一种基于XRF-EGAN模型的土壤XRF谱图本底扣除方法技术

本发明专利技术涉及XRF光谱分析领域，公开了一种基于XRF

【技术实现步骤摘要】
一种基于XRF
‑
EGAN模型的土壤XRF谱图本底扣除方法


[0001]本专利技术涉及XRF光谱本底扣除领域，特别涉及基于XRF
‑
EGAN深度网络模型的XRF光谱本底扣除方法。

技术介绍

[0002]土壤XRF光谱本底扣除方法种类繁多，如小波变换、傅立叶变换、削峰法、多项式拟合等。在实际应用中，采用土壤XRF光谱对土壤中包含的元素含量进行定量分析前，需要采用本底扣除方法对XRF谱图的本底噪声进行基线校准，使元素的含量分析更加准确。传统的本底扣除方法在土壤XRF光谱基线校准的准确率仍有待提高，且传统方法鲁棒性和自适应能力较弱。深度神经网络技术的发展及卷积神经网络的强鲁棒性和自适应能力等特点，为土壤XRF光谱本底扣除提供一种全新的实现方法。
[0003]生成对抗神经网络(GAN)是一种通过对抗训练学习的神经网络模型，相较于其他的神经网络结构，GAN具有多个特点：(1)GAN模型由生成器和判别器构成，且生成器和判别器可以由不同的网络层构成，具有较高的灵活性。(2)GAN采用对抗训练学习，GAN模型的生成器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于XRF
‑
EGAN模型的土壤XRF本底扣除方法，其特征在于，基于GAN模型的设计模式，采用一维全卷积网络层和残差连接，构建模型的生成器，采用一维卷积和全连接层构建模型的判别器，并采用对抗训练模式训练XRF
‑
EGAN模型，进而获得训练好的生成器和判别器，且生成器是土壤XRF本底扣除模型，进而提高土壤XRF的元素净峰面积和含量之间的相关性。2.根据权利要求1所述的基于XRF
‑
EGAN模型的土壤XRF本底扣除方法，其特征在于，通过对抗训练XRF
‑
EGAN模型获得训练优化后的生成器，并将生成器用于土壤XRF光谱本底扣除任务中，XRF
‑
EGAN模型除了能够应用于土壤XRF光谱，还可以应用于包括合金XRF光谱、谱图合金XRF光谱采用XRF荧光分析仪获得的XRF光谱数据。3.根据权利要求1所述的基于XRF
‑
EGAN模型的土壤XRF本底扣除方法，其特征在于，包括以下步骤：步骤1：采用XRF荧光分析仪采集土样样品的XRF光谱数据，并通过人工手动将样品的XRF光谱数据的本底进行扣除，最终获得未进行本底扣除前的土壤XRF光谱数据Data
noisy
和不含本底的土壤XRF光谱数据Data
clean
；步骤2：通过采集的Data
noisy
数据和Data
clean
数据训练XRF
‑
EGAN神经网络模型，并将完成训练后最优的XRF
‑
EGAN模型的生成器的网络模型参数保存下来；步骤3：加载XRF
‑
EGAN的生成器网络模型，对采用XRF荧光分析仪测量的新的土壤XRF光谱数据，利用XRF
‑
EGAN的生成器网络进行XRF光谱本底扣除，并获得本底扣除后的输出。4.根据权利要求3所述的基于XRF
‑
EGAN模型的土壤XRF本底扣除方法，其特征在于，步骤2的XRF
‑
EGAN神经网络模型生成器训练采用的损失函数表达式如下：式中z∈R1×
1024
表示服从标准正态分布的噪声；x表示输入的含有本底的XRF光谱数据；G表示生成器；G(z,x)表示将z和x输入到生成器中获得的输出，即XRF本底扣除的输出结果；D表示判别器；(D(G(z,x))
‑
1)2表示判别器输出与1的均方误差；x
c
表示不含本底的XRF光谱数据；|| ||1...

【专利技术属性】
技术研发人员：赵彦春，李福生，王欣然，张焕龙，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：