1.一种基于粒子群算法的离子淌度重叠信号峰分离方法,其特征在于包括以下步骤:
(1)获取原始离子淌度重叠信号峰的强度数据序列以及与原始离子淌度重叠信号峰的强度数据序列相对应的原始离子淌度重叠信号峰的离子淌度数据序列,采用原始离子淌度重叠信号峰的离子淌度数据序列构建训练输入数组,采用原始离子淌度重叠信号峰的强度数据序列构建训练输出数组;
(2)先构建用于辨识单个信号峰的两个高斯模型,然后基于这两个高斯模型构建离子淌度重叠信号峰辨识模型;
(3)基于训练输入数组及训练输出数组,利用粒子群算法对两个高斯模型以及离子淌度重叠信号峰辨识模型一起进行训练,得到训练好的两个高斯模型以及离子淌度重叠信号峰辨识模型;
(4)利用训练好的两个高斯模型以及离子淌度重叠信号峰辨识模型对原始离子淌度重叠信号峰进行分离,分别得到原始离子淌度重叠信号峰中两个信号峰的强度数据序列以及模拟重叠信号峰强度数据序列,完成离子淌度重叠信号峰分离;
所述的步骤(3)中基于训练输入数组及训练输出数组,利用粒子群算法对两个高斯模型以及离子淌度重叠信号峰辨识模型一起进行训练,得到训练好的两个高斯模型以及离子淌度重叠信号峰辨识模型的具体过程为:
3.1、确定第一高斯模型和第二高斯模型中a1、a2、b1、b2、c1和c2,具体步骤为:
3.1 .1、设定6个临时系数组,每个临时系数组分别包括20个临时系数,将这6个临时系数组分别记为at1、at2、bt1、bt2、ct1和ct2,将临时系数组at1中第j个临时系数记为at1(j),将临时系数组at2中第j个临时系数记为at2(j),将临时系数组bt1中第j个临时系数记为bt1(j),将临时系数组bt2中第j个临时系数记为bt2(j),将临时系数组ct1中第j个临时系数记为ct1(j),将临时系数组ct2中第j个临时系数记为ct2(j),j=1,2,…,20,采用随机函数分别对6个临时系数组中的每个临时系数进行初始化,使6个临时系数组中每个临时系数初始化为大于0且小于10的随机数;
3.1.2、基于6个临时系数组中的临时系数,建立一个系数计算模型,该系数计算模型采用式(4)表示为:
式(4)中,x(z)表示训练输入数组x中的第z个数据,gt(j,z)表示输入数据为x(z)时系数计算模型的第j个输出数据,j=1,2,…,20;
3.1.3、对z进行初始化赋值,令z=1;
3.1.4、对a1、a2、b1、b2、c1、c2进行第z次更新,具体更新过程为:
A、将x(z)、at1(j)、at2(j)、bt1(j)、bt2(j)、ct1(j)和ct2(j)的当前值代入系数计算模型中进行计算,得到gt(1,z)~gt(20,z);
B、将gt(j,z)的计算误差记为E(j,z),按照下式(5)计算gt(j,z)的计算误差E(j,z),得到E(1,z)~E(20,z):E(j,z)=(y(z)‑gt(j,z))2 (5)
其中,y(z)表示训练输出数组y中的第z个数据;
C、比较E(1,z)至E(20,z)这20个计算误差的大小,找出其中最小的计算误差,该最小的计算误差为E(Be,z);
D、对a1、a2、b1、b2、c1、c2进行第z次更新:令a1=at1(Be)、a2=at2(Be)、b1=bt1(Be)、b2=bt2(Be)、c1=ct1(Be)、c2=ct2(Be);
3.1.5对at1(j)、at2(j)、bt1(j)、bt2(j)、ct1(j)和ct2(j)的当前值进行第z次更新:采用at1(j)+0.8·(at1(Be)‑at1(j))的值更新at1(j)的当前值,采用at2(j)+0.8·(at2(Be)‑at2(j))的值更新at2(j)的当前值,采用bt1(j)+0.8·(bt1(Be)‑bt1(j))的值更新bt1(j)的当前值,采用bt2(j)+0.8·(bt2(Be)‑bt2(j))的值更新bt2(j)的当前值,采用ct1(j)+0.8·(ct1(Be)‑ct1(j))的值更新ct1(j)的当前值,采用ct2(j)+0.8·(ct2(Be)‑ct2(j))的值更新ct2(j)的当前值;上述更新过程中,每次计算时参与运算的各参数均为其计算当前的最新值;
