CN104198512A - 基于支持向量机的x射线荧光光谱分析方法及装置 - Google Patents

Abstract

本发明提供了一种基于支持向量机的X射线荧光光谱分析方法及装置，其中，所述方法包括：采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；测定所述训练集样品的目标元素的含量；将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。通过上述的方法能够有效的获取模型参数，获得良好的预测效果。

Description

基于支持向量机的X射线荧光光谱分析方法及装置

技术领域

本发明涉及X射线光谱检测技术领域，尤其涉及一种基于支持向量机的X射线荧光光谱分析方法及装置。

背景技术

X射线荧光光谱(X-ray Fluorescence Spectroscopy,简称XPF)是利用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射线荧光光谱为原子发射光谱的一种，在元素测定方面应用广泛。其可测定的元素的范围广，包括元素周期表中Z≥3(Li)的所有元素，可测定的浓度范围宽，具有快速准确、操作简单、能同时测定多种元素的特点，适合于多种类型的固态和液态物质的测定。目前X射线荧光光谱技术在农业中的应用主要集中于土壤、农产品污染监测和农产品中微量元素的测定等领域。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的影响。

由于土壤类别繁多，属性复杂，且受到土壤的基体效应和自吸收效应的制约，现有技术中还没有建立普适性的标准曲线或者模型，也没有可靠的XPF检测农田土壤中重金属的方法，使得检测的准确性不高。

发明内容

本发明实施例提供了一种基于支持向量机的X射线荧光光谱分析方法及装置，能够有效的获取模型参数，获得良好的预测效果。

第一方面，本发明提供了一种基于支持向量机的X射线荧光光谱分析方法，包括：

采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；

测定所述训练集样品的目标元素的含量；

将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；

采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；

采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。

可选地，所述方法还包括：

利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。

可选地，所述采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值，包括：

采集训练集样品的X射线荧光光谱；

对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；

其中，所述数据处理包括：对所述X射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。

可选地，所述测定所述训练集样品的目标元素的含量，具体为：

采用理化分析方式测得所述训练集样品的目标元素的含量。

可选地，所述支持向量机模型为：

$y\left(x\right)=\underset{1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x,x_k)+b$

其中，b为支持向量机模型的截距，α_i为拉格朗日算子，K(x,x_k)为高斯径向基函数，n为向量的维数，x_k为输入层向量，x为输入层数据，y为输出数据。

可选地，所述采用遗传算法对所述预测模型进行训练，包括：

S61、设定迭代次数t，所述t的初始值为0，设定种群数量，交叉率和变异率；

S62、建立所述预测模型参数，随机选择产生初始种群；

S63、对所述初始种群的个体训练，计算个体适应度函数值，采用均方根误差分析个体适应度函数值，

其中，y_i为验证集样品的实际测量值；为样品的模型预测值；k为验证集样品的数量；

S64、当所述种群中最优个体所对应的适应度满足设定的迭代次数，则转至步骤S66，否则执行步骤S65；

S65、迭代次数t＝t+1,应用选择，交叉率和变异率产生新的种群，则转至步骤S63；

S66、给出预测模型参数，并用其训练数据集，获得预测模型。

第二方面，本发明提供了一种基于支持向量机的X射线荧光光谱分析装置，包括：

采集提取单元，用于采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；

测定单元，用于测定所述训练集样品的目标元素的含量；

建模单元，用于将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；

训练单元，用于采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；

预测单元，用于采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。

可选地，所述装置还包括：

验证单元，用于利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。

可选地，所述采集提取单元，具体用于：

采集训练集样品的X射线荧光光谱；

对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；

其中，所述数据处理包括：对所述X射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。

可选地，所述测定单元，具体用于：

采用理化分析方式测得所述训练集样品的目标元素的含量。

由上述技术方案可知，本发明的基于支持向量机的X射线荧光光谱分析方法及装置，通过采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；测定所述训练集样品的目标元素的含量；将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；采用遗传算法对所述预测模型进行训练，建立X射线荧光光谱分析目标元素的支持向量机模型；采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量，能够有效的获取模型参数，获得良好的预测效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析方法的流程示意图；

