[發明專利]基于RBF神經網絡的ICP-AES重疊譜線分離方法

有效

• 申請號: 202011161651.0
• 申請日: 2020-10-27
• 公開（公告）號: CN112414997B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 廉小親;黃靜;陳彥銘;劉鈺
• 申請（專利權）人: 北京工商大學
• 主分類號: G01N21/73
• 分類號: G01N21/73;G06N3/04;G06N3/08
• 代理公司: 北京北新智誠知識產權代理有限公司 11100
• 代理人: 朱麗華

1.一種基于RBF神經網絡的ICP-AES重疊譜線分離方法，其特征在于，所述方法包括：

建立單條譜線數學模型、疊加譜線數學模型；

構建正交表，構建正交特征表，根據所述正交表和所述正交特征表生成疊加譜線，并以疊加譜線若干個等間隔采樣數據點光強值組成的向量作為樣本輸入向量，疊加譜線特征向量作為樣本輸出向量，生成訓練、測試樣本集，而后對其進行歸一化處理；

設計基于RBF神經網絡的譜峰分離參數預測模型結構：以歸一化后的疊加譜線樣本的輸入向量為RBF神經網絡的輸入；以所述疊加譜線的特征向量為所述RBF神經網絡的輸出；在所述RBF神經網絡訓練迭代過程中確定隱含層節點數，當滿足訓練條件時所述隱含層節點數被確定；設計隱含層激活函數：

其中，C^j表示第j個隱含層神經元的徑向基函數中心矢量，||X-C^j||表示輸入向量X與中心矢量C^j之間的歐氏距離，b_j表示第j個隱層神經元的擴展常數，表示第j個隱含層神經元的輸出；

設計輸出層任意節點的激活函數，其中k為自然數：

y_k＝W_k*φ；其中，y_k表示第k個輸出節點的輸出，φ為隱含層的輸出向量，W_k表示第k個節點的輸出權向量；

計算并設置所述隱含層的統一擴展常數：

b表示隱層神經元擴展常數，d_max表示輸入樣本之間的最大距離，P表示樣本數目；

利用歸一化的疊加譜線訓練樣本集，通過迭代的方式訓練RBF神經網絡，包括：將訓練樣本集輸入矩陣輸入所述RBF神經網絡的譜峰分離參數預測模型結構中計算其模型輸出，根據輸出結果計算訓練樣本集誤差矩陣，將所述誤差矩陣中的誤差最大值對應的訓練樣本作為新增隱含層神經元的徑向基中心并加入所述RBF神經網絡的譜峰分離參數預測模型隱含層結構中，對隱含層的徑向基中心矩陣進行更新，將所述訓練樣本集中的所有樣本重新計算其隱含層輸出向量，得到新的隱含層輸出矩陣，進一步得到新的輸出層輸出權矩陣，根據所述新的輸出層輸出權矩陣計算模型輸出矩陣，并計算均方誤差MSE，進一步根據MSE和迭代次數判斷是否滿足訓練結束條件，如果滿足則結束訓練，否則令迭代次數加1并進行下一輪迭代；

利用歸一化的疊加譜線測試集樣本測試模型后，通過譜峰分離參數預測模型求解疊加譜線特征向量

將所述疊加譜線特征向量分解為多個子峰的特征向量將代入單條譜線數學模型I(λ)，從而分離出子峰譜線，實現重疊譜線的多峰分離。

2.根據權利要求1所述的基于RBF神經網絡的ICP-AES重疊譜線分離方法，其特征在于，包括，建立表達形式為高斯函數的單條譜線數學模型：

I_p表示譜線的峰值強度；λ₀表示譜線的中心波長，也即峰值位置；λ表示波長自變量，I(λ)為波長λ所對應的光譜強度；σ表示峰的半寬度；BK₁表示單個譜線的背景強度。

3.根據權利要求1所述的基于RBF神經網絡的ICP-AES重疊譜線分離方法，其特征在于，所述疊加譜線數學模型為：

λ表示波長自變量，表示波長λ所對應的光譜強度；I_pi、λ_0i、σ_i分別表示形成疊加譜線的第i條譜線的峰值強度、峰值位置和峰半寬度；BK表示疊加譜線的背景強度；是疊加譜線的特征向量。

4.根據權利要求1所述的基于RBF神經網絡的ICP-AES重疊譜線分離方法，其特征在于，所述構建正交表包括：

取所述特征向量中特征分量的個數m為所述正交表的列數；

根據所述特征向量中特征分量的個數和各所述特征分量的水平數t得到所述正交表的行數n，n＝m(t-1)+1，其中，n滿足：

n＝t^u，

其中，u為以t為底數，以n為結果時，t的指數。