CN114839210B - 基于ssa-bp神经网络的xrf元素定量分析方法 - Google Patents
基于ssa-bp神经网络的xrf元素定量分析方法 Download PDFInfo
- Publication number
- CN114839210B CN114839210B CN202210375843.4A CN202210375843A CN114839210B CN 114839210 B CN114839210 B CN 114839210B CN 202210375843 A CN202210375843 A CN 202210375843A CN 114839210 B CN114839210 B CN 114839210B
- Authority
- CN
- China
- Prior art keywords
- sparrow
- neural network
- iteration
- population
- matrix
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 15
- 241000287127 Passeridae Species 0.000 claims description 107
- 239000011159 matrix material Substances 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 34
- 238000010606 normalization Methods 0.000 claims description 17
- 241000287227 Fringillidae Species 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 238000002189 fluorescence spectrum Methods 0.000 abstract description 2
- 238000004846 x-ray emission Methods 0.000 description 11
- 239000002689 soil Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 238000004876 x-ray fluorescence Methods 0.000 description 2
- 235000014698 Brassica juncea var multisecta Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000275904 brauner Senf Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供的基于SSA‑BP神经网络的XRF元素定量分析方法,属于X荧光光谱元素检测技术领域,包括确定各目标样本中待测元素和干扰元素的信息,构建BP神经网络并确定输入输出,选定测试集和训练集后,利用SSA优化BP神经网络的权值和阀值,再训练BP神经网络,定量预测待测元素含量;最后计算决定系数,评价SSA‑BP神经网络的预测效果。本发明运算过程简明合理,易于操作,预测准确率高,可以高准确率地拟合出元素组分值与元素含量的复杂关联,简便有效地对待测物所含元素进行定量预测。
Description
技术领域
本发明属于X荧光光谱元素检测技术领域,具体涉及基于SSA-BP神经网络的XRF元素定量分析方法。
背景技术
基于X射线荧光(X-ray fluorescence spectrometry,XRF)光谱对物质所含元素进行定量分析是一种新型的元素检测技术,该方法因其具有精度高、价格低、速度快、环境友好、非破坏性、操作简便安全等优点,广泛应用于土壤、矿石、药材等所含元素的检验。
在此之前,研究者通过XRF光谱仪对元素进行定量分析时,易出现元素之间相互干扰,元素峰计数与元素含量间的关联复杂,检测精度有限等问题,传统X荧光光谱仪因数据缺乏准确度会对元素含量检测产生不利影响。因此需要在元素之间相互干扰的情况下,提供一种高精度的元素定量分析方法。
发明内容
针对上述现有技术存在的问题,本发明提出基于SSA-BP神经网络的XRF元素定量分析方法,采用麻雀搜索算法(SSA)优化反向传播(BP)神经网络算法,以提高元素定量预测的精度和稳定性。
