基于SSA-BP神经网络的XRF元素定量分析方法技术

本发明专利技术提供的基于SSA

【技术实现步骤摘要】
基于SSA
‑
BP神经网络的XRF元素定量分析方法


[0001]本专利技术属于X荧光光谱元素检测
，具体涉及基于SSA
‑
BP神经网络的XRF元素定量分析方法。

技术介绍

[0002]基于X射线荧光(X
‑
ray fluorescence spectrometry，XRF)光谱对物质所含元素进行定量分析是一种新型的元素检测技术，该方法因其具有精度高、价格低、速度快、环境友好、非破坏性、操作简便安全等优点，广泛应用于土壤、矿石、药材等所含元素的检验。
[0003]在此之前，研究者通过XRF光谱仪对元素进行定量分析时，易出现元素之间相互干扰，元素峰计数与元素含量间的关联复杂，检测精度有限等问题，传统X荧光光谱仪因数据缺乏准确度会对元素含量检测产生不利影响。因此需要在元素之间相互干扰的情况下，提供一种高精度的元素定量分析方法。

技术实现思路

[0004]针对上述现有技术存在的问题，本专利技术提出基于SSA
‑
BP神经网络的XRF元素定量分析方法，采用麻雀搜索算法(SSA)优化反向传播(BP)神经网络算法，以提高元素定量预测的精度和稳定性。
[0005]本专利技术所采用的技术方案如下：
[0006]基于SSA
‑
BP神经网络的XRF元素定量分析方法，其特征在于，包括以下步骤：
[0007]步骤1：对n个目标样本，测得待测元素的峰值数据和含量数据，以及待测元素对应的m
‑/>1个干扰元素的峰值数据；其中，n>>m；
[0008]步骤2：构建BP神经网络，包括结点数目为a的输入层、结点数目为b的输出层和结点数目为h的隐藏层；其中，a＝m，b＝1，h由经验公式决定；
[0009]步骤3：确定BP神经网络的输入和输出：
[0010]以目标样本的个数n为行，各目标样本中待测元素和干扰元素共计m个的峰值数据为列，构建矩阵X
nm
作为BP神经网络的输入；由各目标样本中待测元素的含量数据构成的列向量Y
n
作为BP神经网络的输出；
[0011]步骤4：令K＝1；
[0012]步骤5：选定测试集和训练集：
[0013]取矩阵X
nm
的第K行行向量X'，以及列向量Y
n
的第K行元素Y'，作为测试集；取矩阵X
nm
除第K行行向量外的其余n
‑
1行所构成的矩阵X”，以及列向量Y
n
除第K行元素外的其余n
‑
1行所构成的列向量Y”，作为训练集；
[0014]步骤6：对测试集和训练集进行数据归一化；
[0015]步骤7：构建SSA由U行麻雀种群组成的初始麻雀种群矩阵P，
[0016][0017]其中，dim＝a
·
h+h+h
·
b+b，即各行麻雀种群包括依次的a
·
h个代表输入层与隐藏层连接的权值的麻雀个体，h个代表隐藏层神经元阈值的麻雀个体，h
·
b个代表隐藏层与输出层连接的权值的麻雀个体，以及b个代表输出层神经元阈值的麻雀个体；p
uv
,u＝1,...,U,v＝1,...,dim为初始麻雀种群矩阵P中第u行、第v列的麻雀个体，取值为[
‑
q,q]间的随机数，2≤p≤5；
[0018]步骤8：将第u行麻雀种群作为BP神经网络的权值和阀值，采用经归一化后的训练集对BP神经网络进行训练，获得初步训练完成的BP神经网络；
[0019]基于初步训练完成的BP神经网络，预测经归一化后的测试集中矩阵对应的元素含量，输出的预测值经反归一化后为s'
u
,u＝1,...,U，求得s'
u
,u＝1,...,U与测试集中y
K
'的差值y
K
'
‑
s'
u
,u＝1,...,U；预测经归一化后的训练集中矩阵各行对应的元素含量，输出的预测值经反归一化后为s”iu
,i＝1,...,n,且i≠K,u＝1,...,U，求得s”iu
,i＝1,...,n,且i≠K,u＝1,...,U与训练集中列向量Y”对应行元素y”i
,i＝1,...,n,且i≠K的差值y”i
‑
s”iu
,i＝1,...,n,且i≠K,u＝1,...,U；
[0020]进而，计算第u行麻雀种群作为BP神经网络的权值和阀值时对应的适应度函数f
u
,u＝1,...,U，数值为训练集均方误差与测试集均方误差之和的平均值：
[0021][0022]获得适应度函数的集合F：
[0023][0024]步骤9：基于SSA算法对初始麻雀种群矩阵P进行N次迭代，并记录每次迭代对应的适应度函数的集合F；N次迭代完成后选择适应度函数的集合F中数值最低的适应度函数f
min
，将其对应的一行麻雀种群作为BP神经网络的权值和阀值；
[0025]步骤10：采用经归一化后的训练集对步骤9所得BP神经网络进行训练，获得最终训练完成的BP神经网络；基于最终训练完成的BP神经网络，对经归一化后的测试集进行预测，获得并记录第K个目标样本中待测元素的含量预测值；
[0026]步骤11：判断K是否等于n，若是，转入步骤12；否则，令K＝K+1，转回步骤5；
[0027]步骤12：对记录的各目标样本中待测元素的含量预测值进行反归一化处理，与对应目标样本中待测元素的含量数据进行对比，求取决定系数R2，体现回归线与观测值的拟合程度，以评价基于SSA算法优化BP神经网络的预测效果；具体为
