CN112395803B - 基于粒子群算法的icp-aes多峰谱线分离方法 - Google Patents
基于粒子群算法的icp-aes多峰谱线分离方法 Download PDFInfo
- Publication number
- CN112395803B CN112395803B CN202010951883.XA CN202010951883A CN112395803B CN 112395803 B CN112395803 B CN 112395803B CN 202010951883 A CN202010951883 A CN 202010951883A CN 112395803 B CN112395803 B CN 112395803B
- Authority
- CN
- China
- Prior art keywords
- particle
- fitness value
- optimal
- spectral line
- particles
- 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.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 199
- 230000003595 spectral effect Effects 0.000 title claims abstract description 120
- 238000002354 inductively-coupled plasma atomic emission spectroscopy Methods 0.000 title claims abstract description 36
- 238000000926 separation method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 49
- 230000013016 learning Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 15
- 238000012886 linear function Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 230000009326 social learning Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008602 contraction Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009616 inductively coupled plasma Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000000295 emission spectrum Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000012488 sample solution Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000921 elemental analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供的基于粒子群算法的ICP‑AES多峰谱线分离方法，通过建立单条谱线的数学模型。构建多元评价函数自适应粒子群算法求解中能够使为最小值的最佳特征向量最佳特征向量解析出多峰谱线中目标谱线表达式和干扰谱线表达式，从而进行干扰校正。优点是：通过粒子群算法求解评价函数的最优解实现ICP‑AES多峰谱线分离，求解所得的重叠干扰曲线以及目标曲线特征参数准确，计算结果操作简单，能够减小误差，不受重叠谱线的干扰。相比于标准粒子群算法，本发明提供的自适应粒子群算法有效保证前期迭代全局探索最优解和后期迭代局部收敛于全局最优解，收敛速度快，逼近能力强，具有更优的性能。
Description
技术领域
本发明涉及光谱学和信息处理技术领域，涉及一种基于粒子群算法的ICP-AES多峰谱线分离方法，进一步涉及基于自适应粒子群算法的ICP-AES多峰谱线分离方法的研究。
背景技术
电感耦合等离子体原子发射光谱仪法(Inductively coupled plasma atomicemi ssion spectro-metry)，简称ICP-AES法，一定浓度的元素试样溶液经过ICP-AES仪雾化、在炬管中进入等离子态，试样中的组分被原子化、电离、激发，以光的形式发射出能量，通过测定试样溶液光谱图的特征与光强值进而对元素进行定性和定量分析，该测量方法具有灵敏度高、检出限低及多元素可同时测定的优点，因此被广泛应用于稀土分析、合金制作、石油换工等领域。
