CN113281446B - 一种基于rbf网络的质谱仪分辨自动调节方法 - Google Patents

Abstract

本发明提供了一种基于RBF网络的质谱仪分辨自动调节方法，将实际数据带入到RBF网络，计算得到拟合的显示表达式，再经过反向计算得到最优输入参数。本发明所述的基于RBF网络的质谱仪分辨自动调节方法质谱仪分辨自动调节方法使用更加灵活，对应不同的质谱仪可以定制相应的算法显式形式，以得到更合理的结果。

Description

一种基于RBF网络的质谱仪分辨自动调节方法

技术领域

本发明属于质谱仪技术领域，尤其是涉及一种基于RBF网络的质谱仪分辨自动调节方法。

背景技术

四极杆质谱仪是目前化合物进行定性定量分析的一个重要仪器。核心部件由四根平行排列的金属杆组成，施加在杆上的直流电压和射频电压产生的电场使离子沿着四极杆方向螺旋前进。根据电压设置，可以令特定m/z值的离子飞过四极杆，基于这个特点可以分析物质中是否含有特定m/z值的离子。

质谱仪调谐过程中，其单位质量分辨应保持一定范围，这样可以确保分辨出相邻的两个谱峰。以AB SCIEX公司的API 4000型三重四极杆质谱仪为例，其单位质量分辨为：0.6～0.8amu(FWHM)。图1是分辨为0.7amu(FWHM)的质谱图。

通常地，在使用质谱仪之前，调试人员或是实验人员需要对质谱仪的单位质量分辨进行校准，只有合适的单位质量分辨，才能得出正确的实验结果，如果单位质量分辨过低(半峰宽较大)，则不利于分辨相邻的谱峰；如果单位质量分辨过高(半峰宽较小)，目标峰的强度就会大打折扣，这样不利于目标离子的检出。所以，实验前需要手动调节质谱仪分辨，然而，调节分辨往往需要较长的时间，而且需要一定的人力成本。如果要变动单位质量分辨，就需要重新调节，这样会产生许多的重复工作，降低实验效率。

发明内容

有鉴于此，本发明旨在提出一种基于RBF网络的质谱仪分辨自动调节方法，已解决目前需要手动调节质谱仪分辨，然而，调节分辨往往需要较长的时间，而且需要一定的人力成本；如果要变动单位质量分辨，就需要重新调节，这样会产生许多的重复工作，降低实验效率。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于RBF网络的质谱仪分辨自动调节方法，将实际数据带入到RBF网络，计算得到拟合的显示表达式，再经过反向计算得到最优输入参数。

进一步的，具体包括如下步骤：

S1、确定RBF网络隐含层的K个节点函数,得到RBF输入输出的显式关系，并取样得到先验数据集,进入步骤S2；

S2、计算RBF的最优权重向量；

S3、计算输入参数-半峰宽映射；

S4、遍历映射中距离目标半峰宽最近的半峰宽数值对应的输入参数，这个输入参数就是最终的最优输入参数。

进一步的，步骤S1中的节点函数是中心值为μ_n的对称函数，为

结合输入控制向量为x＝[a₁,…,a_n]^T，输出标量y，权重向量w_n，RBF输入输出的显式关系为：

进一步的，步骤S2中，计算RBF的最优权重向量的具体方法为：

先验数据集为

权重向量为w＝[w₁,…,w_K]^T，隐含层的特征向量为

则矩阵R为：

向量d公式为：

求得对应的最优权重向量w_OP公式为：

w_OP＝R^-1d

在确定最优权重向量后，对应的RBF网络也就确定为：

进一步的，步骤S3中，计算输入参数-半峰宽映射的方法如下：

由于映射

是一一对应的，设目标半峰宽为F_d，则：

其中，x_d为最优输入参数。

进一步的，步骤S4中，求取最优输入参数x_d的具体方法如下：

计算出所有输入对应的半峰宽F_d，这样映射

即可确定，遍历映射中距离目标半峰宽F_d最近的半峰宽数值对应的输入

这个输入参数

即为质谱仪分辨的最佳输入参数。

相对于现有技术，本发明所述的基于RBF网络的质谱仪分辨自动调节方法具有以下优势：

(1)本发明将RBF神经网络应用于质谱仪分辨自动调节方法中，这是一种非线性神经网络。使用RBF网络对输入参数-半峰宽曲线进行拟合，可以灵活的选择合适的隐含层节点函数，而且相较于多层感知机而言，计算复杂度低，更容易实现；而相对于传统的插值方法拟合，RBF网络拟合的误差更小，结果更加精确，且无需手动操作，极大的提高了调节效率。

(2)RBF网络隐含层节点函数可以根据质谱仪的输入参数-半峰宽曲线特性自由选择，这就使得分辨自动调节方法能够灵活选择隐含层函数，能够更好的拟合曲线，得到的输入参数更加逼近实际的最佳输入参数；本发明的质谱仪分辨自动调节方法使用更加灵活，对应不同的质谱仪可以定制相应的算法显式形式，以得到更合理的结果。

(3)本发明提出的质谱仪分辨自动调节方法能够快速有效的得到目标半峰宽对应的输入参数。传统的手动调节分辨需要较长的时间，而且需要一定的人力成本，且如果要变动单位质量分辨，就需要重新调节，这样会产生更多的时间成本，降低实验效率，而基于RBF网络的分辨自动调节方法则弥补了这一缺陷，无需重新调节。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明背景技术中所述的分辨是0.7amu(FWHM)的质谱图；