[0028][0029][0030]其中，y
h
为第h个目标样本中待测元素的含量数据；为经反归一化处理后的第h个目标样本中待测元素的含量预测值；为所有目标样本中待测元素的含量真实值的平均值。
[0031]进一步地，步骤1中通过ED
‑
XRF荧光光谱仪(能量色散型X射线荧光光谱仪)测得待测元素的峰值数据和含量数据，以及待测元素对应的干扰元素的峰值数据。
[0032]进一步地，步骤2中隐藏层的结点数目h受到如下经验公式约束：
[0033][0034]其中，c为1到10的调节常数。
[0035]进一步地，步骤5中所述行向量X'、元素Y'、矩阵X”和列向量Y”分别为：
[0036]X'＝[x'
K1 x'
K2
ꢀ…ꢀ
x'
Km
]ꢀꢀ
(6)
[0037]Y'＝[y
K
']ꢀꢀ
(7)
[0038][0039][0040]其中，x'
Kj
,j＝1,...,m为第K个目标样本中的峰本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SSA
‑
BP神经网络的XRF元素定量分析方法，其特征在于，包括以下步骤：步骤1：对n个目标样本，测得待测元素的峰值数据和含量数据，以及待测元素对应的m
‑
1个干扰元素的峰值数据；其中，n>>m；步骤2：构建BP神经网络，包括结点数目为a的输入层、结点数目为b的输出层和结点数目为h的隐藏层；其中，a＝m，b＝1，h由经验公式决定；步骤3：以目标样本的个数n为行，各目标样本中待测元素和干扰元素共计m个的峰值数据为列，构建矩阵X
nm
作为BP神经网络的输入；由各目标样本中待测元素的含量数据构成的列向量Y
n
作为BP神经网络的输出；步骤4：令K＝1；步骤5：取矩阵X
nm
的第K行行向量X'，以及列向量Y
n
的第K行元素Y'，作为测试集；取矩阵X
nm
除第K行行向量外的其余n
‑
1行所构成的矩阵X”，以及列向量Y
n
除第K行元素外的其余n
‑
1行所构成的列向量Y”，作为训练集；步骤6：对测试集和训练集进行数据归一化；步骤7：构建SSA由U行麻雀种群组成的初始麻雀种群矩阵P，其中，dim＝a
·
h+h+h
·
b+b；p
uv
,u＝1,...,U,v＝1,...,dim为初始麻雀种群矩阵P中第u行、第v列的麻雀个体，取值为[
‑
q,q]间的随机数，2≤p≤5；步骤8：将第u行麻雀种群作为BP神经网络的权值和阀值，采用经归一化后的训练集对BP神经网络进行训练，获得初步训练完成的BP神经网络；基于初步训练完成的BP神经网络，预测经归一化后的测试集中矩阵对应的元素含量，输出的预测值经反归一化后为s'
u
,u＝1,...,U，求得s'
u
,u＝1,...,U与测试集中y
K
'的差值y
K
'
‑
s'
u
,u＝1,...,U；预测经归一化后的训练集中矩阵各行对应的元素含量，输出的预测值经反归一化后为s
″
iu
,i＝1,...,n,且i≠K,u＝1,...,U，求得s
″
iu
,i＝1,...,n,且i≠K,u＝1,...,U与训练集中列向量Y”对应行元素y
″
i
,i＝1,...,n,且i≠K的差值y
″
i
‑
s
″
iu
,i＝1,...,n,且i≠K,u＝1,...,U；进而，计算第u行麻雀种群对应的适应度函数f
u
,u＝1,...,U：获得适应度函数的集合F：步骤9：基于SSA算法对初始麻雀种群矩阵P进行N次迭代，并记录每次迭代对应的适应
度函数的集合F；N次迭代完成后选择适应度函数的集合F中数值最低的适应度函数f
min
，将其对应的一行麻雀种群作为BP神经网络的权值和阀值；其中，N不低于20；步骤10：采用经归一化后的训练集对步骤9所得BP神经网络进行训练，获得最终训练完成的BP神经网络；基于最终训练完成的BP神经网络，对经归一化后的测试集进行预测，获得并记录第K个目标样本中待测元素的含量预测值；步骤11：判断K是否等于n，若是，转入步骤12；否则，令K＝K+1，转回步骤5；步骤12：对记录的各目标样本中待测元素的含量预测值进行反归一化处理，与对应目标样本中待测元素的含量数据进行对比，求取决定系数R2：：其中，y
h
为第h个目标样本中待测元素的含量数据；为经反归一化处理后的第h个目标样本中待测元素的含量预测值；为所有目标样本中待测元素的含量真实值的平均值。2.根据权利要求1所述基于SSA
‑
BP神经网络的XRF元素定量分析方法，其特征在于，步骤1中通过ED
‑
XRF荧光光谱仪测得待测元素的峰值数据和含量数据，以及待测元素对应的干扰元素的峰值数据。3.根据权利要求1所述基于SSA
‑
BP神经网络的XRF元素定量分析方法，其特征在于，步骤2中隐藏层的结点数目h受到如下经验公式约束：其中，c为1到10的调节常数。4.根据权利要求1所述基于SSA
‑
BP神经网络的XRF元素定量分析方法，其特征在于，步骤5中所述行向量X'、元素Y'、矩阵X”和列向量Y”分别为：X'＝[x'
K1 x'
K2
…
x'
Km
]
ꢀꢀ<...

【专利技术属性】
技术研发人员：李福生，杨飔源，杨婉琪，赵彦春，鲁欣，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：