图2为本发明实施例提供的另一种基于支持向量机的X射线荧光光谱分析方法的流程示意图；

图3为本发明实施例提供的一种土壤样品的X射线荧光光谱图；

图4为本发明实施例提供的一种基于遗传算法确定支持向量机模型参数的适应度变化图；

图5为本发明实施例提供的一种基于支持向量机的模型的训练结果与参考值的比较示意图；

图6为本发明实施例提供的一种基于支持向量机的模型的预测结果与参考值的比较示意图；

图7为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析方法的流程示意图，如图1所示，本实施例的基于支持向量机的X射线荧光光谱分析方法如下所述。

101、采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值。

应理解的是，训练集样品中的目标元素，经过X射线照射，发射出荧光光谱，目标元素的X射线荧光光谱需要通过仪器采集获得，同时，对采集到的目标元素的荧光光谱提取N个数据点强度值。

其中，N为大于等于2的自然数。

102、测定所述训练集样品的目标元素的含量。

举例来说，通过理化分析方式测定训练集样品的目标元素的含量。

103、将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型。

举例来说，支持向量机是将低维非线性问题变化输入转化到高维特征空间，转化为类似的线性问题来解决。

设定一组训练集D＝{(x1,y1),…(xl,yl)}，l为样本数量，x_i∈Rⁿ，y_i∈R，i＝1,2,…..l，n为x_i向量维数，R为实数集。

其中，支持向量机模型的核函数为高斯径向函数，

$K(x_p,x_q)=\exp \left(\frac{{\left|\right|x_p-x_q\left|\right|}^2}{{2\mathrm{\δ}}^2}\right)$

其中，δ是核函数参数，Xp,Xq是训练样品集的有效特征向量，p,q∈[1,n]。

把低维的非线性问题转化为高维的线性问题，而高维的线性问题的最优分类问题转化为求分类间隔函数φ(w,ε)的最小值，

$\mathrm{\φ}(\mathrm{\ω},\mathrm{\ϵ})=\frac{1}{2}{\left|\right|w\left|\right|}^2+\frac{1}{2}r\underset{1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_{\mathrm{\κ}}^2$

约束条件为

y_k[(Ψ(x_k)×w+b)]≥1-ε，

在通过拉格朗日算法得到支持向量机模型为：

$y\left(x\right)=\underset{1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x,x_k)+b$

其中，b为支持向量机模型的截距，α_i为拉格朗日算子，K(x,x_k)为高斯径向基函数，n为向量的维数，x_k为输入层向量，y_k是输出层向量中的元素，x为输入层数据，y为输出数据，w为向量的间隔，ε是损失系数，r误差惩罚参数，ε_k为模型的惩罚系数，Ψ(x_k)是特征向量x_k在特征空间的映射。