然而ICP光源激发能高，所以在元素测定过程中，会产生大量发射谱线，几乎每种元素分析线都会受到不同程度的光谱干扰。光谱干扰分为背景干扰和谱线重叠干扰。背景干扰是指均匀分布的带状光谱叠加在被测元素分析线上造成的干扰，这是ICP光谱仪的固有问题；谱线重叠干扰是指其他元素的谱线重叠在被测元素分析线上产生的干扰，被测元素分析线与干扰线叠加后的合成曲线作为混合光谱分析线，导致被测元素分析结果不精确，因此研究光谱干扰校正方法就尤为重要。
近年来，数学和统计学方法常用于ICP-AES信号处理，为ICP-AES光谱干扰校正提供了新的途径。现有技术中通过利用自适应平方根卡尔曼滤波法校正ICP-AES光谱干扰，需要在合适的参数条件下测定加入回收率及相对标准偏差，此方法对参数设定要求较高；以目标元素谱图作为目标数据输入，选择元素理论谱线经仪器函数映射得到的元素物理谱线作为参考输入，最后通过自适应滤波器输出元素谱线的最佳估计谱线(目标谱线)。
由于ICP-AES检测系统在工作过程中存在谱线重叠干扰现象，无法准确测得目标谱线特征波长对应的光强值，导致无法精确地计算出元素的含量。
所以如何提供一种能够解决ICP-AES检测系统在工作过程中存在的谱线重叠干扰现象，准确测得目标谱线特征波长对应的光强，从而精确计算出元素含量成为亟待解决的问题。
发明内容
本发明提供一种基于粒子群算法的ICP-AES多峰谱线分离方法，用以解决现有技术中，ICP-AES检测系统在工作过程中存在谱线重叠干扰现象，无法准确测得目标谱线特征波长对应的光强值，导致无法精确地计算出元素含量的问题。
为了实现上述目的，本发明技术方案提供了一种基于粒子群算法的ICP-AES多峰谱线分离方法，包括：建立单条谱线的数学模型。构建多元评价函数通过自适应粒子群算法求解/>中能够使/>为最小值的最佳特征向量/>包括，计算自适应惯性权重、线性变化的学习因子，判断当前粒子的个体适应度值是否小于粒子最优适应度值，判断当前粒子的粒子最优适应度值是否小于全局最优适应度值，最终获取达到最大迭代次数时全局最优适应度值对应的粒子的位置向量为最优解；其中，/>为自适应粒子群算法的粒子位置向量。通过最佳特征向量/>解析出多峰谱线中目标谱线表达式和干扰谱线表达式，从而进行干扰校正。
作为上述技术方案的优选，较佳的，建立表达形式为洛伦兹函数和高斯函数的卷积的单条谱线的数学模型：
用Voigt线型近似函数来描述单条原子发射谱线：
作为上述技术方案的优选，较佳的，建立多峰谱线叠加模型，
作为上述技术方案的优选，较佳的，构建多元评价函数包括：
以多峰谱线叠加模型与理论目标曲线数据点之间的均方根误差作为对实际目标曲线拟合程度的评价准则，构建多元评价函数
作为上述技术方案的优选，较佳的，通过自适应粒子群算法求解中能够使为最小值的最佳特征向量/>包括：初始化种群参数，对基本变量、向量、系数、阈值进行设置；计算各个粒子的初始个体适应度最优值，以及全局最优适应度值。进行迭代，结合通过计算得到的自适应惯性权重、线性变化的学习因子以及压缩因子更新粒子速度向量和位置向量；其中，自适应惯性权重是根据所有粒子的平均最优适应度值和当前粒子的最优适应度值比较结果计算的；学习因子线性变化是指随着迭代次数的增加自我学习因子先大后小动态变化，社会学习因子先小后大动态调整。对粒子的个体进行适应度评价，判断当前粒子的个体适应度值是否小于粒子最优适应度值，还判断当前粒子的最优适应度值是否小于全局最优适应度值。判断是否达到最大迭代次数，若达到则记录全局最优适应度值以及粒子最优解，否则继续进行迭代。其中，/>为自适应粒子群算法的适应度函数。
作为上述技术方案的优选，较佳的，计算粒子最优适应度值具体为，将所有粒子当前的位置向量X代入适应度函数，计算各个粒子的适应度值作为各个粒子的粒子最优适应度值，将所有粒子的粒子粒子最优适应度值进行相互比较，取最小值作为全局初始最优适应度值。
作为上述技术方案的优选，较佳的，更新粒子速度向量和位置向量，包括：迭代的粒子在D维空间下搜索移动，追踪当前的粒子得到它的个体适应度值和全局最优适应度值，根据相应计算公式对粒子的速度和位置更新，
其中，k为迭代次数，ω为自适应惯性权重，c1和c2为学习因子，r1和r2为[0，1]内的随机数，是第k次迭代粒子i的位置，/>是第k次迭代粒子i的速度，/>是粒子i经过k次迭代适应度最优值的位置，/>是经过k次迭代的全局最优适应度值的位置。
作为上述技术方案的优选，较佳的，学习因子c1和c2的获取方式为：
其中，T表示当前迭代次数，Tmax表示算法最大迭代次数。
自适应惯性权重ω与粒子前次迭代速度与本次迭代速度的关联程度有关，所述自适应惯性权重ω根据粒子适应度值进行动态调整：
其中，f为当前粒子的适应度值，favg和fmin为当前所有粒子的平均适应度值和最小适应度值。