图2为本发明实施例所述的RBF网络框图；

图3为本发明实施例所述的拟合和反向计算框图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

本发明提供了一种基于RBF网络的质谱仪分辨自动调节方法，主要基于RBF(Radial-Basis Function)网络实现，RBF网络是一种非线性的神经网络，能够很好的对输入控制参数与分辨(FWHM)曲线进行拟合，实现本发明的目的。RBF网络的框图如图2所示。

自动调节方法的算法流程如下所示：

步骤1：确定隐含层的K个节点函数

并取样得到先验数据集

进入步骤2；

步骤2：应用下述式(2)、(3)和(4)计算RBF的最优权重向量w_OP；

步骤3：计算输入参数-半峰宽映射；

步骤4：遍历映射中距离目标半峰宽F_d最近的半峰宽数值对应的输入

这个输入

就是最终的结果。

具体如下：

输入控制向量为x＝[a₁,…,a_n]^T，输出为一标量y，其隐含层包含K个节点，节点是中心值为μ_n的对称函数，记作：

所以可以得出神经网络输入输出的显式关系：

在拟合时需有先验数据集

权重向量记作w＝[w₁,…,w_K]^T，隐含层的特征向量记作

矩阵R为：

向量d表示如下式：

基于此可以求得对应的最优权重向量w_OP，

w_OP＝R^-1d (4)

在确定最优权重向量后，RBF网络也就确定了，得到：

其中

有许多形式，在这里选择形式如下：

这样输入参数-半峰宽曲线也就确定了，且映射

是一一对应的，如果目标半峰宽为F_d，则有：

此时x_d是我们的待求量，下面的任务就是求取x_d的方法。

由于输入参数的状态集合是有限的，状态数目约为1000，所以可以计算出所有输入对应的半峰宽，这样映射

即可确定，我们可以遍历映射中距离目标半峰宽F_d最近的半峰宽数值对应的输入

这个输入参数

就是质谱仪分辨的最佳输入参数，这个过程称为反向计算。拟合和反向计算的示意图如图3所示。

其中，反向计算时可以采用求得FWHM(x)反函数的方法计算得出最优化输入，即

但这种方式计算量大，算法复杂度较高。

实施例1：

面我们以HTQ-2020三重四极质谱仪为例，对本专利的自动调节方法进行简单说明，在调节质量数906.7处的分辨时，输入参数是DAC OFFSET值，我们将输入数值范围-1到1平均分为1000段。在拟合之前，先要进行一些数据的抽样检测，作为先验的数据集，抽取8个点，例如(OFFSET，半峰宽)对的8个数据对为(-0.5，1.7)、(-0.2，1.2)、(-0.1，0.9)、(0，0.78)、(0.1，0.63)、(0.2，0.43)、(0.3，0.31)和(0.5，0.1)。由这8个实验的实际数据带入RBF网络中，可以得到RBF网络的最佳权重向量，由此拟合的显式表达式得以求出。

接下来将所有的1000种可能输入带入到RBF网络进行计算，这个过程由计算机执行，可以在短时间内得出结果，这样所有输入对应的半峰宽都确定了。而我们的目标是得到半峰宽为0.7的输入参数，此时需要遍历所有输入-半峰宽对，得到离0.7最近的半峰宽对应的输入，例如(0.085，0.705)是离0.7最近的点，则OFFSET＝0.085就是我们所需要的输入OFFSET值，遍历过程可以由计算机以很短的时间完成。这样我们就可以得到，当质量数906.7处的OFFSET＝0.085时，其半峰宽约为0.7。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

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，其均应涵盖在本发明的权利要求和说明书的范围当中。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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RBF网络的质谱仪分辨自动调节方法，其特征在于：将实际数据带入到RBF网络，计算得到拟合的显示表达式，再经过反向计算得到最优输入参数；

具体包括如下步骤：

S1、确定RBF网络隐含层的K个节点函数,得到RBF输入输出的显式关系，并取样得到先验数据集,进入步骤S2；

S2、计算RBF的最优权重向量；

S3、计算输入参数-半峰宽映射；

S4、遍历映射中距离目标半峰宽最近的半峰宽数值对应的输入参数，这个输入参数就是最终的最优输入参数；

步骤S1中的节点函数是中心值为μ_n的对称函数，为

结合输入控制向量为x＝[a₁,…,a_n]^T，输出标量y，权重向量w_n，RBF输入输出的显式关系为：

步骤S2中，计算RBF的最优权重向量的具体方法为：

先验数据集为

权重向量为w＝[w₁,…,w_K]^T，隐含层的特征向量为

则矩阵R为：

向量d公式为：

求得对应的最优权重向量w_OP公式为：

w_OP＝R^-1d

在确定最优权重向量后，对应的RBF网络也就确定为：

步骤S3中，计算输入参数-半峰宽映射的方法如下：

由于映射

是一一对应的，设目标半峰宽为F_d，则：

其中，x_d为最优输入参数；

步骤S4中，求取最优输入参数x_d的具体方法如下：

计算出所有输入对应的半峰宽F_d，这样映射

即可确定，遍历映射中距离目标半峰宽F_d最近的半峰宽数值对应的输入

这个输入参数

即为质谱仪分辨的最佳输入参数。

Images