CN107871155B - 一种基于粒子群算法的光谱重叠峰分解方法 - Google Patents

一种基于粒子群算法的光谱重叠峰分解方法 Download PDF

Info

Publication number
CN107871155B
CN107871155B CN201610857111.3A CN201610857111A CN107871155B CN 107871155 B CN107871155 B CN 107871155B CN 201610857111 A CN201610857111 A CN 201610857111A CN 107871155 B CN107871155 B CN 107871155B
Authority
CN
China
Prior art keywords
gmm
model
peak
sdre
overlapping
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610857111.3A
Other languages
English (en)
Other versions
CN107871155A (zh
Inventor
黄洪全
杨熙
蒋开明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201610857111.3A priority Critical patent/CN107871155B/zh
Publication of CN107871155A publication Critical patent/CN107871155A/zh
Application granted granted Critical
Publication of CN107871155B publication Critical patent/CN107871155B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种基于粒子群算法的光谱重叠峰分解方法。首先对重叠峰进行本底扣除并归一化，得到面积为1的重叠峰；其次，将归一化后的重叠峰用标准差关联的GMM模型（简称GMM‑SDRE模型）来表征；然后，将归一化后的重叠峰看成一个离散概率密度函数，并产生对应的随机数；最后，采用粒子群算法的群体搜索技术，每一个粒子对应一个GMM‑SDRE模型，并计算在统计意义下这些随机数归属于GMM‑SDRE模型的概率（即适应度值），经过迭代更新搜索到具有“全局最大概率”的全局最优GMM‑SDRE模型，进而完成重叠峰的分解。本发明分解精度较高，可广泛用于各种严重重叠谱峰的分解。