作为上述技术方案的优选，较佳的，对粒子个体进行适应度评价，判断当前粒子个体适应度值是否小于粒子最优适应度值，还判断当前粒子的最优适应度值是否小于全局最优适应度值，包括：计算迭代后的粒子的个体适应度值。判断本次迭代中当前粒子个体适应度值是否小于之前次迭代中得到的粒子最优适应度值，若是则更新此粒子的最优适应度值且记录粒子位置，否则保留之前次迭代的最优适应度值。将本次迭代中当前粒子的最优适应度值与全局最优适应度值比较，若小于，则当前粒子的最优适应度值成为新的全局最优适应度值，并记录此粒子的位置，否则保留之前次迭代的全局最优适应度值。
作为上述技术方案的优选，较佳的，将最佳特征向量分解为若干个子峰谱线的最佳特征向量/>对比目标谱线的波长和/>中的波长，筛选得到目标谱线的最佳特征向量，将此最佳特征向量代入单条谱线的数学模型I(λ，[I0，λ0，ΔλV，η])，得到多峰谱线中的目标谱线表达式。
本发明技术方案提供的基于粒子群算法的ICP-AES多峰谱线分离方法通过，建立单条谱线的数学模型。构建多元评价函数通过自适应粒子群算法求解/>中能够使/>为最小值的最佳特征向量/>通过最佳特征向量/>解析出多峰谱线中目标谱线表达式和干扰谱线表达式，从而进行干扰校正。
本发明的优点是：
1、通过粒子群算法求解评价函数的最优解实现ICP-AES多峰谱线分离，求解所得的重叠干扰曲线以及目标曲线特征参数较为准确，选用智能算法计算结果操作简单，能够减小误差，不受重叠谱线的干扰。
2、相比于标准粒子群算法，本发明提供的自适应粒子群算法可以有效保证前期迭代尽可能全局探索最优解和后期迭代局部收敛于全局最优解，收敛速度快，逼近能力强，具有更优的性能。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单介绍，显而易见地，下面描述中的附图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为本发明提供的基于粒子群算法的ICP-AES多峰谱线分离方法的流程图一。
图2为本发明提供的基于粒子群算法的ICP-AES多峰谱线分离方法的流程图二。
图2a为图2中步骤204中采用的自适应粒子群算法的流程图。
图3为高斯Gaussian函数分布图。
图4为洛伦兹Lorentz函数分布图。
图5为采用本发明提供的分离方法对Voigt线型函数模拟数据1的多峰谱线分离结果。
图6为采用本发明提供的分离方法对Voigt线型函数模拟数据2的多峰谱线分离结果。
图7为采用本发明提供的分离方法对Voigt线型函数模拟数据3的多峰谱线分离结果。
图8为元素Pr在390.844nm处的多峰谱线分离结果。
图9为元素Hg在313.183nm处的多峰谱线分离结果。
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
现进一步说明本发明技术方案，主要包括以下步骤：建立单条谱线的数学模型、建立多峰谱线叠加模型、建立多峰谱线分离评价函数、通过自适应粒子群算法求解评价函数的最优解，通过最佳特征向量解析重叠谱线中的目标谱线表达式和干扰谱线表达式。
具体的，如图1所示，步骤如下：
步骤101、建立单条谱线的数学模型。
步骤102、建立多峰谱线叠加模型。
步骤103、构建多元评价函数。
步骤104、通过自适应粒子群算法求解多元评价函数中能够使其为最小值的最佳特征向量。
步骤105、将最佳特征向量分解为若干个子峰谱线的最佳特征向量。
步骤106、筛选得到目标谱线的表达式和干扰谱线的表达式。
具体的，筛选指的是：将目标谱线的波长和若干个子峰谱线的最佳特征向量的波长进行对比。
现对本发明具体实施方式进行具体说明，如图2所示：
步骤201、建立表达形式为洛伦兹函数和高斯函数卷积的福格特线型函数的单条谱线的数学模型。
ICP-AES的谱线峰形无法用单一的数学模型进行描述。对于大部分原子或离子的发射谱线，其峰形由于不均匀展宽而服从高斯(Gaussian)分布，如图3所示，而对于均匀展宽的峰形则服从洛伦兹(Lorentzian)分布，如图4所示。要说明的是，图3和图4的横纵坐标无特殊意义仅用于对高斯分布函数和洛伦兹分布函数进行释义。
在ICP-AES工作条件下，激发态原子或离子的谱线是在均匀和不均匀展宽效应综合作用下形成的混合型谱线。ICP-AES发射光谱谱线为Lorentzian函数与Gaussian函数卷积得到的福格特(Voigt)线型函数。
本步骤中建立表达形式为洛伦兹函数和高斯函数卷积的福格特线型函数的单条谱线的数学模型，如公式(1)所示。
其中，λ表示波长，λ0表示谱线特征波长，ΔλG和ΔλL分别表示高斯函数和洛伦兹函数对应展宽峰形的半宽度，进一步的，d为积分符号，dλ表示对λ进行积分。
为了简便计算，原子发射光谱谱线可以用Voigt线型近似函数来描述，所以对公式(1)进行简化后，得到：
其中，I0为谱峰高度，λ0为特征谱线中心位置，ΔλL为谱线半峰宽，η为洛伦兹-高斯(Lorentz-Gauss)比例系数，0≤η≤1，I0，λ0，ΔλV，η为福格特(Voigt)线型近似函数的待确定参数。