本发明所采用的技术方案如下:
基于SSA-BP神经网络的XRF元素定量分析方法,其特征在于,包括以下步骤:
步骤1:对n个目标样本,测得待测元素的峰值数据和含量数据,以及待测元素对应的m-1个干扰元素的峰值数据;其中,n>>m;
步骤2:构建BP神经网络,包括结点数目为a的输入层、结点数目为b的输出层和结点数目为h的隐藏层;其中,a=m,b=1,h由经验公式决定;
步骤3:确定BP神经网络的输入和输出:
以目标样本的个数n为行,各目标样本中待测元素和干扰元素共计m个的峰值数据为列,构建矩阵Xnm作为BP神经网络的输入;由各目标样本中待测元素的含量数据构成的列向量Yn作为BP神经网络的输出;
步骤4:令K=1;
步骤5:选定测试集和训练集:
取矩阵Xnm的第K行行向量X',以及列向量Yn的第K行元素Y',作为测试集;取矩阵Xnm除第K行行向量外的其余n-1行所构成的矩阵X”,以及列向量Yn除第K行元素外的其余n-1行所构成的列向量Y”,作为训练集;
步骤6:对测试集和训练集进行数据归一化;
步骤7:构建SSA由U行麻雀种群组成的初始麻雀种群矩阵P,
其中,dim=a·h+h+h·b+b,即各行麻雀种群包括依次的a·h个代表输入层与隐藏层连接的权值的麻雀个体,h个代表隐藏层神经元阈值的麻雀个体,h·b个代表隐藏层与输出层连接的权值的麻雀个体,以及b个代表输出层神经元阈值的麻雀个体;puv,u=1,...,U,v=1,...,dim为初始麻雀种群矩阵P中第u行、第v列的麻雀个体,取值为[-q,q]间的随机数,2≤p≤5;
步骤8:将第u行麻雀种群作为BP神经网络的权值和阀值,采用经归一化后的训练集对BP神经网络进行训练,获得初步训练完成的BP神经网络;
基于初步训练完成的BP神经网络,预测经归一化后的测试集中矩阵对应的元素含量,输出的预测值经反归一化后为s'u,u=1,...,U,求得s'u,u=1,...,U与测试集中yK'的差值yK'-s'u,u=1,...,U;预测经归一化后的训练集中矩阵各行对应的元素含量,输出的预测值经反归一化后为s”iu,i=1,...,n,且i≠K,u=1,...,U,求得s”iu,i=1,...,n,且i≠K,u=1,...,U与训练集中列向量Y”对应行元素y”i,i=1,...,n,且i≠K的差值y”i-s”iu,i=1,...,n,且i≠K,u=1,...,U;
进而,计算第u行麻雀种群作为BP神经网络的权值和阀值时对应的适应度函数fu,u=1,...,U,数值为训练集均方误差与测试集均方误差之和的平均值:
获得适应度函数的集合F:
步骤9:基于SSA算法对初始麻雀种群矩阵P进行N次迭代,并记录每次迭代对应的适应度函数的集合F;N次迭代完成后选择适应度函数的集合F中数值最低的适应度函数fmin,将其对应的一行麻雀种群作为BP神经网络的权值和阀值;
步骤10:采用经归一化后的训练集对步骤9所得BP神经网络进行训练,获得最终训练完成的BP神经网络;基于最终训练完成的BP神经网络,对经归一化后的测试集进行预测,获得并记录第K个目标样本中待测元素的含量预测值;
步骤11:判断K是否等于n,若是,转入步骤12;否则,令K=K+1,转回步骤5;
步骤12:对记录的各目标样本中待测元素的含量预测值进行反归一化处理,与对应目标样本中待测元素的含量数据进行对比,求取决定系数R2,体现回归线与观测值的拟合程度,以评价基于SSA算法优化BP神经网络的预测效果;具体为
进一步地,步骤1中通过ED-XRF荧光光谱仪(能量色散型X射线荧光光谱仪)测得待测元素的峰值数据和含量数据,以及待测元素对应的干扰元素的峰值数据。
进一步地,步骤2中隐藏层的结点数目h受到如下经验公式约束:
其中,c为1到10的调节常数。
进一步地,步骤5中所述行向量X'、元素Y'、矩阵X”和列向量Y”分别为:
X'=[x'K1 x'K2 … x'Km] (6)
Y'=[yK'] (7)
其中,x'Kj,j=1,...,m为第K个目标样本中的峰值数据,当j=1时对应待测元素,j=2,...,m时对应第j-1个干扰元素;yK'为第K个目标样本中待测元素的含量数据;x”ij,i=1,...,n,且i≠K,j=1,...,m,为第i个目标样本中的峰值数据,当j=1时对应待测元素,j=2,...,m时对应第j-1个干扰元素;y”i,i=1,...,n,且i≠K,为第i个目标样本中待测元素的含量数据。
进一步地,步骤6中对测试集和训练集进行数据归一化的具体过程为:
