一種基于lm-bp神經(jīng)網(wǎng)絡(luò)的x射線熒光光譜定量分析方法
【專利摘要】本發(fā)明提供一種基于LM-BP神經(jīng)網(wǎng)絡(luò)的X射線熒光光譜定量分析方法，該方法包括：采集訓(xùn)練集樣品的X射線熒光光譜，對(duì)其進(jìn)行光譜數(shù)據(jù)處理，并提取處理后的單一譜線上的若干個(gè)數(shù)據(jù)點(diǎn)強(qiáng)度值；測(cè)定訓(xùn)練集樣品的對(duì)應(yīng)目標(biāo)元素的含量；將強(qiáng)度值作為輸入層數(shù)據(jù)，將對(duì)應(yīng)目標(biāo)元素的含量作為輸出層數(shù)據(jù)，根據(jù)輸入層與隱含層之間的傳遞函數(shù)，得到隱含層數(shù)據(jù)，從而建立起B(yǎng)P神經(jīng)網(wǎng)絡(luò)模型；采用LM算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；利用訓(xùn)練好的LM-BP神經(jīng)網(wǎng)絡(luò)模型，得到預(yù)測(cè)集樣品的對(duì)應(yīng)目標(biāo)元素的含量。該方法能夠采用基于LM-BP神經(jīng)網(wǎng)絡(luò)利用X射線熒光光譜對(duì)元素進(jìn)行定量分析。
【專利說明】—種基于LM-BP神經(jīng)網(wǎng)絡(luò)的X射線熒光光譜定量分析方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及X射線熒光光譜檢測(cè)【技術(shù)領(lǐng)域】，具體涉及一種基于LM-BP神經(jīng)網(wǎng)絡(luò)的X射線熒光光譜定量分析方法。
【背景技術(shù)】
[0002]X射線突光光譜(X-ray Fluorescence Spectroscopy,簡(jiǎn)稱XRF)作為原子發(fā)射光譜的一種，在元素測(cè)定方面的應(yīng)用較為廣泛。X射線熒光光譜利用X射線激發(fā)元素外層電子，利用光譜儀獲取電子躍遷時(shí)的熒光光譜，并由譜線的能量和強(qiáng)度進(jìn)行定性定量分析。
[0003]X射線熒光光譜檢測(cè)技術(shù)具有分析速度快、檢測(cè)元素范圍廣、前處理簡(jiǎn)便、可以無損檢測(cè)等優(yōu)點(diǎn)，已廣泛的應(yīng)用于冶金、地質(zhì)、石油等領(lǐng)域的重金屬檢測(cè)，取得了廣泛的社會(huì)經(jīng)濟(jì)效益。針對(duì)X射線熒光光譜檢測(cè)在環(huán)境監(jiān)測(cè)中的應(yīng)用，特別是對(duì)土壤的檢測(cè)，國(guó)外眾多學(xué)者進(jìn)行了研究，美國(guó)EPA制定了使用X射線熒光光譜技術(shù)現(xiàn)場(chǎng)測(cè)定土壤和沉積物中的元素含量的標(biāo)準(zhǔn)方法，規(guī)定了儀器的使用范圍和方法，但是其中概念性的內(nèi)容較多，缺乏細(xì)致的技術(shù)探討，在實(shí)際應(yīng)用中存在著檢測(cè)精度低，重復(fù)性差的問題。
[0004]X射線熒光光譜分析易受到周圍環(huán)境如土壤水分含量的影響，也會(huì)受到測(cè)量條件如樣品顆粒大小等的影響。葛良全討論了進(jìn)行巖石和沉淀物原位分析時(shí)，樣品中水分的影響。除了水分以外，樣品的物理狀態(tài)如顆粒度、表面效應(yīng)、水分影響、以及分析元素化學(xué)價(jià)態(tài)不一樣都會(huì)引起的分析譜峰位移或譜峰形狀改變等，從而造成對(duì)測(cè)量結(jié)果的巨大干擾，這些統(tǒng)稱為基體效應(yīng)。目前已提出了多種方法來校正基體效應(yīng)。比如經(jīng)驗(yàn)系數(shù)法、基本參數(shù)法、理論影響系數(shù)法等數(shù)學(xué)校正方法，以及內(nèi)標(biāo)法、標(biāo)準(zhǔn)加入法和稀釋法等實(shí)驗(yàn)校正方法。但這些方法都有一定的適應(yīng)范圍，而對(duì)于土壤樣品，特別是我國(guó)的土壤，由于地貌復(fù)雜，土壤類別眾多，目前還沒有建立普適性的標(biāo)準(zhǔn)曲線或模型，也尚未提出系統(tǒng)可靠的XRF檢測(cè)農(nóng)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。陸安祥等建立基于全譜建模但用加權(quán)系數(shù)降低Fe峰的偏最小二乘模型預(yù)測(cè)土壤中重金屬的含量。但是由于受到基體效應(yīng)和自吸收效應(yīng)的制約，在預(yù)測(cè)模型的準(zhǔn)確度特別體現(xiàn)在重金屬Cr等元素上，未取得令人滿意的結(jié)果。

