基于Tent混沌映射优化BP神经网络的XRF元素定量分析方法技术

本发明专利技术公开了一种基于Tent混沌映射优化BP神经网络的XRF元素定量分析方法，该方法过采用SSA算法优化了BP神经网络初始的权值和阈值，使得优化后的BP神经网络在进行训练时能取得更佳的训练效果。相比于传统方法直接使用神经网络进行元素定量分析时出现的精度较低且预测结果不稳定等问题，本发明专利技术提高预测精度和稳定性；本发明专利技术流程简明，便于操作，可以高准确率地拟合出元素组分值与元素含量的复杂关联，简便有效地对待测物所含元素进行定量预测。简便有效地对待测物所含元素进行定量预测。简便有效地对待测物所含元素进行定量预测。

【技术实现步骤摘要】
基于Tent混沌映射优化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Tent混沌映射优化BP神经网络的XRF元素定量分析方法。

技术介绍

[0002]基于XRF(X
‑
ray fluorescence spectrometry，即X射线荧光)光谱对样本中的元素含量进行定量分析是能谱科学研究发展的产物，该方法以高精度、高速度、环境友好著称，在检验土壤、药材等的元素含量时颇为常见。然而，根据X射线荧光光谱反演出样本中的各元素含量并非易事，不同元素的相互干扰更是加剧了困难程度。
[0003]为了克服存在的峰计数与含量关联复杂，元素之间相互干扰等问题，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Tent混沌映射优化BP神经网络的XRF元素定量分析方法，采用基于现有的Tent混沌映射的麻雀搜索算法(SSA)优化反向传播(BP)神经网络算法，以提高元素定量预测的准确度。
[0005]本专利技术提出了一种基于Tent混沌映射优化BP神经网络的XRF元素定量分析方法，该方法包括以下步骤：
[0006]步骤1：对获取的n个目标样本中的每个目标样本，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且n,m为正整数；
[0007]步骤2：划分测试集和训练集，将n个目标样本中随机排列的前k个目标样本对应的待测元素的峰值数据和含量数据作为训练集，其中待测元素的峰值数据以及待测元素对应的m
‑
1个干扰元素的峰值数据为BP神经网络的训练集输入，待测元素的含量数据为BP神经网络的训练集输出，将n个目标样本中随机排列的后n
‑
k个目标样本对应的待测元素的峰值数据和含量数据作为测试集，其中待测元素的峰值数据以及待测元素对应的m
‑
1个干扰元素的峰值数据为BP神经网络的测试集输入，待测元素的含量数据为BP神经网络的测试集输出；其中，k>n
‑
k且k＜n/2，k为正整数；
[0008]步骤3：构建BP神经网络，该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受到如下经验公式约束：
[0009][0010]其中，c为[1,10]的调节常数；
[0011]步骤4：对训练集和测试集进行数据归一化；
[0012]步骤5：通过Tent混沌映射生成矩阵X：
[0013]首先生成矩阵P，矩阵P即初始麻雀种群矩阵：
[0014][0015]其中，dim＝a
·
h+h+h
·
b+b，各行麻雀种群(麻雀优化算法是根据自然界中麻雀群体行为创立的优化算法，需要生成一个矩阵，即矩阵P初始麻雀种群矩阵，矩阵P的一行为一个麻雀种群)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，p
uv
的取值为[0,1]间的随机数，而后采用公式(3)和(4)对矩阵P中每个元素(即麻雀个体)进行Tent混沌映射：
[0016][0017][0018]x
uv
是经过Tent混沌映射后的麻雀个体、boundary是一个预设的阈值，lb表示boundary的取值区间下限，ub表示boundary的取值区间的上限。
[0019]其中0＜α＜1,且α≠0.5，boundary的取值区间为boundary∈[3,5]；
[0020]由此得到矩阵X：
[0021][0022]步骤6：将矩阵X中第u行麻雀种群中的dim个麻雀个体(这里的麻雀种群指矩阵X的一行)依照预设规则作为BP神经网络的权值和阈值(权值、阈值均为BP神经网络的参数，权值和阈值共dim个取值；第u行麻雀种群包dim个值，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，共dim个)，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；
[0023]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对应的待测元素的峰值数据，输出经归一化后的测试集中对应的待测元素的峰值数据的含量预测值经反归一化后为s
′
iu