3.1 .6判断z的当前值是否等于n,如果等于n,则第n次更新后的a1、a2、b1、b2、c1、c2即为第一高斯模型、第二高斯模型和离子淌度重叠信号峰辨识模型的各项系数,将第n次更新后的a1、a2、b1、b2、c1、c2分别对应代入第一高斯模型、第二高斯模型和离子淌度重叠信号峰辨识模型的表达式中,得到训练后的第一高斯模型、第二高斯模型和离子淌度重叠信号峰辨识模型;如果不等于n,则采用z的当前值加1后的值去更新z的当前值,然后返回步骤3.1.4对系数a1、a2、b1、b2、c1、c2进行下一次更新,直至z的当前值等于n。
2.根据权利要求1所述的一种基于粒子群算法的离子淌度重叠信号峰分离方法,其特征在于所述的步骤(1)中获取原始离子淌度重叠信号峰的强度数据序列及与原始离子淌度重叠信号峰的强度数据序列相对应的原始离子淌度重叠信号峰的离子淌度数据序列,采用原始离子淌度重叠信号峰的离子淌度数据序列构建训练输入数组,采用原始离子淌度重叠信号峰的强度数据序列构建训练输出数组的具体步骤为:
1 .1、将Agilent 6560IM‑QTOF离子淌度‑四极杆/飞行时间质谱仪作为实验平台,将原始离子淌度重叠信号峰输入实验平台中,通过实验平台依次获取原始离子淌度重叠信号峰的n个强度数据以及与这n个强度数据对应的n个离子淌度数据,n为大于等于1000且小于10000的整数,采用这n个强度数据构成原始离子淌度重叠信号峰的强度数据序列,采用这n个离子淌度数据构成原始离子淌度重叠信号峰对应的离子淌度数据序列;将原始离子淌度重叠信号峰的强度数据序列中第i个强度数据记为y(i),原始离子淌度重叠信号峰的离子淌度数据序列中第i个离子淌度数据记为x(i),x(i)为y(i)对应的离子淌度数据,i=1,2,…,n;
1.2、采用原始离子淌度重叠信号峰的离子淌度数据序列构建训练输入数组,采用原始离子淌度重叠信号峰的强度数据序列构建训练输出数组,将训练输入数组记为x,将训练输出数组记为y,其中训练输入数组x中第i个数据为x(i),训练输出数组y中的第i个数据为y(i)。
3.根据权利要求2所述的一种基于粒子群算法的离子淌度重叠信号峰分离方法,其特征在于所述的步骤(2)中构建的两个高斯模型分别称为第一高斯模型和第二高斯模型,所述的第一高斯模型采用式(1)进行表示,所述的第二高斯模型采用式(2)进行表示,所述的离子淌度重叠信号峰辨识模型采用式(3)进行表示,如下所示:式(1)、式(2)和式(3)中,g1(i)表示当输入数据为x(i)时第一高斯模型的输出值,a1为第一高斯模型的信号强度比例系数,b1为第一高斯模型的期望值系数,c1为第一高斯模型的标准差系数,g2(i)表示当输入数据为x(i)时第二高斯模型的输出值,a2为第二高斯模型的信号强度比例系数,b2为第二高斯模型的期望值系数,c2为第二高斯模型的标准差系数,g(i)表示当输入数据为x(i)时离子淌度重叠信号峰辨识模型的输出值,e为自然常数,“·”为乘运算符号。
4.根据权利要求1所述的一种基于粒子群算法的离子淌度重叠信号峰分离方法,其特征在于所述的步骤(4)中利用训练好的两个高斯模型以及离子淌度重叠信号峰辨识模型对原始离子淌度重叠信号峰进行分离,分别得到原始离子淌度重叠信号峰中两个信号峰的强度数据序列以及模拟重叠信号峰强度数据序列,完成离子淌度重叠信号峰分离的具体步骤为:
4.1、将x(1)~x(n)分别代入训练好的第一高斯模型,计算得到g1(1)~g1(n),g1(1)~g1(n)即为离子淌度重叠信号峰中第一个信号峰的强度数据序列;
4.2、将x(1)~x(n)分别代入训练好的第二高斯模型,计算得到g2(1)~g2(n),g2(1)~g2(n)即为离子淌度重叠信号峰中第二个信号峰的强度数据序列;
4.3、将x(1)~x(n)分别代入训练好的离子淌度重叠信号峰辨识模型,计算得到g(1)~g(n),g(1)~g(n)即为模拟重叠信号峰强度数据序列。