【發(fā)明內(nèi)容】

[0005](一)解決的技術(shù)問題
[0006]針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于LM-BP神經(jīng)網(wǎng)絡(luò)的X射線熒光光譜定量分析方法，能夠采用列文伯格-馬夸爾特(LM)算法優(yōu)化反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，并結(jié)合X射線熒光光譜對(duì)目標(biāo)元素進(jìn)行定量分析。
[0007](二)技術(shù)方案
[0008]為了實(shí)現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實(shí)現(xiàn):
[0009]一種基于LM-BP神經(jīng)網(wǎng)絡(luò)的X射線熒光光譜定量分析方法，該方法包括:
[0010]S1:采集訓(xùn)練集樣品的X射線熒光光譜，對(duì)其進(jìn)行光譜數(shù)據(jù)處理，并提取處理后的單一譜線上的若干個(gè)數(shù)據(jù)點(diǎn)強(qiáng)度值；
[0011]S2:測(cè)定訓(xùn)練集樣品的對(duì)應(yīng)目標(biāo)元素的含量；
[0012]S3:將步驟SI中獲得的強(qiáng)度值作為輸入層數(shù)據(jù)，將步驟S2中對(duì)應(yīng)目標(biāo)元素的含量作為輸出層數(shù)據(jù)，根據(jù)輸入層與隱含層之間的傳遞函數(shù)，得到隱含層數(shù)據(jù)，從而建立起B(yǎng)P神經(jīng)網(wǎng)絡(luò)模型；
[0013]S4:采用LM算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立X射線熒光光譜定量分析樣品目標(biāo)元素的LM-BP神經(jīng)網(wǎng)絡(luò)模型；
[0014]S5:將預(yù)測(cè)集樣品的X射線熒光光譜進(jìn)行光譜數(shù)據(jù)處理后提取的單一譜線上的若干個(gè)數(shù)據(jù)點(diǎn)強(qiáng)度值作為輸入層數(shù)據(jù)矩陣輸入訓(xùn)練好的LM-BP神經(jīng)網(wǎng)絡(luò)模型，得到預(yù)測(cè)集樣品的對(duì)應(yīng)目標(biāo)元素的含量。
[0015]優(yōu)選地，該方法進(jìn)一步包括:利用對(duì)應(yīng)目標(biāo)元素的含量已經(jīng)測(cè)定的驗(yàn)證集樣品對(duì)所述LM-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證。
[0016]其中，所述光譜數(shù)據(jù)處理方法包括:求平均、扣除背景以及譜線去干擾擬合。
[0017]其中，利用理化分析方法測(cè)定所述訓(xùn)練集樣品的對(duì)應(yīng)目標(biāo)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(shù)為L(zhǎng)ogsig函數(shù)。
[0019]其中，所述采用LM算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練包括:
[0020]S41:隨機(jī)設(shè)定訓(xùn)練誤差ξ、神經(jīng)網(wǎng)絡(luò)權(quán)值以及閾值X，并設(shè)定迭代次數(shù)k=0 ；
[0021]S42:根據(jù)輸出函數(shù)計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出層的輸出值:
[0022]
【權(quán)利要求】