其中,x”min和x”max分别为x”ij,i=1,...,n,且i≠K,j=1,...,m中的最小值和最大值;为经归一化后的x'Kj,j=1,...,m;为经归一化后的X';且i≠K,j=1,...,m,为经归一化后的x”ij,i=1,...,n,且i≠K,j=1,...,m;为经归一化后的X”;y”min和y”max分别为y”i,iβ1,...,n,且i≠K中的最小值和最大值;为经归一化后的Y';且i≠K为经归一化后的y”i,iβ1,...,n,且i≠K;为经归一化后的Y”。
进一步地,步骤9中基于SSA算法对初始麻雀种群矩阵P进行迭代的过程具体为:
将初始麻雀种群矩阵P的各行麻雀种群分为V行的发现者和D行的加入者,满足V+D=U,V>D,对发现者按照公式(17)进行迭代:
其中,t代表当前迭代次数;为第t次迭代时第v行发现者对应的麻雀种群,当t=1时,为第v行发现者在初始麻雀种群矩阵P中对应的麻雀种群;α为0到1的随机数;itermax为预设的最大迭代次数;Q为一个服从正态分布的随机数;L为dim维单位行向量;R2为0到1的随机数;ST为0.5到1的预设值;
记录第t次迭代后第v行发现者对应的适应度函数并与初始麻雀种群矩阵P中发现者对应的适应度函数以及前t-1次迭代记录的适应度函数相比较,若发现者发现存在更好的适应度函数,即存在第t次迭代后发现者对应的适应度函数均小于初始麻雀种群矩阵P中发现者对应的适应度函数以及前t-1次迭代记录的适应度函数,则表示加入者有一半的几率会立即获得该发现者对应的麻雀种群,加入者有另一半的几率按照公式(18)进行迭代:
其中,为第t次迭代后发现者所发现的数值最小的适应度函数所对应的麻雀种群;为第t-1次迭代后全局中数值最大的适应度函数对应的麻雀种群;A+为只随机包含1与-1两个元素的行向量;L为dim维单位行向量;Q'为一个服从正态分布的随机数;为第t次迭代时第d行加入者对应的麻雀种群,当t=1时,为第d行加入者在初始麻雀种群矩阵P中对应的麻雀种群;
第t次迭代后,随机在所有麻雀种群中抽取E行的麻雀种群,作为意识到危险的麻雀种群,要求E/U<1/3,按照公式(19)对意识到危险的麻雀种群的位置进行更新:
其中,为第t-1次迭代后全局中数值最小的适应度函数对应的麻雀种群;为第t-1次迭代后全局中数值最大的适应度函数对应的麻雀种群;为第t次迭代时第e行意识到危险的麻雀种群,当t=1时,为第e行意识到危险的麻雀种群在初始麻雀种群矩阵P中对应的麻雀种群;β为-1到1之间的随机数;γ为-1到1之间的随机数;fe为第e行意识到危险的麻雀种群对应的适应度函数;fg为第t-1次迭代后全局中数值最小的适应度函数;fw为第t-1次迭代后全局中数值最大的适应度函数;ε表示一个避免分母为0的常数,小于10-6。
本发明的有益效果为:
本发明提出了基于SSA-BP神经网络的XRF元素定量分析方法,通过采用SSA算法优化了BP神经网络初始的权值和阈值,使得优化后的BP神经网络在进行训练时能取得更佳的训练效果,进而提高预测精度和稳定性;本发明流程简明,便于操作,可以高准确率地拟合出元素组分值与元素含量的复杂关联,简便有效地对待测物所含元素进行定量预测。
附图说明
图1为本发明实施例1的元素含量预测结果图;
图2为对比例1的元素含量预测结果图。
具体实施方式
为使本发明的目的、过程和优势更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
基于SSA-BP神经网络的XRF元素定量分析方法,包括以下步骤:
步骤1:以预测Cu元素为例,采用n=59个国家标准样品作为目标样本,包括GSS系列土壤成分分析标准物质、GBW系列土壤成分分析标准物质和GSD水系沉积物成分分析标准物质;通过ED-XRF荧光光谱仪测得各目标样本中待测元素Cu的峰值数据和含量数据,以及待测元素Cu对应的5个干扰元素Fe、Ni、P、Co和Mn的峰值数据。
步骤2:在matlab软件中调用newff函数,构建BP神经网络,包括结点数目为a的输入层、结点数目为b的输出层和结点数目为h的隐藏层;其中,由于有1个待测元素和5个干扰元素,生成输入层为一层,因此输入层的结点数目a=6;输出层为一层,因此输出层的结点数目b=1;隐藏层为一层,因此隐藏层的结点数目根据经验公式,取h=8。
步骤3:确定BP神经网络的输入和输出:
以目标样本的个数n=59为行,各目标样本中待测元素和干扰元素共计m=6个的峰值数据为列,构建矩阵Xnm作为BP神经网络的输入;由各目标样本中待测元素的含量数据构成的列向量Y59作为BP神经网络的输出。