Description

一种基于粒子群算法的光谱重叠峰分解方法
技术领域
本发明涉及一种基于粒子群算法的光谱重叠峰分解方法。
背景技术
由于探测器能量分辨率等原因，峰位接近且峰宽较大的不同谱峰之间常常出现严重重叠干扰的现象，要对光谱作进一步较为准确、全面的成分定量和定性分析，解析光谱重叠峰非常必要。解谱方法的研究一直都是光谱研究领域、电化学分析及色谱分析领域中的重点课题，关于谱重叠峰的分解方法已有不少研究报告。其中包括曲线拟合、高斯混合模型和期望最大化(EM)迭代算法、高斯混合统计模型与遗传算法相结合、小波变换和神经网络相结合、自适应免疫算法等谱分解方法，但目前还没有一种被公认的、没有局限性的解谱手段，比如：存在计算量较大、误差大、实时处理困难等局限。
本发明根据光谱形成过程的随机物理特性，结合高斯统计模型和粒子群算法，利用群体搜索能力得到全局最优GMM-SDRE模型，实现重叠峰的最优分解。算法基于种群概念，进化过程中运用竞争机制进行最优选择，且具有并行性，不仅能在MATLAB等软件上实现，还可结合硬件实现谱分解。结果表明，分解精度较高，可广泛用于各种严重重叠峰的分解。
发明内容
本发明的目的在于公开一种基于粒子群算法的光谱重叠峰分解方法。该方法克服了目前重叠峰分解方法的不足。是通过以下①～④步具体方法实现的。
①对由M个谱峰重叠而成的重叠峰进行本底扣除，并对重叠峰进行归一化，得到面积为1的重叠峰。
②将归一化后的重叠峰用标准差关联的GMM模型(GMM:高斯混合模型)来表征，本文将该“标准差关联的GMM模型”命名为GMM-SDRE模型。
③将归一化后的重叠峰看成一个离散概率密度函数，并产生服从该密度函数的随机数。
④采用粒子群算法的群体搜索技术，每一个粒子对应一个GMM-SDRE模型，并计算在统计意义下这些随机数归属于GMM-SDRE模型的概率(即适应度值)；算法经过粒子群的初始化、粒子优劣的评估以及粒子“飞行”速度和位置的迭代更新等过程，搜索到具有“全局最大概率(即适应度值)”的GMM-SDRE模型，即全局最优GMM-SDRE模型。
通过以上①～④步求得全局最优位置，该位置所对应的GMM-SDRE模型参数就是重叠峰的各个谱峰之权重、均值和标准差，即完成重叠峰的分解。
本发明的有益效果是：
密切结合光谱形成过程的随机物理特性，用GMM-SDRE模型来描述重叠峰。采用粒子群算法的群体搜索技术，每一个粒子对应一个GMM-SDRE模型，并计算在统计意义下这些随机数归属于GMM-SDRE模型的概率(即适应度值)，算法经过粒子群的初始化、粒子优劣的评估以及粒子“飞行”速度和位置的迭代更新等过程，搜索到具有“全局最大概率(即适应度值)”的GMM-SDRE模型，即全局最优GMM-SDRE模型。对全局最优GMM-SDRE模型的参数进行解码，即完成重叠峰分解。充分利用测量的每一个随机数据，保证原谱数据的“零损失”，这正与放射性测量的随机性相符，得到的是统计意义下最优参数，保证了重叠峰较高的分解精度。结果表明，只要设置好粒子群算法的参数，对于由多个谱峰形成的重叠峰进行分解具有较高精度。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。
本实施例假设放射性测量中所获得的欲进行分解的重叠峰为F0(x)(x＝Na，…，Nb)，其中x为道址，F0(x)表示在x道址上的计数，并设重叠峰由M个谱峰重叠而成，采用本方法对重叠峰进行分解按如下具体步骤①～④。
步骤①对重叠峰进行本底扣除，并进行归一化，得到面积为1的重叠峰。
步骤②将归一化后的重叠峰用标准差关联的GMM模型(GMM:高斯混合模型)来表征，本文将该标准差关联的GMM模型命名为GMM-SDRE模型：
Figure GDA0002811633930000031
式中：ai表示第i分支(即第i个谱峰)的权重，且满足
Figure GDA0002811633930000032
ui、fσ(i)分别为第i分支的均值和标准差；函数fσ(i)表示分支之间存在的某种关联或约束关系，这里fσ(i)＝fσ(1)·ui/u1(i＝2,...,M)；用θ＝[a1 a2…aM u1 u2…uM fσ(1)fσ(2)…fσ(M)]表示GMM-SDRE模型的参数。
步骤③将归一化后的重叠峰看成一个离散概率密度函数，并产生服从该密度函数的随机数N个，N一般取大于10000。
步骤④采用粒子群算法的群体搜索技术，每一个粒子对应一个GMM-SDRE模型，并计算在统计意义下这些随机数归属于GMM-SDRE模型的概率(即适应度值)；算法经过粒子群的初始化、粒子优劣的评估以及粒子“飞行”速度和位置的迭代更新等过程，搜索到具有“全局最大概率(即适应度值)”的GMM-SDRE模型，即全局最优GMM-SDRE模型。具体由以下步骤A～D实现。
A生成初始粒子群：取模型参数θ的前2M+1个元素来表示粒子的2M+1维空间位置；设粒子个数为ParticleNum；在可行解区间中，创建具有均匀分布的初始种群，即这些粒子在2M+1维空间位置上均匀分布；又设定粒子初始速度为V，V也是2M+1维向量，对应2M+1维空间位置的速度。
B适应度评估：计算每一个粒子的适应度值，即在统计意义下计算步骤③中的随机数归属于GMM-SDRE模型的概率，适应度值f(θ)按下式计算
Figure GDA0002811633930000033
其中
Figure GDA0002811633930000041
式(3)中k表示道址(即随机数值)，begink和endk分别表示重叠峰的起始道址(最小随机数)和结束道址(最大随机数)，ck表示第k道址的计数(随机数值为k的个数)；f(θ)值越大，位置越优；并记录个体历史最优位置和粒子群全局最优位置；
