欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020104799555
申请人: 南京林业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种X射线荧光光谱重叠峰分解方法,其特征在于:包括:步骤1:利用蒙特卡洛法生成仿真光谱,计算各元素特征峰的强度占所有元素特征峰强度之和的比值,构建仿真光谱库,作为神经网络训练和测试数据库;

步骤2:构建三层BP神经网络;

步骤3:构建递阶遗传算法,递阶遗传算法中的染色体包含控制基因和参数基因;

控制基因采用二进制编码,每个控制基因对应一个隐藏层单元,即控制基因长度为隐藏层单元数n;

参数基因采用实数编码,每个参数基因表示对应隐藏层单元所连接的输入层到隐藏层和隐藏层到输出层的权值和偏置;

步骤4:采用递阶遗传算法优化神经网络,获得神经网络最优初始连接权值和偏置;

步骤5:利用训练样本训练遗传算法优化后的神经网络,训练样本的输入向量为光谱在各通道的计数值或计数率,期望输出向量为元素特征峰的强度与所有元素特征峰强度之和的比值;

步骤6:利用训练好的神经网络对需要进行元素分析的光谱数据进行特定元素峰强度预测,实现元素的定量分析。

2.根据权利要求1所述的X射线荧光光谱重叠峰分解方法,其特征在于:所述的步骤1中的仿真光谱为EDXRF仿真光谱。

3.根据权利要求2所述的X射线荧光光谱重叠峰分解方法,其特征在于:所述的步骤2具体步骤包括:设计三层BP神经网络:

T

第一层为输入层,源节点个数设为光谱长度m,光谱设为X=(x1,x2,…,xm) ,将光谱各通道计数值输入光谱;

第二层为隐藏层,该层节点数设为n,隐藏层采用双正切函数作为激活函数,隐藏层输T出向量记为Y=(y1,y2,…,yn) ,则隐藏层第j个节点的输出为:其中,wi,j为连接第i个输入层单元到第j个隐藏层单元的权重,bj为隐藏层第j个单元的偏置;

第三层为输出层,节点数量设置为需要测量特定元素的特征峰的数量q,激活函数采用softmax函数,softmax函数将输出层各单元输出映射到(0,1),各单元输出表示所测各元素特征峰强度占所有元素特征峰强度之和的比值,输出层各单元输出总和为1;输出层第k个节点的输入为:其中w’j,k为连接隐藏层第j个单元到输出层第k个单元的权重,b’k为输出层第k个单元的偏置;则第k个节点的输出,即某特征峰强度占所有元素特征峰强度之和的比重为:神经网络进行有监督学习,训练神经网络的样本为光谱向量和光谱中各特征峰强度与总强度之比构成的向量。

4.根据权利要求3所述的X射线荧光光谱重叠峰分解方法,其特征在于:所述参数基因的长度为:m*n+n*q+n+q。

5.根据权利要求3所述的X射线荧光光谱重叠峰分解方法,其特征在于:所述的步骤4具体步骤包括:(4.1)、初始化群体,根据步骤3所确定的染色体结构及编码形式,随机产生P个个体;

(4.2)、根据群体参数,解码得到不同神经网络的权值和偏置;

利用训练样本分别训练P个神经网络,并利用测试样本对P个神经网络分别进行评估,得到P个神经网络的输出误差;

(4.3)、计算适应度函数,将第i个个体的适应度函数定义为:其中S为样本数量,os,k为第s个样本作为输入时第k个输出单元的输出,os,k’为对应的期望输出,q为输出层节点数;

(4.4)、遗传操作:

(4.4.1)、选择:

第i个个体被选择的概率为:

其中∑fi为群体的个体适应度总和;采用赌轮选择机制,先计算当前群体中每个个体的的被选择概率,即ps1,ps2,…,psP,之后产生一个[0,1]内的随机数r,如果ps1+ps2+...+ps(i‑1)<r≤ps1+ps2+...+psi,则第i个个体被选择到配对库,否则不选择;

(4.4.2)、交叉和变异得到新群体:

对控制基因和参数基因采用单点交叉,交叉概率在0.5~0.7之间选取;

控制基因直接将变异位的0与1互换;

参数基因采用柯西变异,即将参数基因中任意一个需要编译的实数ci变换为:ci=ci+δi,i=1,2,…,n;

式中,δi为服从规模参数t=1的柯西分布的随机变量,柯西分布密度函数为:(4.5)、判断遗传算法是否停止:

当满足下面两个终止条件之一时遗传算法停止运算:(4.5.1)完成了预先给定的进化代数;

(4.5.2)种群中的最优个体在连续若干代没有改进或平均适应度在连续若干代基本没有改进;

当满足终止条件时,从最后一代获取最优个体,跳转到步骤(4.6),当不满足终止条件时,回到步骤(4.2)重新计算;

(4.6)、从最优个体中提取神经网络最优初始连接权值和偏置。

6.根据权利要求5所述的X射线荧光光谱重叠峰分解方法,其特征在于:所述的步骤6具体步骤包括:(6.1)利用训练好的神经网络对需要进行元素分析的光谱数据进行预测,得到神经网络预测的各元素特征峰的强度占所有元素特征峰强度之和的比值;

对光谱数据进行积分后获得所有元素特征峰强度之和,用所有元素特征峰强度之和乘以神经网络预测的各元素特征峰的强度占所有元素特征峰强度之和的比值,即可获得各元素特征峰强度;

(6.2)定性定量分析:根据事先已知的标准样品的元素含量和元素特征峰强度关系,利用最小二乘法得到元素特征峰强度和元素含量校准曲线,表达式为:C=D+EI;

其中C为元素含量,D为截距,E为斜率,I为元素强度;将步骤(6.1)得到的元素特征峰强度带入公式,可得该元素的含量,实现元素的定量分析。