[發明專利]一種基于XRF-EGAN模型的土壤XRF譜圖本底扣除方法

在審

• 申請號: 202210523696.0
• 申請日: 2022-05-13
• 公開（公告）號: CN114861541A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 趙彥春;李福生;王欣然;張煥龍
• 申請（專利權）人: 電子科技大學長三角研究院（湖州）
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/10;G06N3/04;G06N3/08;G01N23/223
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 李英

1.一種基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，基于GAN模型的設計模式，采用一維全卷積網絡層和殘差連接，構建模型的生成器，采用一維卷積和全連接層構建模型的判別器，并采用對抗訓練模式訓練XRF-EGAN模型，進而獲得訓練好的生成器和判別器，且生成器是土壤XRF本底扣除模型，進而提高土壤XRF的元素凈峰面積和含量之間的相關性。

2.根據權利要求1所述的基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，通過對抗訓練XRF-EGAN模型獲得訓練優化后的生成器，并將生成器用于土壤XRF光譜本底扣除任務中，XRF-EGAN模型除了能夠應用于土壤XRF光譜，還可以應用于包括合金XRF光譜、譜圖合金XRF光譜采用XRF熒光分析儀獲得的XRF光譜數據。

3.根據權利要求1所述的基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，包括以下步驟：

步驟1：采用XRF熒光分析儀采集土樣樣品的XRF光譜數據，并通過人工手動將樣品的XRF光譜數據的本底進行扣除，最終獲得未進行本底扣除前的土壤XRF光譜數據Data_noisy和不含本底的土壤XRF光譜數據Data_clean；

步驟2：通過采集的Data_noisy數據和Data_clean數據訓練XRF-EGAN神經網絡模型，并將完成訓練后最優的XRF-EGAN模型的生成器的網絡模型參數保存下來；

步驟3：加載XRF-EGAN的生成器網絡模型，對采用XRF熒光分析儀測量的新的土壤XRF光譜數據，利用XRF-EGAN的生成器網絡進行XRF光譜本底扣除，并獲得本底扣除后的輸出。

4.根據權利要求3所述的基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，步驟2的XRF-EGAN神經網絡模型生成器訓練采用的損失函數表達式如下：

式中z∈R^1×1024表示服從標準正態分布的噪聲；x表示輸入的含有本底的XRF光譜數據；G表示生成器；G(z,x)表示將z和x輸入到生成器中獲得的輸出，即XRF本底扣除的輸出結果；D表示判別器；(D(G(z,x))-1)²表示判別器輸出與1的均方誤差；x_c表示不含本底的XRF光譜數據；|| ||₁表示L1范數；λ表示L1范式的系數。

5.根據權利要求3所述的基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，步驟2的XRF-EGAN神經網絡模型判別器訓練采用的損失函數表達式如下：

式中z∈R^1×1024表示服從標準正態分布的噪聲；x表示輸入的含有本底的XRF光譜數據；G表示生成器；G(z,x)表示將z和x輸入到生成器中獲得的輸出，即XRF本底扣除的輸出結果；D表示判別器；D(G(z,x))²表示判別器輸出與0的均方誤差。

6.根據權利要求3所述的基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，步驟2的XRF-EGAN網絡模型的前向傳播過程為將包含本底的土壤XRF光譜數據x輸入到生成器模型中，經過一系列一維卷積運算和殘差連接，對輸入XRF光譜x進行特征壓縮編碼和解碼過程，最終獲得與輸入x相同維度的本底扣除結果將生成器的輸出與輸入樣本x對應不含本底的x_c一同輸入到判別器D中，最終獲得判別器的輸出o∈R^1×2，并根據損失函數計算相應的損失值，優化XRF-EGAN的生成器和判別器模型。