步骤202、建立多峰谱线叠加模型。
由于光谱的叠加为线性叠加，ICP-AES曲线通常是由M条Voigt线型曲线与一个背景值叠加而成，其构成的多峰谱线叠加模型如公式(3)所示。
其中，BK为背景值，为(4M+1)维多峰谱线叠加模型的特征参数向量，具体的，即构成模型函数的每条Voigt线型函数的待确定参数。
步骤203、根据拟合曲线与目标谱线数据点之间的均方根误差建立构建多元评价函数其中，从实现作用的角度/>也称之为多峰谱线分离评价函数。
以多峰谱线叠加模型的拟合曲线(公式3)与目标谱线数据点之间的均方根误差作为多峰谱线叠加模型函数对目标曲线拟合程度的评价准则，从而构建多元评价函数/>如公式(4)所示。其中，需要说明的是，目标谱线数据点指的构成目标谱线的部分数据点，将这些数据点作为以下算法的输入。
公式(4)中：(λk，Ik)为目标谱线上N个数据点，数据点(λk，Ik)是指在波长λk下检测到的光强值Ik，在ICP-AES目标光谱数据中，表征不同波长λk用波长所在位置点变量pos表示，Ik则为所在位置点即特定波长下检测到的元素光强值。
则多峰谱线分离方法归结为：在一定范围内寻找多元函数全局最优解的问题，即求解特征参数向量使多元评价函数/>取到最小值。根据已确定的多峰谱线叠加模型函数的相关参数，则可将模型分离为多个单独Voigt线型函数，从而实现多峰谱线分离。
步骤204、通过自适应粒子群算法求解评价函数的最优解，得到重叠谱线的最佳特征向量
自适应粒子群算法主要包括种群初始化、动态调整参数、粒子更新和粒子选择四个步骤。种群初始化后，循环动态调整参数、粒子更新和粒子选择操作，直到达到最大迭代次数；在每一轮进化中动态调整惯性参数、学习因子，对种群所有粒子位置向量执行移动操作，得到该粒子新位置向量；然后将粒子更新后的位置向量代入适应度函数，对比该粒子在位置更新前的最小适应度值，选取适应度函数较小值作为该粒子的最优适应度值并记录所对应的该粒子位置向量；最后将该粒子的最优适应度值对比所有粒子中的最优适应度值，选取适应度值较小的向量作为下一代种群的全局最优适应度值。
粒子群算法以适应度函数值作为判别标准，每个粒子都有自己的位置和速度属性，代表适应度函数的一种可能解，在每次迭代中更新粒子最优适应度值Pbest和全局最优适应度值Gbest，每一次迭代粒子在D维空间下搜索移动，追踪当前最优粒子得到这两个适应度值，并相应的更新此粒子的速度和位置。
具体的，现对步骤204进行详细说明，其所使用的自适应粒子群算法的流程如图2a所示：
步骤301、种群初始化。
初始化种群参数，设置粒子数目N、探索空间维数D、最大迭代次数Tmax、收缩因子χ，惯性权重的最大值ωmax、最小值ωmin，根据目标谱线形状在限定范围内随机初始化粒子的位置向量X＝{x1，x2，...，xD}和速度向量V＝{v1，v2，...，vD}。需要说明的是，在本发明中将重叠谱线的特征向量视为自适应粒子群算法的粒子位置向量。
步骤302、计算粒子最优适应度值以及全局最优适应度值。
具体的，将所有粒子当前的位置向量X代入适应度函数计算粒子的适应度值作为粒子最优适应度值Pbest，将所有粒子的粒子最优适应度值Pbest进行相互比较，最小值作为全局最优适应度值Gbest。
本发明中，将多元评价函数视为自适应粒子群算法的适应度函数，其中/>也可以叫做多峰谱线分离评价函数。
步骤303、进入迭代次数循环，不断更新粒子i的速度向量和位置向量。
进一步的，步骤303包括：
A、计算自适应惯性权重ω。
标准粒子群算法中自适应惯性权重ω决定了粒子前次迭代速度与本次迭代速度的关联程度。结合前期算法收敛情况，为了提高粒子群算法搜索效果的精准性，本申请在标准粒子群算法的基础上将惯性权重ω改进为自适应权重变化，自适应惯性权重ω根据粒子适应度值进行动态调整，如公式(5)所示：
其中，f为当前粒子的适应度值，favg和fmin为当前所有粒子的平均适应度值和最小适应度值。
B、计算当前迭代后的学习因子，获取学习因子的线性变化。
在标准粒子群算法速度更新公式中，当前次迭代粒子速度，还要依据自我认知和社会经验/>两个重要组成部分，学习因子c1和c2是决定这两部分在粒子速度更新过程中产生影响的重要因素。本发明技术方案提供的自适应粒子群算法采取学习因子线性变化的方式对学习因子进行实时更新，算法在前期阶段搜索时(迭代次数小)，移动粒子变化更多依据自身经验，在后期阶段搜索时，粒子位置变化则需要根据整个种群的社会经验，追踪全局最优粒子位置，c1和c2分别按照公式(6)和公式(7)调整。
其中，T表示当前迭代次数，Tmax表示算法最大迭代次数。
其中，计算自适应惯性权重ω和计算当前迭代后的学习因子，获取学习因子的线性变化是并列关系。
根据公式(5)、(6)和(7)得到的自适应惯性权重和学习因子数据不断更新粒子i的速度向量和位置向量。具体的，根据下示的公式(8)和公式(9)来更新粒子的速度和位置。
