基于RBF神经网络的ICP-AES重叠谱线分离方法技术

本发明专利技术提供的基于RBF神经网络的ICP

【技术实现步骤摘要】
基于RBF神经网络的ICP-AES重叠谱线分离方法


[0001]本专利技术涉及光谱学和信息处理
，尤其涉及一种基于RBF神经网络的ICP-AES重叠谱线分离方法。

技术介绍

[0002]电感耦合等离子体原子发射光谱分析法(ICP-AES)被广泛运用于各个领域的无机元素定量分析中。该方法通过将溶液中待测元素特征波长所对应的光强测量结果，代入待测元素的标准曲线中，从而得到元素浓度，完成元素分析。因此元素光强测量结果是影响元素定量分析结果的重要因素。然而，在对复杂基体中的元素进行分析时，ICP光谱仪中易存在干扰元素，导致此元素的分析线附近产生临近线(干扰元素)，进而对分析线形成叠加，最终导致元素的光谱测量结果产生误差，这种现象即为光谱重叠干扰。
[0003]对于光谱干扰的校正，通常有标准加入法、干扰系数法、多元线性回归法和拟合分峰法等。标准加入法能有效克服样品中的元素干扰，但需多次试验，在多次实验中易引入新误差，导致结果不准确。干扰系数法可通过干扰元素的干扰系数对元素分析结果进行有效校正，但需预先了解干扰物的浓度和干扰体系的组成。多元线性回归法通过一系列混合标准溶液建立线性方程组，求解待测元素浓度值，使元素分析结果准确度大幅提升，但当测定元素较多时，需要配置大量标准溶液，成本开销大。拟合分峰法是将重叠光谱转化为数学模型，利用算法对分离谱线参数进行拟合，可对谱峰分离有较好结果，但该方法需对分离谱线的各项参数预设初值，当初值偏离真实值达到一定程度时，分峰效果会受到影响。
[0004]所以如何提供一种不受参数初值限制，能够利用计算机快速得到纯净的分峰谱线的方法成为亟待解决的问题。

