基于可调参Softplus函数神经网络的LIBS定量探测方法技术

本发明专利技术涉及激光光谱探测技术领域，公开了一种基于可调参Softplus函数神经网络的LIBS定量探测方法，包括：准备训练集探测样品和测试集探测样品；采集所有探测样品的LIBS光谱；对采集到的光谱进行预处理；构建机器学习BPNN模型；训练BPNN模型，评价训练与测试效果；调节优化BPNN模型的网络参数，最终完成BPNN模型的网络构建；输入未知样品的LIBS光谱，定量分析该样品中的化学成分含量。本发明专利技术所使用的可调参Softplus激活函数能使BPNN模型在LIBS分析中收敛更快速、预测更准确，对于光谱探测技术领域具有重要价值。

【技术实现步骤摘要】

本专利技术涉及激光光谱探测，具体而言是一种基于可调参softplus函数神经网络的libs定量探测方法。

技术介绍

1、激光诱导击穿光谱(laser-induced breakdown spectroscopy, libs)是一种基于激光等离子体辐射的化学元素探测方法。由于具备探测速度快、不限探测样品物态、可多元素同时探测、可远程探测等优点，libs被广泛应用于环境监测、工业质检、生物医疗、深空探测等多个涉及物质化学成分探测的
目前libs在物质成分的定性分析上已相对较为成熟，但是要实现准确的libs定量分析仍然具有很大的挑战性。这是因为libs探测会受到物理/化学基体效应、自吸收效应、实验参数波动等因素的影响，实验测得的libs谱线强度和化学成分含量之间并非理论上的线性关系，而是往往会呈现非线性关系。

2、传统的libs光谱定量分析方法主要是依赖于经典统计学的线性方法，包括定标曲线法、多元线性回归法、主成分回归法、偏最小二乘法等。这些传统线性方法的缺点主要体现在以下两个方面：

3、一、传统线性定量分析方法完全依赖于等离子体本文档来自技高网...

【技术保护点】

1.一种基于可调参Softplus函数神经网络的LIBS定量探测方法，其特征在于，包含以下步骤：

2.根据权利要求1所述的一种基于可调参Softplus函数神经网络的LIBS定量探测方法，其特征在于，所述步骤1还包括：通过标准物质认定证书查询所有探测样品中待测化学物质成分的含量，并制作样品的化学物质成分表。

3.根据权利要求1所述的一种基于可调参Softplus函数神经网络的LIBS定量探测方法，其特征在于，所述步骤3中对采集到的光谱进行预处理包括暗背景去除、像元波长转换、无效像元筛除、不同光谱通道拼接中的一种或多种。

4.根据权利要求1所述的一种基于...

【技术特征摘要】

1.一种基于可调参softplus函数神经网络的libs定量探测方法，其特征在于，包含以下步骤：

2.根据权利要求1所述的一种基于可调参softplus函数神经网络的libs定量探测方法，其特征在于，所述步骤1还包括：通过标准物质认定证书查询所有探测样品中待测化学物质成分的含量，并制作样品的化学物质成分表。

3.根据权利要求1所述的一种基于可调参softplus函数神经网络的libs定量探测方法，其特征在于，所述步骤3中对采集到的光谱进行预处理包括暗背景去除、像元波长转换、无效像元筛除、不同光谱通道拼接中的一种或多种。

4.根据权利要求1所述的一种基于可调参softplus函数神经网络的libs定量探测方法，其特征在于，所述步骤4中bpnn模型的结构设计如下：

5.根据权利要求1所述的一种基于可调参softplus函数神经网络的libs定量探测方法，其特征在于，所述步骤5中整个bpnn模型的权值迭代优化器算法采用adam算法；用二元交叉熵作为bpnn模型的损失函数，衡量训练数据与真实数据之间的差异，从而评估模型的准确度。

6.根据权利要求1所述的一种基于可调参softplus函数神经网络的libs定量探测方法，其特征在于，所述步骤5中bpnn模型的输入和输出信号分别为：对于训练过程，输入是训练集样品的libs光谱强度信号以及每个光谱对应的化学物质成分含量的真实值，输出是训练集样品的化学物质...

【专利技术属性】
技术研发人员：舒嵘，刘子怡，李鲁宁，崔志成，徐卫明，许学森，
申请(专利权)人：国科大杭州高等研究院，
类型：发明
国别省市：