其中，k为迭代次数，ω为自适应惯性权重，c1和c2为学习因子，r1和r2为[0，1]内的随机数，是第k次迭代粒子i的位置，/>是第k次迭代粒子i的速度，/>是粒子i经过k次迭代适应度最优值的位置，/>是经过H次迭代的全局最优适应度值的位置。
进一步的，在步骤303中更新粒子的速度和位置还可以包括，
在计算过程中，若种群内的粒子多样性减少，且种群粒子远离全局最优位置时，需要增强种群全局搜索能力探索粒子的全局最优位置，当种群内粒子多样性不断增加时，需要增强种群局部开发能力，为了维护算法全局探索能力与局部开发能力的平衡，在标准粒子群算法速度更新公式的基础上乘以收缩因子，加快收敛速度，保证算法的收敛性，此时速度更新根据公式(10)调整。
式中χ为收缩因子，如式(11)所示。
其中，通常取4.1，能够适当保持种群粒子的多样性。粒子位置向量根据速度向量更新变化。
步骤304、计算当前粒子i的个体适应度值p(i)。
步骤305、判断p(i)是否小于粒子最优适应度值Pbest。若是，执行步骤306，否则执行步骤307。
步骤306、更新粒子的粒子最优适应度值Pbest，更新后执行步骤307。
步骤307、判断当前粒子的粒子最优适应度值Pbest是否小于全局最优适应度值Gbest。若是，执行步骤308，否则执行步骤309。
步骤308、更新全局最优适应度值Gbest，更新后执行步骤309。以当前粒子最优适应度值Pbest作为新的全局最优适应度值Gbest。
步骤309、判断是否达到最大迭代次数。若是执行步骤310，否则返回步骤303进入新一轮迭代。
在新一轮迭代中，步骤303重新计算自适应惯性权和迭代后的学习因子，更新粒子的速度和位置，从而达到重新计算当前粒子位置更新后的适应度值的目的。再继续重复步骤305至步骤308，将新的p(i)与该粒子的Pbest比较，若小于，则替代成为该粒子新的Pbest，并记录相应的粒子位置。将当前粒子的Pbest与上次迭代的Gbest比较，若还小于，则此次迭代的Pbest成为新的Gbest，并记录相应的粒子位置。例如，在一次迭代中，如果p(i)小于Pbest，进一步Pbest小于Gbest，那么此次迭代中Pbest和Gbest都为此次的p(i)。
步骤310、得到最佳向量
具体的，在最后一轮迭代中全局最优适应度值Gbest和粒子最优适应度值Pbest中更小最优值为本次迭代的最优解，最优解中粒子位置所对应的位置向
量为本次迭代后得到的粒子位置向量。
步骤205、解析最佳向量将目标谱线波长与解析结果进行比对，得到目标谱线和干扰谱线的表达式。
对最佳向量进行解析，将其分解为若干个子峰谱线的最佳特征向量I＝1，2，...，M，如公式(12)所示。
对比目标谱线的波长和中的波长，与目标谱线波长最接近的/>为筛选得到的目标谱线的最佳特征向量，将此最佳特征向量代入单条谱线的数学模型I(λ，[I0，λ0，ΔλV，η])，得到多峰谱线中的目标谱线表达式，达到谱线重叠干扰校正的目的。
图5-图7为采用本发明提供的分离方法对Voigt线型函数模拟数据1、2和3进行多峰谱线分离结果的曲线图。三种模拟数据1、2和3是由两个Voigt线型近似函数构成的，三种不同重叠程度的叠加合成曲线。Voigt线型函数模拟数据1的目标数据曲线两峰几乎不重叠，相互干扰很小；Voigt线型函数模拟数据2的目标数据曲线两峰部分重叠，峰形发生变化，但两峰中心位置清晰；Voigt线型函数模拟数据3的目标数据曲线两峰严重混叠难以分辨，两峰变形同时峰中心位置移位，峰值大小也受到严重影响。
从而，进一步的，图8及图9为应用本发明提供的技术方案对元素Pr和Hg进行多峰谱线分离得到的结果。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.基于粒子群算法的ICP-AES多峰谱线分离方法，其特征在于，所述方法包括：
建立单条谱线的数学模型，包括，建立表达形式为洛伦兹函数和高斯函数的卷积的单条谱线的数学模型：
其中，λ表示波长，λ0表示谱线特征波长，ΔλG和ΔλL分别表示高斯函数和洛伦兹函数对应展宽峰形的半宽度，进一步的，d为积分符号，dλ表示对λ进行积分；
用Voigt线型近似函数来描述单条原子发射谱线：
其中，I0为谱峰高度，λ0为特征谱线中心位置，ΔλL为谱线半峰宽，η为洛伦兹-高斯比例系数，0≤η≤1，I0,λ0,ΔλV,η为Voigt线型近似函数的待确定参数；
建立多峰谱线叠加模型：
其中，BK为背景值，为(4M+1)维多峰谱线叠加模型的特征参数向量，具体的，即构成模型函数的每条Voigt线型函数的待确定参数，其中，M为/>中曲线的条数；
构建多元评价函数包括：以所述多峰谱线叠加模型与理论目标曲线数据点之间的均方根误差作为对实际目标曲线拟合程度的评价准则，构建多元评价函数/>
其中，在ICP-AES目标光谱数据中，λk表征不同波长，Ik为所在位置点即特定波长下检测到的元素光强值；