技术实现思路

[0005]本专利技术提供基于RBF神经网络的ICP-AES重叠谱线分离方法，用以解决现有技术在ICP-AES测量过程中，由于光谱重叠干扰而产生的待测元素光强测量结果不准确的问题。
[0006]为了实现上述目的，本专利技术技术方案提供了一种基于RBF神经网络的ICP-AES重叠谱线分离方法，包括：建立单条谱线数学模型、叠加谱线数学模型。构建正交表，构建正交特征表，根据正交表和正交特征表生成叠加谱线，并以叠加谱线若干个等间隔采样数据点光强值组成的向量作为样本输入向量，叠加谱线特征向量作为样本输出向量，生成训练、测试样本集，而后对其进行归一化处理。设计基于RBF神经网络的谱峰分离参数预测模型结构：将归一化后的所述叠加谱线样本的输入向量作为RBF神经网络的输入；以叠加谱线的特征向量为所述RBF神经网络的输出；在RBF神经网络训练迭代过程中确定隐含层节点数，当满足训练条件时所述隐含层节点数被确定；设计隐含层激活函数：
[0007][0008]设计输出层任意节点的激活函数，其中k为自然数：
[0009]y
k
＝W
k
*φ
[0010]计算并设置所述隐含层的统一扩展常数：
[0011][0012]利用归一化的叠加谱线训练样本集，通过迭代的方式训练RBF神经网络，包括：将训练样本集输入矩阵输入所述RBF神经网络的谱峰分离参数预测模型结构中计算其模型输出，根据输出结果计算训练样本集误差矩阵，将误差矩阵中的误差最大值对应的训练样本作为新增隐含层神经元的径向基中心并加入RBF神经网络的谱峰分离参数预测模型隐含层结构中，使得隐含层的径向基中心矩阵被更新，对训练样本集中的所有样本重新计算其隐含层输出向量，得到新的隐含层输出矩阵，进一步得到新的输出层输出权矩阵，根据新的输出权矩阵计算模型输出，并计算均方误差MSE，进一步根据MSE和迭代次数判断是否满足训练结束条件，如果满足则结束训练，否则令迭代次数加1并进行下一轮迭代。
[0013]利用归一化的叠加谱线测试样本集测试模型泛化能力后，通过谱峰分离参数预测模型求解叠加谱线特征向量将叠加谱线特征向量分解为多个子峰的特征向量将代入单条谱线数学模型I(λ)，能够从重叠谱线中分离出子峰谱线，实现重叠谱线的多峰分离。
[0014]作为上述技术方案的优选，较佳的，建立表达形式为高斯函数的单条谱线数学模型：
[0015][0016]作为上述技术方案的优选，较佳的，叠加谱线数学模型为：
[0017][0018]作为上述技术方案的优选，较佳的，构建正交表包括：取特征向量中特征分量的个数m为所述正交表的列数。根据所述特征向量中特征分量的个数和各所述特征分量的水平数t得到正交表的行数n，n＝m(t-1)+1，其中，n满足：
[0019]n＝t
u
[0020]其中，u为以t为底数，以n为结果时，t的指数。
[0021]作为上述技术方案的优选，较佳的，构建正交特征表包括：根据特征向量中各特征分量的水平数t及该特征分量的数值范围，获取所述特征向量的任一特征分量的水平向量。任一特征分量的水平向量都由该特征分量的数值范围内均匀分布、间距相等的t个水平数组成，以正交表中若干个特征分量对应列的内容作为位置索引，将各特征分量的水平向量对应填入所述正交表中，组成正交特征表。
[0022]作为上述技术方案的优选，较佳的，根据叠加谱线数学模型对正交特征表中各特征向量生成对应的叠加谱线，并对叠加谱线的谱峰轮廓等间隔抽取若干个数据点，以其光强值所组成的向量作为样本的输入向量，以所述特征向量作为样本输出向量，生成若干组输入输出对应的样本，依据等差划分方式获得训练集样本和测试集样本。
[0023]作为上述技术方案的优选，较佳的，迭代包括：
[0024]设置迭代计数器p＝1，初始化输出权矩阵W,将训练集样本输入矩阵X
set
＝[X1,X2,
···
,X
n
,
···
,X
N
]输入到所述RBF神经网络的谱峰分离参数预测模型结构中，其中表示第n个样本的输入向量,表示第n个样本的第i个输入节点的输入量，n为正整数；
[0025]依据隐含层激活函数，对X
set
中任一样本的输入向量X
n
依据隐含层激活函数计算其隐含层输出向量得到隐含层输出矩阵φ
set
＝[φ1,φ2,
···
φ
n
,
···
,φ
N
]；
[0026]对φ
set
中任一隐层输出向量φ
n
，根据：
[0027]Y
n
＝W*φ
n
[0028]计算其对应的输出层输出向量，进而形成输出矩阵Y
set
＝[Y1,Y2,
···
,Y
n
,
···
,Y
N
]，其中为第n个样本的第k个输出节点的所述RBF神经网络的谱峰分离参数预测模型的输出。
[0029]作为上述技术方案的优选，较佳的，根据输出结果计算训练样本集误差矩阵，包括：训练样本集输入矩阵对应的期望输出矩阵为：...