由于参数θ在进行位置和速度更新时会发生改变，故计算f(θ)之前应先对权重aj作归一化处理，以符合公式(2)的约束条件；
由于粒子空间位置应扩展为3M维才能与GMM-SDRE模型参数θ对应，故应在2M+1维粒子空间位置基础上补上θ的后M-1个元素，按如下公式
fσ(i)＝fσ(1)·ui/u1 (i＝2,...,M) (5)
故计算f(θ)之前应按(5)式补齐θ的后M-1个元素。
C粒子群更新：根据如下公式对当前粒子群进行“飞行”速度、位置更新：
Vid(l+1)＝wVid(l)+λ1r1(Pid-Xid(l))+λ2r2(Pgd-Xid(l)) (d＝1,...,2M+1) (6)
Xid(l+1)＝Xid(l)+βVid(l+1) (d＝1,...,2M+1) (7)
其中：Vid(l+1)、Xid(l+1)表示第i个粒子在第l+1次迭代中第d维上的速度和位置，i＝1,2,…，ParticleNum；Pid、Pgd分别表示到第l次迭代结束时第i个粒子的个体历史最优位置和粒子群全局最优位置(f(θ)值越大，位置越优)；λ1、λ2为速度调节因子，分别表示粒子向Pid和Pgd位置的加速项权重，通常在0～2之间取值；r1、r2是[0,1]之间相互独立的随机数；β称为约束因子，以控制速度的权重；w为惯性权重(加权系数)，决定粒子对当前速度的继承多少，w越大，算法的全局搜索能力越强，反之，局部搜索能力越强，这里采用线性下降权值法，开始时PSO在较大的空间范围内搜索并初步确定最优解的范围，而后进行更精细的局部搜索，可提高解的精度；式(6)和式(7)描述的是全局模式的粒子群算法。w按式(8)进行更新：
Figure GDA0002811633930000051
其中，wmax、wmin表示设置的最大和最小权重，l、lmax表示当前迭代和最大迭代次数。
D满足终止条件(迭代次数满或者最优适应度值f(θ)连续多次不变)时，算法终止，否则返回B继续。
通过以上①～④步求得全局最优位置，该位置所对应的GMM-SDRE模型参数就是重叠峰的各个谱峰之权重、均值和标准差，即完成重叠峰的分解。
本方法密切结合光谱形成过程的随机物理特性，用GMM-SDRE模型来描述重叠峰，整个模型的参数为θ＝[a1 a2…aM u1 u2…uM fσ(1)fσ(2)…fσ(M)]，代表粒子的空间位置，利用粒子群算法的群体搜索技术，充分利用每一个测量的随机数据，保证原谱数据的“零损失”，计算在统计意义下形成重叠峰的随机数归属于各个GMM-SDRE模型的概率，搜索到具有“全局最大概率”的GMM-SDRE模型，即最优模型参数，这正与放射性测量的随机性相符，保证了重叠峰较高的分解精度。结果表明，只要设置好粒子群算法的参数，对于多个高斯峰形成的重叠峰，分解具有较高精度，误差通常小于3％，峰距较大时误差趋于零。
在上述本发明的实施例中，对重叠峰的分解进行了详细说明，但需说明的是，以上所述仅为本发明的一个实施例而已，本发明同样可对其它各种射线的不同谱段、不同峰数的重叠峰进行分解，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于粒子群算法的光谱重叠峰分解方法，其特征在于，步骤如下：
①对由M个谱峰重叠而成的重叠峰进行本底扣除，并对重叠峰进行归一化，得到面积为1的重叠峰；
②将归一化后的重叠峰用标准差关联的GMM模型(GMM:高斯混合模型)来表征，标准差关联的GMM模型(以下简称为GMM-SDRE)如下：
Figure FDA0002811633920000011
式中：ai表示第i分支的权重，即第i个谱峰的权重，且满足
Figure FDA0002811633920000012
ui、fσ(i)分别为第i分支的均值和标准差，其中fσ(i)＝fσ(1)·ui/u1(i＝2,...,M)；
③将归一化后的重叠峰看成一个离散概率密度函数，并产生服从该密度函数的随机数；
④采用粒子群算法的群体搜索技术，找到全局最优GMM-SDRE模型，方法为：将GMM-SDRE模型的3M个参数θ＝[a1 a2…aM u1 u2…uM fσ(1) fσ(2)…fσ(M)]作为粒子在空间中的位置，经过粒子“飞行”速度和“位置”的迭代更新过程，搜索到具有“全局最大适应度值”的位置参数作为全局最优GMM-SDRE模型的参数；适应度值f(θ)是将步骤③中的随机数代入式(3)得到的
Figure FDA0002811633920000013
其中
Figure FDA0002811633920000014
式(3)中k表示道址，即随机数值；begink表示重叠峰的起始道址，即最小随机数；endk表示重叠峰的结束道址，即最大随机数；ck表示第k道址的计数，即随机数值为k的个数；
通过以上①～④步求得全局最优位置，该位置所对应的GMM-SDRE模型参数就是重叠峰的各个谱峰之权重、均值和标准差，即完成重叠峰的分解。
CN201610857111.3A 2016-09-28 2016-09-28 一种基于粒子群算法的光谱重叠峰分解方法 Expired - Fee Related CN107871155B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610857111.3A CN107871155B (zh) 2016-09-28 2016-09-28 一种基于粒子群算法的光谱重叠峰分解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610857111.3A CN107871155B (zh) 2016-09-28 2016-09-28 一种基于粒子群算法的光谱重叠峰分解方法

