓練好的LM-BP神經網絡模型，得到預測集樣品的對應目標元素的含量。
2.根據權利要求1所述的方法，其特徵在於，該方法進一步包括:利用對應目標元素的含量已經測定的驗證集樣品對所述LM-BP神經網絡模型進行驗證。
3.根據權利要求1所述的方法，其特徵在於，所述光譜數據處理方法包括:求平均、扣除背景以及譜線去幹擾 擬合。
4.根據權利要求1所述的方法，其特徵在於，利用理化分析方法測定所述訓練集樣品的對應目標元素的含量。
5.根據權利要求1所述的方法，其特徵在於，步驟S3中所述輸入層與隱含層之間的傳遞函數為Logsig函數。
6.根據權利要求1所述的方法，其特徵在於，所述採用LM算法對BP神經網絡模型進行訓練包括: S41:隨機設定訓練誤差ξ、神經網絡權值以及閾值X，並設定迭代次數k=0; S42:根據輸出函數計算神經網絡的輸出層的輸出值:
0o=f ( Σ Vh0Hh-Y0) =f (net。) 其中，\。為隱含層節點與輸出節點的網絡權值，Hh為隱含層第h個節點的實際輸出，Y0為輸出層的閾值，O0為輸出層的第ο個節點的實際輸出，f (net。)為輸出層的傳遞函數； S43:計算出目標函數EU): 其中，θ,(χ)為第i個樣本的預測值和實際輸出值Oi的偏差； S44:計算雅可比矩陣J(X)，其公式為:
7.根據權利要求1所述的方法，其特徵在於，該方法進一步包括:利用相關係數和均方誤差來評價神經網絡模型的準確度和精確度。
【文檔編號】G06N3/08GK103792246SQ201410058564
【公開日】2014年5月14日 申請日期:2014年2月20日 優先權日:2014年2月20日
【發明者】陸安祥, 王紀華, 李芳 , 田曉琴, 付海龍 申請人:北京農業質量標準與檢測技術研究中心