[發明專利]隨機森林輔助人工神經網絡的LIBS定量分析方法

有效

• 申請號: 201811078336.4
• 申請日: 2018-09-17
• 公開（公告）號: CN109142251B
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 李闊湖;代克杰;趙志敏;杜豪杰;李鵬飛;袁書卿
• 申請（專利權）人: 平頂山學院
• 主分類號: G01N21/31
• 分類號: G01N21/31
• 代理公司: 鄭州市華翔專利代理事務所(普通合伙) 41122
• 代理人: 張海青;于建元

本發明涉及一種隨機森林輔助人工神經網絡的LIBS定量分析方法，具體為：1、使用LIBS對n個標準樣品采集光譜數據；2、得到內標后的光譜變量；3、對光譜變量進行權重標定，得到平均權重值；4、以平均權重值作為選擇光譜變量的標準，并利用標準樣品中被分析元素的已知含量，對人工神經網絡進行訓練，獲得人工神經網絡分析模型和被分析元素的最優光譜變量集的構成規則；5、使用LIBS采集被測物的光譜，并得到內標后的光譜變量，按照最優光譜變量集的構成規則構建被測物的光譜變量集；6、將被測物的光譜變量集中的光譜變量作為輸入值代入人工神經網絡分析模型，輸出被測物中被分析元素的含量。本發明具有較高的準確度。

(一)、技術領域：

本發明涉及一種成分分析方法，特別涉及一種隨機森林輔助人工神經網絡的LIBS定量分析方法。

(二)、背景技術：

LIBS(laser-induced breakdown spectroscopy，激光誘導擊穿光譜)是一種原子發射光譜技術，它利用高強度脈沖激光燒蝕樣品產生等離子體，通過采集分析等離子體發射光譜，得到樣品中元素種類及含量。LIBS技術具有可快速檢測，較少或不需樣品制備，較低的樣品損耗，可在線、原位檢測，可分析多種物態等優點，越來越廣泛地應用于生物醫學，冶金，環境監測，文物分析鑒定，太空探索和能源開發等諸多領域。

最常用的LIBS定量分析方法是校準曲線法，即使用被分析元素的某條譜線強度與校準樣品中該元素的含量建立校準曲線，然后依據被測物中該元素的譜線強度由校準曲線求得被測物中該元素含量。校準曲線法雖然在一定程度上能減弱等離子體光譜波動帶來的影響，但其分析準確度和精密度仍然不高，難以得到令人滿意的結果。LIBS光譜不穩定且受多種因素影響，校準曲線分析法使用很少的光譜信息，無法精確地反映元素含量和光譜變量之間的映射關系，從而限制了LIBS分析準確度的提高。

(三)、發明內容：

本發明要解決的技術問題是：提供一種隨機森林輔助人工神經網絡的LIBS定量分析方法，該分析方法具有較高的準確度。

本發明的技術方案：

一種隨機森林輔助人工神經網絡(Random-forest-assisting artificial-neural-network，簡稱RFA-ANN)的LIBS定量分析方法，具體為：

第1步、光譜數據的采集：選用n個和被測物基體構成盡可能一致的標準樣品，n個標準樣品中被分析元素含量已知且各不相同，使用LIBS系統對n個標準樣品采集光譜數據；n為大于1的自然數；

第2步、對光譜數據進行內標處理：按照內標法的標準找到一種內標元素的m條譜線作為內標線，m為大于等于1的自然數；對于每個標準樣品的每幅光譜進行如下操作：

當m等于1時，用這一條內標線對所有光譜進行內標處理，即所有光譜的強度分別除以這一條內標線的強度，得到的比值作為內標后的光譜變量；

當m大于1時，以相鄰內標線的波長中點為界，把采集的光譜分成m個光譜區域；對每個光譜區域，用該光譜區域內的內標線對光譜進行內標處理，即該光譜區域的所有光譜的強度分別除以該光譜區域內的內標線的強度，得到的比值作為內標后的光譜變量；

第3步、對所有光譜變量進行權重標定：用所有光譜變量作為輸入量，以選定一定的決策樹棵數(ntree)，以一定步長逐步增加使用的特征變量數(mtry)，建立隨機森林回歸模型，對標準樣品進行去一交叉驗證法(Leave-One-Out Cross-Validation，簡寫為LOOCV)分析，直至交叉驗證的均方根誤差(root-mean-square error of cross-validation，簡寫為RMSECV)最小；把每個光譜變量在所有特征變量數情況下取得的權重值求平均，得到每個光譜變量平均后的權重值，該平均后的權重值稱為平均權重值；用這些平均權重值表示不同光譜變量的重要性，作為判斷光譜變量優劣的依據；