通过自适应粒子群算法求解中能够使/>为最小值的最佳特征向量/>包括，计算自适应惯性权重、线性变化的学习因子，判断当前粒子的个体适应度值是否小于粒子最优适应度值，判断当前粒子的粒子最优适应度值是否小于全局最优适应度值，最终获取达到最大迭代次数时全局最优适应度值对应的粒子的位置向量为最优解；其中，/>为自适应粒子群算法的粒子位置向量；
通过所述最佳特征向量解析出多峰谱线中目标谱线表达式和干扰谱线表。
2.根据权利要求1所述的基于粒子群算法的ICP-AES多峰谱线分离方法，其特征在于，所述通过自适应粒子群算法求解中能够使/>为最小值的最佳特征向量/>包括：
初始化种群参数，对基本变量、向量、系数、阈值进行设置；
计算各个粒子的初始粒子最优适应度值，以及全局最优适应度值；
进行迭代，结合通过计算得到的自适应惯性权重、线性变化的学习因子以及压缩因子更新粒子速度向量和位置向量；其中，所述自适应惯性权重是根据所有粒子的平均最优适应度值和当前粒子的最优适应度值比较结果计算的；学习因子线性变化是指随着迭代次数的增加自我学习因子先大后小动态变化，社会学习因子先小后大动态调整；
对粒子的个体进行适应度评价，判断当前粒子的个体适应度值是否小于粒子最优适应度值，还判断当前粒子的最优适应度值是否小于全局最优适应度值；
判断是否达到最大迭代次数，若达到则记录全局最优适应度值以及粒子最优解，否则继续进行迭代；
其中，为自适应粒子群算法的适应度函数。
3.根据权利要求2所述的基于粒子群算法的ICP-AES多峰谱线分离方法，其特征在于，所述计算粒子最优适应度值具体为，将所有粒子当前的位置向量X代入适应度函数，计算各个粒子的个体适应度值，每个粒子比较在不同位置下的个体适应度值，取最小值作为该粒子的最优适应度值，将所有粒子的粒子最优适应度值进行相互比较，取最小值作为全局初始最优适应度值。
4.根据权利要求2所述的基于粒子群算法的ICP-AES多峰谱线分离方法，其特征在于，所述更新粒子速度向量和位置向量，包括：
迭代的粒子在D维空间下搜索移动，追踪当前的粒子得到它的个体适应度值和全局最优适应度值，根据相应计算公式对粒子的速度和位置更新，
其中，k为迭代次数，ω为自适应惯性权重，c1和c2为学习因子，r1和r2为[0,1]内的随机数，是第k次迭代粒子i的位置，/>是第k次迭代粒子i的速度，/>是粒子i经过k次迭代适应度最优值的位置，/>是经过k次迭代的全局最优适应度值的位置。
5.根据权利要求4所述的基于粒子群算法的ICP-AES多峰谱线分离方法，其特征在于，所述学习因子c1和c2，以及所述自适应惯性权重ω的获取方式为：
其中，T表示当前迭代次数，Tmax表示算法最大迭代次数；
自适应惯性权重ω与粒子前次迭代速度与本次迭代速度的关联程度有关，所述自适应惯性权重ω根据粒子适应度值进行动态调整：
其中，f为当前粒子的适应度值，favg和fmin为当前所有粒子的平均适应度值和最小适应度值。
6.根据权利要求2所述的基于粒子群算法的ICP-AES多峰谱线分离方法，其特征在于，所述对粒子个体进行适应度评价，判断当前粒子个体适应度值是否小于粒子最优适应度值，还判断当前粒子的最优适应度值是否小于全局最优适应度值，包括：
计算迭代后的粒子的个体适应度值；
判断当前粒子个体适应度值是否小于前次迭代中粒子最优适应度值，若是则更新此粒子的粒子最优适应度值且记录粒子位置，否则保留之前次迭代的最优适应度值；
将本次迭代中当前粒子的最优适应度值与全局最优适应度值比较，若小于，则当前粒子的最优适应度值成为新的全局最优适应度值，并记录此粒子的位置，否则保留之前次迭代的全局最优适应度值。
7.根据权利要求1所述的基于粒子群算法的ICP-AES多峰谱线分离方法，其特征在于，
将最佳特征向量分解为若干个子峰谱线的最佳特征向量/>
对比目标谱线的波长和中的波长，筛选得到目标谱线的最佳特征向量，将此最佳特征向量代入单条谱线的数学模型I(λ,[I0,λ0,ΔλV,η])，得到所述多峰谱线中的目标谱线表达式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010951883.XA CN112395803B (zh) | 2020-09-11 | 2020-09-11 | 基于粒子群算法的icp-aes多峰谱线分离方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010951883.XA CN112395803B (zh) | 2020-09-11 | 2020-09-11 | 基于粒子群算法的icp-aes多峰谱线分离方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112395803A CN112395803A (zh) | 2021-02-23 |
