1.一种基于RBF神经网络的ICP‑AES重叠谱线分离方法,其特征在于,所述方法包括:建立单条谱线数学模型、叠加谱线数学模型;
构建正交表,构建正交特征表,根据所述正交表和所述正交特征表生成叠加谱线,并以叠加谱线若干个等间隔采样数据点光强值组成的向量作为样本输入向量,叠加谱线特征向量作为样本输出向量,生成训练、测试样本集,而后对其进行归一化处理;
设计基于RBF神经网络的谱峰分离参数预测模型结构:以归一化后的叠加谱线样本的输入向量为RBF神经网络的输入;以所述叠加谱线的特征向量 为所述RBF神经网络的输出;在所述RBF神经网络训练迭代过程中确定隐含层节点数,当满足训练条件时所述隐含层节点数被确定;设计隐含层激活函数:j j
其中,C表示第j个隐含层神经元的径向基函数中心矢量,||X‑C||表示输入向量X与中j心矢量C 之间的欧氏距离,bj表示第j个隐层神经元的扩展常数, 表示第j个隐含层神经元的输出;
设计输出层任意节点的激活函数,其中k为自然数:
yk=Wk*φ;其中,yk表示第k个输出节点的输出,φ为隐含层的输出向量,Wk表示第k个节点的输出权向量;
计算并设置所述隐含层的统一扩展常数:
b表示隐层神经元扩展常数,dmax表示输入样本之间的最大距离,P表示样本数目;
利用归一化的叠加谱线训练样本集,通过迭代的方式训练RBF神经网络,包括:将训练样本集输入矩阵输入所述RBF神经网络的谱峰分离参数预测模型结构中计算其模型输出,根据输出结果计算训练样本集误差矩阵,将所述误差矩阵中的误差最大值对应的训练样本作为新增隐含层神经元的径向基中心并加入所述RBF神经网络的谱峰分离参数预测模型隐含层结构中,对隐含层的径向基中心矩阵进行更新,将所述训练样本集中的所有样本重新计算其隐含层输出向量,得到新的隐含层输出矩阵,进一步得到新的输出层输出权矩阵,根据所述新的输出层输出权矩阵计算模型输出矩阵,并计算均方误差MSE,进一步根据MSE和迭代次数判断是否满足训练结束条件,如果满足则结束训练,否则令迭代次数加1并进行下一轮迭代;
利用归一化的叠加谱线测试集样本测试模型后,通过谱峰分离参数预测模型求解叠加谱线特征向量将所述叠加谱线特征向量 分解为多个子峰的特征向量 将 代入单条谱线数学模型I(λ),从而分离出子峰谱线,实现重叠谱线的多峰分离。
2.根据权利要求1所述的基于RBF神经网络的ICP‑AES重叠谱线分离方法,其特征在于,包括,建立表达形式为高斯函数的单条谱线数学模型:Ip表示谱线的峰值强度;λ0表示谱线的中心波长,也即峰值位置;λ表示波长自变量,I(λ)为波长λ所对应的光谱强度;σ表示峰的半宽度;BK1表示单个谱线的背景强度。
3.根据权利要求1所述的基于RBF神经网络的ICP‑AES重叠谱线分离方法,其特征在于,所述叠加谱线数学模型为:λ表示波长自变量, 表示波长λ所对应的光谱强度;Ipi、λ0i、σi分别表示形成叠加谱线的第i条谱线的峰值强度、峰值位置和峰半宽度;BK表示叠加谱线的背景强度;
是叠加谱线的特征向量。
4.根据权利要求1所述的基于RBF神经网络的ICP‑AES重叠谱线分离方法,其特征在于,所述构建正交表包括:取所述特征向量中特征分量的个数m为所述正交表的列数;
根据所述特征向量中特征分量的个数和各所述特征分量的水平数t得到所述正交表的行数n,n=m(t‑1)+1,其中,n满足:u
n=t,
其中,u为以t为底数,以n为结果时,t的指数。
5.根据权利要求4所述的基于RBF神经网络的ICP‑AES重叠谱线分离方法,其特征在于,所述构建正交特征表包括:根据所述特征向量中各特征分量的水平数t及该特征分量的数值范围,获取所述特征向量的任一特征分量的水平向量;
具体的,所述任一特征分量的水平向量都由该特征分量的数值范围内均匀分布,间距相等的t个水平数组成;以所述正交表中若干个特征分量对应列的内容作为位置索引,将各特征分量的水平向量对应填入所述正交表中,组成所述正交特征表。