104、采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数。

举例来说，在支持向量机模型中，r误差惩罚参数，δ是核函数参数，ε是损失系数，对模型的拟合结果产生较大的影响，在本步骤中，采用遗传算法对其进行训练。

S61、设定迭代次数t，所述t的初始值为0，设定种群数量，交叉率和变异率。

举例来说，遗传算法的进化代数设定为200次，种群数量设为20，交叉率设为0.4，变异率设为0.1。

S62、建立所述预测模型参数，随机选择产生初始种群。

举例来说，支持向量机模型参数r的范围为0-100，δ参数设为0-100，ε参数设定为0-1；随机选择实数编码的建立初始种群。

S63、对所述初始种群的个体训练，计算个体适应度函数值，采用均方根误差(Root Mean Square Error，简称RMSE)分析个体适应度函数值，

$\mathrm{RMSE}=\sqrt{\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}$

其中，y_i为验证集样品的实际测量值；为样品的模型预测值；k为验证集样品的数量。

应理解的是，采用均方根误差能够有效的评价参数的选择的有效性。

S64、当所述种群中最优个体所对应的适应度满足设定的迭代次数，则转至步骤S66，否则执行步骤S65。

S65、迭代次数t＝t+1,应用选择，交叉率和变异率产生新的种群，则转至步骤S63。

S66、给出预测模型参数，并用其训练数据集，获得预测模型。

应理解为，给出最佳的参数δ、ε和r，并用其训练数据集以获得最佳的预测模型。

105、采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。

举例来说，采集预测集的样品，提取预测集样品谱线上的N个数据点强度值，作为支持向量机的输入层数据，从而获得预测集样品的对应目标元素的含量。

在本实施例中，通过建立支持向量机的模型，获取预测的目标元素的含量，能够减少测定的时间，且能提高测定的准确性。

图2为本发明实施例提供的另一种基于支持向量机的X射线荧光光谱分析方法的流程示意图，如图2所示，本实施例的基于支持向量机的X射线荧光光谱分析方法如下所述。

201、采集训练集样品的X射线荧光光谱。

举例来说，通过光谱仪采集训练集样品的X射线荧光光谱。

202、对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值。

应理解的是，对采集到的光谱进行数据的处理，其中，处理的方法包括：求平均，扣除背景以及谱线去干扰拟合。

203、采用理化分析方式测得所述训练集样品的目标元素的含量。

举例来说，在本步骤中采用理化分析方式来测定训练集样品的目标元素的含量，但是这里并不限定测定的方法，仅为理化分析方式。

204、将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型。

205、采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数。

206、采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。

应说明的是，步骤204、205、206和上述实施例中的步骤103、104、105的步骤相同。

207、利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。

举例来说，获得预测集样品的目标元素的含量与测定的预测集样品的目标元素的含量，来验证支持向量机的模型。

其中，训练集和所述验证集样品的总数不低于60个，训练集和验证集的数目比例为2:1。

利用相关系数和均方误差来评价支持向量机的模型的准确度和精确度。

在本实施例中，通过建立支持向量机的模型，来预测目标元素的含量，同时，通过预测目标元素的含量验证模型的准确的和精确度。能准确的测定目标元素的含量，且能够提高模型的准确度，能够有效地克服支持向量机参数不稳定，预测性能随意性大及参数难以调整等缺点。

图3为本发明实施例提供的一种土壤样品的X射线荧光光谱图，图4为本发明实施例提供的一种基于遗传算法确定支持向量机模型参数的适应度变化图，图5为本发明实施例提供的一种基于支持向量机的模型的训练结果与参考值的比较示意图，图6为本发明实施例提供的一种基于支持向量机的模型的预测结果与参考值的比较示意图，如图3，图4，图5，图6所示，本具体实施例如下所述。

本实施例采用便携式X射线荧光土壤重金属检测仪系统获取光谱数据，X射线激发采用Ag靶，探测器采用SDD高分辨探测器。

步骤31：样品的采集与处理，本实施例中采用的土壤样品有国家标准物质土壤ESS-1，ESS-2,ESS-3，ESS-4等标准土壤；以及采集自北京、黑龙江、江苏、云南和新疆五个省市的典型农田土壤。农田土壤样品在室内风干，磨碎，过尼龙网筛后存放。样品的混合、装袋、粉碎、研磨等处理都采用木头、陶瓷或玛瑙用具。土壤样品中重金属含量将以标准物质参考值和理化分析实际测量值为准。共有独立土壤样品109份。

步骤32：X射线荧光光谱采集,取研磨后的样品，装进样品杯中，压紧后覆上麦拉膜。将样品杯放入X射线荧光光谱仪检测台上进行测试。为了获得更好的检测结果，测定时间经过优化，选择300秒。从而得到的土壤样品的X射线荧光光谱，如图3所示。检测获得的X射线荧光光谱经寻峰、能量定位后提取4.95、5.41、5.90、6.40、6.93KeV等峰的5个荧光峰强度值，建立X射线荧光光谱输入矩阵。

步骤33：参考值的测定,国家标准土壤样品中的重金属元素含量值由标准样品的参考值给出。采集的农田土壤样品的分析测定都按照国家标准执行，分析过程中均加入国家标准土壤样品(GSS－1)进行分析质量控制，并重复3次，Cr的分析测试使用美国热电Solar-M原子吸收石墨炉。

步骤34：定量模型的建立,对于109个土壤样品，建立Cr的预测模型。建模时先采用浓度梯度法划分训练集、预测集。训练集样品用来建立模型，校正集和预测集样本用来对模型进行评价。分别样品数量为71，38个。将步骤32中提取建立的样品的X射线荧光光谱峰强度值作为输入数据集，步骤33中对应的样品重金属元素的含量为期望输出值。支持向量机模型的参数δ、ε和r由遗传算法进行了优选。经过200次迭代，最佳的核函数参数δ为10.8295，误差损失系数ε为0.0073681，误差惩罚参数r为0.7453；从而得到最优X射线荧光光谱-土壤中重金属含量的支持向量机预测模型。如图4所示。