| CN112395803B true CN112395803B (zh) | 2023-10-13 |
Family
ID=74596121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010951883.XA Active CN112395803B (zh) | 2020-09-11 | 2020-09-11 | 基于粒子群算法的icp-aes多峰谱线分离方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112395803B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115508899B (zh) * | 2022-10-21 | 2023-08-29 | 中铁二院工程集团有限责任公司 | 基于最优化理论的航空大地电磁功率谱估算方法及设备 |
| CN116466571B (zh) * | 2023-06-12 | 2023-09-26 | 中国科学技术大学先进技术研究院 | Pid参数自整定控制芯片和系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5218553A (en) * | 1989-08-23 | 1993-06-08 | The Perkin-Elmer Corporation | Method for determining concentrations by means of atomic emission 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 |
| 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 |
| CN103714354A (zh) * | 2014-01-16 | 2014-04-09 | 西安电子科技大学 | 基于量子粒子群算法的高光谱图像波段选择方法 |
| CN105787957A (zh) * | 2016-04-05 | 2016-07-20 | 武汉大学 | 一种基于量子粒子群算法的高光谱图像端元提取算法 |
| CN107871155A (zh) * | 2016-09-28 | 2018-04-03 | 成都理工大学 | 一种基于粒子群算法的光谱重叠峰分解方法 |
| WO2018121082A1 (zh) * | 2016-12-26 | 2018-07-05 | 同方威视技术股份有限公司 | 基于拉曼光谱的自学习式定性分析方法 |
| CN110428043A (zh) * | 2019-07-11 | 2019-11-08 | 燕山大学 | 基于粒子群算法的神经元群模型参数自适应优化方法 |
| CN110599430A (zh) * | 2019-09-29 | 2019-12-20 | 河北工业大学 | 基于交叉双粒子群优化的高光谱图像解混方法 |
| CN111539511A (zh) * | 2020-04-28 | 2020-08-14 | 三峡大学 | 基于多策略融合的粒子群优化算法 |
-
2020
- 2020-09-11 CN CN202010951883.XA patent/CN112395803B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5218553A (en) * | 1989-08-23 | 1993-06-08 | The Perkin-Elmer Corporation | Method for determining concentrations by means of atomic emission 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 |
| 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 |
| CN103714354A (zh) * | 2014-01-16 | 2014-04-09 | 西安电子科技大学 | 基于量子粒子群算法的高光谱图像波段选择方法 |
| CN105787957A (zh) * | 2016-04-05 | 2016-07-20 | 武汉大学 | 一种基于量子粒子群算法的高光谱图像端元提取算法 |
| CN107871155A (zh) * | 2016-09-28 | 2018-04-03 | 成都理工大学 | 一种基于粒子群算法的光谱重叠峰分解方法 |
| WO2018121082A1 (zh) * | 2016-12-26 | 2018-07-05 | 同方威视技术股份有限公司 | 基于拉曼光谱的自学习式定性分析方法 |