6.根据权利要求5所述的基于RBF神经网络的ICP‑AES重叠谱线分离方法,其特征在于,根据所述叠加谱线数学模型对所述正交特征表中各特征向量生成对应的叠加谱线,并对叠加谱线的谱峰轮廓等间隔抽取若干个数据点,以其光强值所组成的向量作为样本的输入向量,以所述特征向量作为样本输出向量,生成若干组输入输出对应的样本,依据等差划分方式获得训练集样本和测试集样本。
7.根据权利要求1所述的基于RBF神经网络的ICP‑AES重叠谱线分离方法,其特征在于,所述迭代,包括:设置迭代计数器p=1,初始化输出权矩阵W,将训练集样本输入矩阵Xset=[X1,X2,···,Xn,···,XN]输入到所述RBF神经网络的谱峰分离参数预测模型结构中,其中表示第n个样本的输入向量, 表示第n个样本的第i个输入节点的输入量,n为正整数;
依据所述隐含层激活函数,对Xset中任一样本的输入向量Xn计算其隐含层输出向量得到隐含层输出矩阵,φset=[φ1,φ2,···φn,···,φN];
对φset中任一隐层输出向量φn,根据:Yn=W*φn,计算其对应的输出层输出向量Yn: 进而形成输出矩阵Yset=[Y1,Y2,···,Yn,···,YN],其中 为第n个样本的第k个输出节点的所述RBF神经网络的谱峰分离参数预测模型的输出。
8.根据权利要求7所述的基于RBF神经网络的ICP‑AES重叠谱线分离方法,其特征在于,所述根据输出结果计算训练样本集误差矩阵,包括:所述训练样本集输入矩阵对应的期望输出矩阵为:
Oset=[O1,O2,···,On,···,ON],其中 为第n个样本的期望输出向量, 表示第n个样本第k个输出节点的期望输出;
根据所述Yset和所述Oset计算出所述训练样本集误差矩阵Eset,
1 2 n N n
Eset=[E ,E ,···,E ,···,E],其中任一训练样本误差E:其中, 为第n个训练样本的第k个输出节点的期望输出, 为第n个训练样本第k个输n出节点的实际输出,E为第n个训练样本的样本误差。
9.根据权利要求8所述的基于RBF神经网络的ICP‑AES重叠谱线分离方法,其特征在于,所述对隐含层的径向基中心矩阵进行更新,将所述训练样本集中的所有样本重新计算其隐含层输出向量,进一步的,得到新的隐含层输出矩阵,并依据新的隐含层输出矩阵更新输出权矩阵:对隐含层径向基中心矩阵更新,包括,取所述误差矩阵Eset中的1个误差最大值所对应p的样本作为新增隐含层神经元的径向基中心,也即第p轮迭代的C 加入径向基中心矩阵,使
1 2 p‑1 1 2 p‑1
得隐层径向基中心矩阵由原本的C=[C ,C ,···,C ]更新为C=[C ,C ,···,C ,pC];
将所述训练样本集中的所有样本重新计算其隐含层输出向量,包括:对Xset中所有样本重新计算其隐层输出向量,此时 进而得到更新的隐含层输出矩阵φset;
进一步依据更新的φset计算得到新的输出权矩阵,包括:根据所述新的隐含层输出矩阵φset,根据下式:
W*φset=Oset
得到所述新的输出权矩阵W。
10.根据权利要求9所述的基于RBF神经网络的ICP‑AES重叠谱线分离方法,其特征在于,所述根据所述新的输出层输出权矩阵计算模型输出矩阵,并计算均方误差MSE,进一步根据MSE和迭代次数判断是否满足训练结束条件,包括:根据所述新的隐含层输出权矩阵W,根据:
Yn=W*φn
对φset中任一列向量φn计算其输出向量Yn,进而得到当前网络输出矩阵Yset;利用更新的Yset和Oset计算当前所述均方误差MSE;
还包括,根据所述MSE和迭代次数,判断是否满足训练结束条件,包括:判断所述MSE是否小于预设精度e或网络当前迭代次数是否大于训练样本个数,满足任一条件即为满足训练条件,否则迭代计数器p=p+1,继续训练迭代。