,i＝k+1,...,n,u＝1,...,U，求得s
′
iu
,i＝k+1,...,n,u＝1,...,U与经归一化后的测试集中对应的待测元素的含量数据(即测试集输出)y
′
i
,i＝k+1,...,n的差值y
′
i
‑
s
′
iu
,i＝k+1,...,n,u＝1,...,U；预测经归一化后的训练集中对应的待测元素的峰值数据，输出经归一化后的训练集中对应的待测元素的峰值数据的的含量预测值经反归一化后为
s
″
i
′
u
,i
′
＝1,...,k,u＝1,...,U，求得s
″
i
′
u
,i
′
＝1,...,k,u＝1,...,U与即经归一化后的训练集中对应的待测元素的含量数据(即训练集输出)y
″
i
′
,i
′
＝1,...,k的差值y
″
i
′
‑
s
″
i
′
u
,i
′
＝1,...,k,u＝1,...,U；
[0024]进而，计算矩阵X中的第u行麻雀种群对应的适应度f
u
[x
u1 x
u2
ꢀ…ꢀ
x
udim
]，u＝1,...,U：
[0025][0026]获得适应度集合F：
[0027][0028]步骤7：基于SSA算法对矩阵X进行N次迭代，并记录每次迭代对应的适应度集合F；N次迭代完成后选择适应度集合F中数值最低的适应度f
min
，将其对应的一行麻雀种群中的麻雀个体作为初步训练完成的BP神经网络的权值和阈值(矩阵X中任意第u行麻雀种群是dim个值，包括依次的a
·
h个代表输入层与隐藏层连本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Tent混沌映射优化BP神经网络的XRF元素定量分析方法，其特征在于，该方法包括以下步骤：步骤1：对获取的n个目标样本中的每个目标样本，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且n,m为正整数；步骤2：划分测试集和训练集，将n个目标样本中随机排列的前k个目标样本对应的待测元素的峰值数据和含量数据作为训练集，其中待测元素的峰值数据以及待测元素对应的m
‑
1个干扰元素的峰值数据为BP神经网络的训练集输入，待测元素的含量数据为BP神经网络的训练集输出，将n个目标样本中随机排列的后n
‑
k个目标样本对应的待测元素的峰值数据和含量数据作为测试集，其中待测元素的峰值数据以及待测元素对应的m
‑
1个干扰元素的峰值数据为BP神经网络的测试集输入，待测元素的含量数据为BP神经网络的测试集输出；其中，k>n
‑
k且k＜n/2，k为正整数；步骤3：构建BP神经网络，该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受到如下经验公式约束：其中，c为[1,10]的调节常数；步骤4：对训练集和测试集进行数据归一化；步骤5：通过Tent混沌映射生成矩阵X：首先生成初始麻雀种群矩阵P：其中，dim＝a
·
h+h+h
·
b+b，各行麻雀种群依次包括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，p
uv
的取值为[0,1]间的随机数，而后采用公式(3)和(4)对矩阵P中每个元素，即麻雀个体进行Tent混沌映射：个元素，即麻雀个体进行Tent混沌映射：x
uv
是经过Tent混沌映射后的麻雀个体、boundary是一个预设的阈值，lb表示boundary的取值区间下限，ub表示boundary的取值区间的上限；其中0＜α＜1,且α≠0.5，boundary的取值区间为boundary∈[3,5]；
由此得到矩阵X：步骤6：将矩阵X中第u行麻雀种群中的dim个麻雀个体依照预设规则作为BP神经网络的权值和阈值，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对应的待测元素的峰值数据，输出经归一化后的测试集中对应的待测元素的峰值数据的含量预测值经反归一化后为s
′
iu
,i＝k+1,...,n,u＝1,...,U，求得s
′
iu
,i＝k+1,...,n,u＝1,...,U与经归一化后的测试集中对应的待测元素的含量数据y
′
i
,i＝k+1,...,n的差值y
′
i
‑
s
′
iu
,i＝k+1,...,n,u＝1,...,U；预测经归一化后的训练集中对应的待测元素的峰值数据，输出经归一化后的训练集中对应的待测元素的峰值数据的的含量预测值经反归一化后为s
″
i
′
u
,i
′
＝1,...,k,u＝1,...,U，求得s
″
i
′
u
,i
′
＝1,...,k,u＝1,...,U与经归一化后的训练集中对应的待测元素的含量数据y
″
i
′
,i
′
＝1,...,k的差值y
″
i
′
‑
s
″
i
′
u
,i
′
＝1,...,k,u＝1,...,U；进而，计算矩阵X中的第u行麻雀种群对应的适应度f
u
[x
u1 x
u2
...

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