| CN110428043A (zh) * | 2019-07-11 | 2019-11-08 | 燕山大学 | 基于粒子群算法的神经元群模型参数自适应优化方法 |
| CN110599430A (zh) * | 2019-09-29 | 2019-12-20 | 河北工业大学 | 基于交叉双粒子群优化的高光谱图像解混方法 |
| CN111539511A (zh) * | 2020-04-28 | 2020-08-14 | 三峡大学 | 基于多策略融合的粒子群优化算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112395803A (zh) | 2021-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | A novel hybrid feature selection strategy in quantitative analysis of laser-induced breakdown spectroscopy | |
| CN112395803B (zh) | 基于粒子群算法的icp-aes多峰谱线分离方法 | |
| CN108844939B (zh) | 基于非对称加权最小二乘的拉曼光谱检测基线校正方法 | |
| CN112414997B (zh) | 基于rbf神经网络的icp-aes重叠谱线分离方法 | |
| CN108956583A (zh) | 用于激光诱导击穿光谱分析的特征谱线自动选择方法 | |
| CN102830096A (zh) | 基于人工神经网络的元素浓度测量误差修正方法 | |
| JP6839885B1 (ja) | ピーク形状を最適化するためのシステムおよび方法 | |
| Coluccia et al. | Design of customized adaptive radar detectors in the CFAR feature plane | |
| Zhang et al. | Application of swarm intelligence algorithms to the characteristic wavelength selection of soil moisture content | |
| CN104769412B (zh) | 用于判定气溶胶颗粒尺寸的方法和设备 | |
| JP6112613B2 (ja) | 信号分析装置、信号分析方法及びコンピュータプログラム | |
| US11211150B2 (en) | Mass spectrum processing apparatus and model generation method | |
| CN107064042B (zh) | 红外光谱的定性分析方法 | |
| EP2580772A2 (en) | A method computer program and system to analyze mass spectra | |
| CN115130377A (zh) | 一种boss-sapso优化极限学习机的土壤重金属预测方法 | |
| CN115541563A (zh) | 一种基于激光诱导击穿光谱的元素定量分析方法 | |
| CN111415715B (zh) | 一种基于多元光谱数据的智能校正方法、系统及装置 | |
| CN115236062A (zh) | 基于de算法和非均匀b样条曲线的光谱基线校正方法 | |
| Schimidt et al. | Determination of some rare earth elements by EDXRF and artificial neural networks | |
| CN113674814B (zh) | 一种光谱定量分析模型的构建方法及装置 | |
| Lebedev et al. | Using the Kohonen Clustering Algorithm for Rough Peak Detection during Mass Spectrum Preprocessing | |
| CN113361610A (zh) | 葡萄酒产地智能识别方法及系统 | |
| WO2021064924A1 (ja) | 波形解析方法及び波形解析装置 | |
| WO2021038252A1 (en) | Spectroscopic apparatus and methods for determining components present in a sample | |
| CN117529668B (zh) | 用于提供训练数据以使得神经网络能够分析nmr测量中的信号的系统和方法 |
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 |