1.一種基于LM-BP神經(jīng)網(wǎng)絡(luò)的X射線熒光光譜定量分析方法，其特征在于，該方法包括: Si:采集訓(xùn)練集樣品的X射線熒光光譜，對(duì)其進(jìn)行光譜數(shù)據(jù)處理，并提取處理后的單一譜線上的若干個(gè)數(shù)據(jù)點(diǎn)強(qiáng)度值； S2:測(cè)定訓(xùn)練集樣品的對(duì)應(yīng)目標(biāo)元素的含量； S3:將步驟SI中獲得的強(qiáng)度值作為輸入層數(shù)據(jù)，將步驟S2中對(duì)應(yīng)目標(biāo)元素的含量作為輸出層數(shù)據(jù)，根據(jù)輸入層與隱含層之間的傳遞函數(shù)，得到隱含層數(shù)據(jù)，從而建立起B(yǎng)P神經(jīng)網(wǎng)絡(luò)模型； S4:采用LM算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立X射線熒光光譜定量分析樣品目標(biāo)元素的LM-BP神經(jīng)網(wǎng)絡(luò)模型； S5:將預(yù)測(cè)集樣品的X射線熒光光譜進(jìn)行光譜數(shù)據(jù)處理后提取的單一譜線上的若干個(gè)數(shù)據(jù)點(diǎn)強(qiáng)度值作為輸入層數(shù)據(jù)矩陣輸入訓(xùn)練好的LM-BP神經(jīng)網(wǎng)絡(luò)模型，得到預(yù)測(cè)集樣品的對(duì)應(yīng)目標(biāo)元素的含量。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，該方法進(jìn)一步包括:利用對(duì)應(yīng)目標(biāo)元素的含量已經(jīng)測(cè)定的驗(yàn)證集樣品對(duì)所述LM-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述光譜數(shù)據(jù)處理方法包括:求平均、扣除背景以及譜線去干擾 擬合。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，利用理化分析方法測(cè)定所述訓(xùn)練集樣品的對(duì)應(yīng)目標(biāo)元素的含量。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S3中所述輸入層與隱含層之間的傳遞函數(shù)為L(zhǎng)ogsig函數(shù)。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述采用LM算法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練包括: S41:隨機(jī)設(shè)定訓(xùn)練誤差ξ、神經(jīng)網(wǎng)絡(luò)權(quán)值以及閾值X，并設(shè)定迭代次數(shù)k=0; S42:根據(jù)輸出函數(shù)計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出層的輸出值:
0o=f ( Σ Vh0Hh-Y0) =f (net。) 其中，\。為隱含層節(jié)點(diǎn)與輸出節(jié)點(diǎn)的網(wǎng)絡(luò)權(quán)值，Hh為隱含層第h個(gè)節(jié)點(diǎn)的實(shí)際輸出，Y0為輸出層的閾值，O0為輸出層的第ο個(gè)節(jié)點(diǎn)的實(shí)際輸出，f (net。)為輸出層的傳遞函數(shù)； S43:計(jì)算出目標(biāo)函數(shù)EU): 其中，θ,(χ)為第i個(gè)樣本的預(yù)測(cè)值和實(shí)際輸出值Oi的偏差； S44:計(jì)算雅可比矩陣J(X)，其公式為:
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，該方法進(jìn)一步包括:利用相關(guān)系數(shù)和均方誤差來評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確度和精確度。
【文檔編號(hào)】G06N3/08GK103792246SQ201410058564
【公開日】2014年5月14日 申請(qǐng)日期:2014年2月20日 優(yōu)先權(quán)日:2014年2月20日
【發(fā)明者】陸安祥, 王紀(jì)華, 李芳 , 田曉琴, 付海龍 申請(qǐng)人:北京農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)與檢測(cè)技術(shù)研究中心