步骤35：新样品预测与模型验证,对于建立的校正模型，均采用预测集样品来进行验证。按照上述X射线荧光光谱采集的方法分别采集待测土壤的x射线荧光光谱，并经过上述光谱预处理后得到待测土壤的X射线荧光光谱输入矩阵，输入到训练好的支持向量机X射线荧光光谱-土壤中重金属含量的定量预测模型，就可自动计算出其重金属元素含量。如图5和6所示，为模型预测值与参考值的比较图，结果表明，其相关系数R均较高(训练集的R为0.937，验证集的R为0.809)。

本实施中模型预测值与参考值比较接近，说明模型效果较好，能够有效改进X射线荧光光谱仪的检测准确度。

图7为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析装置的结构示意图，如图7所示，本实施例基于支持向量机的X射线荧光光谱分析装置结构如下所述。

一种基于支持向量机的X射线荧光光谱分析装置，包括：采集提取单元71，测定单元72，建模单元73，训练单元74和预测单元75。

其中，采集提取单元71，用于采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；

测定单元72，用于测定所述训练集样品的目标元素的含量；

建模单元73，用于将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；

训练单元74，用于采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；

预测单元75，用于采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。

该装置还包括图中未示出的单元，

验证单元75’，用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。

其中采集提取单元71体用于：

采集训练集样品的X射线荧光光谱；

对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；

其中，所述数据处理包括：对所述X射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。

其中，测定单元72，具体用于：

采用理化分析方式测得所述训练集样品的目标元素的含量。

本实施例中，支持向量机的装置能够有效提高测定的准确度，克服向量机的参数不稳定性。

本领域普通技术人员可以理解：实现上述方法实施例的全部或者部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。

以上所述，仅为本发明的具体实施方式，但是，本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替代，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于支持向量机的X射线荧光光谱分析方法，其特征在于，包括：

采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；

测定所述训练集样品的目标元素的含量；

将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；

采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；

采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。

3.根据权利要求1所述的方法，其特征在于，所述采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值，包括：

采集训练集样品的X射线荧光光谱；

对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；

其中，所述数据处理包括：对所述X射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。

4.根据权利要求1所述的方法，其特征在于，所述测定所述训练集样品的目标元素的含量，具体为：

采用理化分析方式测得所述训练集样品的目标元素的含量。

5.根据权利要求1所述的方法，其特征在于，所述支持向量机模型为：

$y\left(x\right)=\underset{1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x,x_k)+b$

其中，b为支持向量机模型的截距，α_i为拉格朗日算子，K(x,x_k)为高斯径向基函数，n为向量的维数，x_k为输入层向量，x为输入层数据，y为输出数据。

6.根据权利要求1所述的方法，其特征在于，所述采用遗传算法对所述预测模型进行训练，包括：

S61、设定迭代次数t，所述t的初始值为0，设定种群数量，交叉率和变异率；

S62、建立所述预测模型参数，随机选择产生初始种群；

S63、对所述初始种群的个体训练，计算个体适应度函数值，采用均方根误差分析个体适应度函数值，

其中，y_i为验证集样品的实际测量值；为样品的模型预测值；k为验证集样品的数量；

S64、当所述种群中最优个体所对应的适应度满足设定的迭代次数，则转至步骤S66，否则执行步骤S65；

S65、迭代次数t＝t+1,应用选择，交叉率和变异率产生新的种群，则转至步骤S63；

S66、给出预测模型参数，并用其训练数据集，获得预测模型。

7.一种基于支持向量机的X射线荧光光谱分析装置，其特征在于，包括：

采集提取单元，用于采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；

测定单元，用于测定所述训练集样品的目标元素的含量；

建模单元，用于将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；

训练单元，用于采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；

预测单元，用于采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

验证单元，用于利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。

9.根据权利要求7所述的装置，其特征在于，所述采集提取单元，具体用于：

采集训练集样品的X射线荧光光谱；

对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；

其中，所述数据处理包括：对所述X射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。

10.根据权利要求7所述的装置，其特征在于，所述测定单元，具体用于：

采用理化分析方式测得所述训练集样品的目标元素的含量。