【技术保护点】

【技术特征摘要】
1.一种基于RBF神经网络的ICP-AES重叠谱线分离方法，其特征在于，所述方法包括：建立单条谱线数学模型、叠加谱线数学模型；构建正交表，构建正交特征表，根据所述正交表和所述正交特征表生成叠加谱线，并以叠加谱线若干个等间隔采样数据点光强值组成的向量作为样本输入向量，叠加谱线特征向量作为样本输出向量，生成训练、测试样本集，而后对其进行归一化处理；设计基于RBF神经网络的谱峰分离参数预测模型结构：以归一化后的所述叠加谱线样本的输入向量为RBF神经网络的输入；以所述叠加谱线的特征向量为所述RBF神经网络的输出；在所述RBF神经网络训练迭代过程中确定隐含层节点数，当满足训练条件时所述隐含层节点数被确定；设计隐含层激活函数：设计输出层任意节点的激活函数，其中k为自然数：y
k
＝W
k
*φ计算并设置所述隐含层的统一扩展常数：利用归一化的叠加谱线训练样本集，通过迭代的方式训练RBF神经网络，包括：将训练样本集输入矩阵输入所述RBF神经网络的谱峰分离参数预测模型结构中计算其模型输出，根据输出结果计算训练样本集误差矩阵，将所述误差矩阵中的误差最大值对应的训练样本作为新增隐含层神经元的径向基中心并加入所述RBF神经网络的谱峰分离参数预测模型隐含层结构中，对隐含层的径向基中心矩阵进行更新，将所述训练样本集中的所有样本重新计算其隐含层输出向量，得到新的隐含层输出矩阵，进一步得到新的输出层输出权矩阵，根据所述新的输出层输出权矩阵计算模型输出矩阵，并计算均方误差MSE，进一步根据MSE和迭代次数判断是否满足训练结束条件，如果满足则结束训练，否则令迭代次数加1并进行下一轮迭代；利用归一化的叠加谱线测试集样本测试模型后，通过谱峰分离参数预测模型求解叠加谱线特征向量将所述叠加谱线特征向量分解为多个子峰的特征向量将代入单条谱线数学模型I(λ)，从而分离出子峰谱线，实现重叠谱线的多峰分离。2.根据权利要求1所述的基于RBF神经网络的ICP-AES重叠谱线分离方法，其特征在于，包括，建立表达形式为高斯函数的单条谱线数学模型：3.根据权利要求1所述的基于RBF神经网络的ICP-AES重叠谱线分离方法，其特征在于，所述叠加谱线数学模型为：4.根据权利要求1所述的基于RBF神经网络的ICP-AES重叠谱线分离方法，其特征在于，
所述构建正交表包括：取所述特征向量中特征分量的个数m为所述正交表的列数；根据所述特征向量中特征分量的个数和各所述特征分量的水平数t得到所述正交表的行数n，n＝m(t-1)+1，其中，n满足：n＝t
u
，其中，u为以t为底数，以n为结果时，t的指数。5.根据权利要求4所述的基于RBF神经网络的ICP-AES重叠谱线分离方法，其特征在于，所述构建正交特征表包括：根据所述特征向量中各特征分量的水平数t及该特征分量的数值范围，获取所述特征向量的任一特征分量的水平向量；具体的，所述任一特征分量的水平向量都由该特征分量的数值范围内均匀分布，间距相等的t个水平数组成；以所述正交表中若干个特征分量对应列的内容作为位置索引，将各特征分量的水平向量对应填入所述正交表中，组成所述正交特征表。6.根据权利要求5所述的基于RBF神经网络的ICP-AES重叠谱线分离方法，其特征在于，根据所述叠加谱线数学模型对所述正交特征表中各特征向量生成对应的叠加谱线，并对叠加谱线的谱峰轮廓等间隔抽取若干个数据点，以其光强值所组成的向量作为样本的输入向量，以所述特征向量作为样本输出向量，生成若干组输入输出对应的样本，依据等差划分方式获得训练集样本和测试集样本。7.根据权利要求1所述的基于RBF神经网络的ICP-AES重叠谱线分离方法，其特征在于，所述迭代，包括：设置迭代计数器p＝1，初始化输出权矩阵W，将训练集样本输入矩阵X
set
＝[X1，X2，
…
，X
n
，
…
，X
N
]输入到所述RBF神经网络的谱峰分离参数预测模型结构中，其中表示第n个样本的输入向量，表示第n个样本的第i个输入节点的输入量，n为正整数；依据所述隐含层激活函数，对X
set
中任一样本的输入向量X
n
计算其隐含层输出向量得到隐含层输出矩阵，φ
set
...

【专利技术属性】
技术研发人员：廉小亲，黄静，陈彦铭，刘钰，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：