Publications (2)

Publication Number Publication Date
CN107871155A CN107871155A (zh) 2018-04-03
CN107871155B true CN107871155B (zh) 2021-02-02

Family

ID=61761065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610857111.3A Expired - Fee Related CN107871155B (zh) 2016-09-28 2016-09-28 一种基于粒子群算法的光谱重叠峰分解方法

Country Status (1)

Country Link
CN (1) CN107871155B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111141809B (zh) * 2020-01-20 2022-04-29 中国科学院合肥物质科学研究院 一种基于非接触式电导信号的土壤养分离子含量检测方法
CN111141808B (zh) * 2020-01-20 2022-04-29 中国科学院合肥物质科学研究院 一种基于电泳分析技术的土壤有效态分析方法及其土壤养分等级评定方法
CN111982949B (zh) * 2020-08-19 2022-06-07 东华理工大学 一种四次导数结合三样条小波变换分离edxrf光谱重叠峰方法
CN112395803B (zh) * 2020-09-11 2023-10-13 北京工商大学 基于粒子群算法的icp-aes多峰谱线分离方法
CN112820358B (zh) * 2020-12-28 2022-04-26 上海交通大学 基于遗传算法的熔盐电解精炼重叠峰分离方法及系统
CN112834448B (zh) * 2020-12-31 2023-11-21 杭州罗盘星科技有限公司 一种用于水污染物分析的光谱分解方法
CN115727881A (zh) * 2022-11-25 2023-03-03 河北工程大学 一种具有带宽灵活分配功能的光谱智能解调系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7835872B2 (en) * 2007-02-16 2010-11-16 Florida State University Research Foundation Robust deconvolution of complex mixtures by covariance spectroscopy
CN102063715A (zh) * 2010-12-25 2011-05-18 浙江师范大学 基于nsct和粒子群优化算法的台风云图融合方法
CN102298153A (zh) * 2010-06-23 2011-12-28 成都理工大学 放射性测量中多重谱峰的分解方法
CN102546508A (zh) * 2011-12-23 2012-07-04 上海交通大学 基于粒子群优化算法的prt位置搜索方法
CN103401625A (zh) * 2013-08-23 2013-11-20 西安电子科技大学 基于粒子群优化算法的协作频谱感知优化方法
CN103489446A (zh) * 2013-10-10 2014-01-01 福州大学 复杂环境下基于自适应能量检测的鸟鸣识别方法
US20140032131A1 (en) * 2012-07-30 2014-01-30 Fei Company Automated EDS Standards Calibration
CN104464728A (zh) * 2014-11-26 2015-03-25 河海大学 基于gmm噪声估计的语音增强方法
CN105203565A (zh) * 2014-06-11 2015-12-30 成都理工大学 一种能谱重叠峰解析方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7835872B2 (en) * 2007-02-16 2010-11-16 Florida State University Research Foundation Robust deconvolution of complex mixtures by covariance spectroscopy
CN102298153A (zh) * 2010-06-23 2011-12-28 成都理工大学 放射性测量中多重谱峰的分解方法
CN102063715A (zh) * 2010-12-25 2011-05-18 浙江师范大学 基于nsct和粒子群优化算法的台风云图融合方法
CN102546508A (zh) * 2011-12-23 2012-07-04 上海交通大学 基于粒子群优化算法的prt位置搜索方法
US20140032131A1 (en) * 2012-07-30 2014-01-30 Fei Company Automated EDS Standards Calibration
CN103401625A (zh) * 2013-08-23 2013-11-20 西安电子科技大学 基于粒子群优化算法的协作频谱感知优化方法
CN103489446A (zh) * 2013-10-10 2014-01-01 福州大学 复杂环境下基于自适应能量检测的鸟鸣识别方法
CN105203565A (zh) * 2014-06-11 2015-12-30 成都理工大学 一种能谱重叠峰解析方法
CN104464728A (zh) * 2014-11-26 2015-03-25 河海大学 基于gmm噪声估计的语音增强方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"Learning Gaussian Mixture Models:Moment Methods and Spectral Decompositions";Daniel Hsu et al.;《arXiv:1206.5766v1》;20120625;第1-9页 *
"基于二态稀疏混合高斯模型的混叠矩阵快速估计算法";温洁嫦 等;《计算机工程与设计》;20111231;第32卷(第7期);第2553-2556页 *
"基于负熵粒子群算法的盲信号分离研究";李希字 等;《郑州大学学报(工学版)》;20110131;第32卷(第1期);第112-115页 *
"多重谱峰的分解方法";黄洪全 等;《原子能科学技术》;20100930;第44卷(第9期);第1114-1119页 *
"统计相似度特征的医学图像分割";郭艳蓉 等;《中国图象图形学报》;20130228;第18卷(第2期);第225-234页 *

