[发明专利]一种基于LM-BP神经网络的X射线荧光光谱定量分析方法

说明书

技术领域

本发明涉及X射线荧光光谱检测技术领域，具体涉及一种基于LM-BP神经网络的X射线荧光光谱定量分析方法。

背景技术

X射线荧光光谱（X-ray Fluorescence Spectroscopy，简称XRF）作为原子发射光谱的一种，在元素测定方面的应用较为广泛。X射线荧光光谱利用X射线激发元素外层电子，利用光谱仪获取电子跃迁时的荧光光谱，并由谱线的能量和强度进行定性定量分析。

X射线荧光光谱检测技术具有分析速度快、检测元素范围广、前处理简便、可以无损检测等优点，已广泛的应用于冶金、地质、石油等领域的重金属检测，取得了广泛的社会经济效益。针对X射线荧光光谱检测在环境监测中的应用，特别是对土壤的检测，国外众多学者进行了研究，美国EPA制定了使用X射线荧光光谱技术现场测定土壤和沉积物中的元素含量的标准方法，规定了仪器的使用范围和方法，但是其中概念性的内容较多，缺乏细致的技术探讨，在实际应用中存在着检测精度低，重复性差的问题。

X射线荧光光谱分析易受到周围环境如土壤水分含量的影响，也会受到测量条件如样品颗粒大小等的影响。葛良全讨论了进行岩石和沉淀物原位分析时，样品中水分的影响。除了水分以外，样品的物理状态如颗粒度、表面效应、水分影响、以及分析元素化学价态不一样都会引起的分析谱峰位移或谱峰形状改变等，从而造成对测量结果的巨大干扰，这些统称为基体效应。目前已提出了多种方法来校正基体效应。比如经验系数法、基本参数法、理论影响系数法等数学校正方法，以及内标法、标准加入法和稀释法等实验校正方法。但这些方法都有一定的适应范围，而对于土壤样品，特别是我国的土壤，由于地貌复杂，土壤类别众多，目前还没有建立普适性的标准曲线或模型，也尚未提出系统可靠的XRF检测农田土壤中重金属的方法。黄启厅等尝试使用偏最小二乘法分析X射线光谱，分析土壤中Pb的含量。陆安祥等建立基于全谱建模但用加权系数降低Fe峰的偏最小二乘模型预测土壤中重金属的含量。但是由于受到基体效应和自吸收效应的制约，在预测模型的准确度特别体现在重金属Cr等元素上，未取得令人满意的结果。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供一种基于LM-BP神经网络的X射线荧光光谱定量分析方法，能够采用列文伯格-马夸尔特（LM）算法优化反向传播（BP）神经网络的权值和阈值，并结合X射线荧光光谱对目标元素进行定量分析。

（二）技术方案

为了实现以上目的，本发明通过以下技术方案予以实现：

一种基于LM-BP神经网络的X射线荧光光谱定量分析方法，该方法包括：

S1:采集训练集样品的X射线荧光光谱，对其进行光谱数据处理，并提取处理后的单一谱线上的若干个数据点强度值；

S2:测定训练集样品的对应目标元素的含量；

S3:将步骤S1中获得的强度值作为输入层数据，将步骤S2中对应目标元素的含量作为输出层数据，根据输入层与隐含层之间的传递函数，得到隐含层数据，从而建立起BP神经网络模型；

S4:采用LM算法对BP神经网络模型进行训练，建立X射线荧光光谱定量分析样品目标元素的LM-BP神经网络模型；

S5:将预测集样品的X射线荧光光谱进行光谱数据处理后提取的单一谱线上的若干个数据点强度值作为输入层数据矩阵输入训练好的LM-BP神经网络模型，得到预测集样品的对应目标元素的含量。

优选地，该方法进一步包括：利用对应目标元素的含量已经测定的验证集样品对所述LM-BP神经网络模型进行验证。

其中，所述光谱数据处理方法包括：求平均、扣除背景以及谱线去干扰拟合。

其中，利用理化分析方法测定所述训练集样品的对应目标元素的含量。

其中，步骤S3中所述输入层与隐含层之间的传递函数为Logsig函数。

其中，所述采用LM算法对BP神经网络模型进行训练包括：

S41:随机设定训练误差ξ、神经网络权值以及阈值X，并设定迭代次数k=0；

S42:根据输出函数计算神经网络的输出层的输出值：

^O_o=f(∑v_hoH_h-Y_o)=f(net_o)