Also Published As

Publication number Publication date
CN107871155A (zh) 2018-04-03

Similar Documents

Publication Publication Date Title
CN107871155B (zh) 一种基于粒子群算法的光谱重叠峰分解方法
Renner et al. Background rejection in NEXT using deep neural networks
Kakuda et al. Universal extra dimensions after Higgs discovery
Porter et al. Iterative solution of the multistream electron transport equation: 1. Comparison with laboratory beam injection experiments
CN111487671B (zh) 一种中子核反应截面测量中减小中子能量误差的方法
CN116205377B (zh) 分布式光伏电站出力预测方法、系统、计算机及存储介质
Ma et al. Estimation of trapezoidal-shaped overlapping nuclear pulse parameters based on a deep learning CNN-LSTM model
CN114492744A (zh) 一种基于对抗生成网络的地海杂波谱数据样本生成方法
Yu et al. Efficiency optimization of wireless power transfer system for electric vehicle based on improved marine predators algorithm
Ospanov et al. Development of a resource-efficient FPGA-based neural network regression model for the ATLAS muon trigger upgrades
Liu et al. Geometry-aware Autoregressive Models for Calorimeter Shower Simulations
CN114897004B (zh) 一种基于深度学习Transformer模型的梯形堆积核脉冲识别方法
CN108132260B (zh) 一种基于线性叠加模型的能谱解析方法
CN114329981A (zh) 一种基于admm预条件的dgmres双迭代高维电磁仿真方法及系统
Holmberg Jet Energy Corrections with Graph Neural Network Regression
Li et al. Research on gamma spectrum semi-quantitative analysis based on convolutional neural network
Kallonen Quantitative Comparison of Deep Neural Networks for Quark/Gluon Jet Discrimination
Liu et al. Nuclide Identification Algorithm Based on TrAdaBoost
Tang et al. A method for correcting characteristic X-ray net peak count from drifted shadow peak
CN116776935B (zh) 一种基于改进micn的光伏功率预测方法
CN114117870B (zh) 一种反馈式辐射屏蔽分析方法、系统、终端及介质
Hahn Methods for Estimating Mass-Sensitive Observables of Ultra-High Energy Cosmic Rays using Artificial Neural Networks
Hoballah Measurement of the photon polarization using B0 s→ φγ at LHCb
CN111597761B (zh) 基于适配区域划分的国际地磁参考场建模方法
Gavalian et al. Real-time charged track reconstruction for CLAS12

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210202

Termination date: 20210928