步骤4:令K=1。
步骤5:选定测试集和训练集:
取矩阵Xnm的第K行行向量X'=[x'K1 x'K2 … x'K6],以及列向量Y59的第K行元素Y'=[yK'],作为测试集;其中,x'Kj,j=1,...,6为第K个目标样本中的峰值数据,当j=1时对应待测元素,j=2,...,6j=1时对应第j-1个干扰元素;yK'为第K个目标样本中待测元素的含量数据;
取矩阵Xnm除第K行行向量外的其余58行所构成的矩阵X”,以及列向量Y59除第K行元素外的其余58行所构成的列向量Y”,作为训练集;具体为:
其中,x”ij,i=1,...,59,且i≠K,jβ1,...,6,为第i个目标样本中的峰值数据,当j=1时对应待测元素,jβ2,...,6时对应第j-1个干扰元素;y”i,i=1,...,59,且i≠K,为第i个目标样本中待测元素的含量数据。
步骤6:对测试集和训练集进行数据归一化:
其中,x”min和x”max分别为x”ij,iβ1,...,59,且i≠K,j=1,...,6中的最小值和最大值;为经归一化后的x'Kj,j=1,...,6;为经归一化后的X';且i≠K,j=1,...,6,为经归一化后的x”ij,i=1,...,59,且i≠K,j=1,...,6;为经归一化后的X”;y”min和y”max分别为y”i,i=1,...,59,且i≠K中的最小值和最大值;为经归一化后的Y';且i≠K为经归一化后的y”i,i=1,...,59,且i≠K;为经归一化后的Y”。
步骤7:构建SSA由U=30行麻雀种群组成的初始麻雀种群矩阵P,
其中,dim=a·h+h+h·b+b=65,即各行麻雀种群包括依次的a·h=48个代表输入层与隐藏层连接的权值的麻雀个体,h=8个代表隐藏层神经元阈值的麻雀个体,h·b=8个代表隐藏层与输出层连接的权值的麻雀个体,以及b=1个代表输出层神经元阈值的麻雀个体;puv,u=1,...,30,v=1,...,65为初始麻雀种群矩阵P中第u行、第v列的麻雀个体,取值为[-3,3]之间的随机数。
步骤8:将第u行麻雀种群作为BP神经网络的权值和阀值,采用经归一化后的训练集对BP神经网络进行训练,获得初步训练完成的BP神经网络;
基于初步训练完成的BP神经网络,预测经归一化后的测试集中矩阵对应的元素含量,输出的预测值经反归一化后为s'u,u=1,...,30,求得s'u,u=1,...,30与测试集中yK'的差值yK'-s'u,u=1,...,30;预测经归一化后的训练集中矩阵各行对应的元素含量,输出的预测值经反归一化后为s”iu,i=1,...,59,且i≠K,u=1,...,30,求得s”iu,i=1,...,59,且i≠K,u=1,...,30与训练集中列向量Y”对应行元素y”i,i=1,...,59,且i≠K的差值y”i-s”iu,i=1,...,59,且i≠K,u=1,...,30;
进而,计算第u行麻雀种群作为BP神经网络的权值和阀值时对应的适应度函数fu,u=1,...,30,数值为训练集均方误差与测试集均方误差之和的平均值:
获得适应度函数的集合F:
步骤9:对初始麻雀种群矩阵P进行迭代,具体为:
将初始麻雀种群矩阵P的各行麻雀种群分为V=21行的发现者和D=9行的加入者,对发现者按照公式(13)进行迭代:
其中,t代表当前迭代次数;为第t次迭代时第v行发现者对应的麻雀种群,当t=1时,为第v行发现者在初始麻雀种群矩阵P中对应的麻雀种群;α为0到1的随机数;itermax为预设的最大迭代次数,本实施例中为50;Q为一个服从正态分布的随机数;L为dim=65维单位行向量;R2为0到1的随机数;ST为0.5到1的预设值;
记录第t次迭代后第v行发现者对应的适应度函数并与初始麻雀种群矩阵P中发现者对应的适应度函数以及前t-1次迭代记录的适应度函数相比较,若发现者发现存在更好的适应度函数,即存在第t次迭代后发现者对应的适应度函数均小于初始麻雀种群矩阵P中发现者对应的适应度函数以及前t-1次迭代记录的适应度函数,则表示加入者有一半的几率会立即获得该发现者对应的麻雀种群,加入者有另一半的几率按照公式(14)进行迭代:
其中,为第t次迭代后发现者所发现的数值最小的适应度函数所对应的麻雀种群;为第t-1次迭代后全局中数值最大的适应度函数对应的麻雀种群;A+为只随机包含1与-1两个元素的行向量;L为dim=65维单位行向量;Q'为一个服从正态分布的随机数;为第t次迭代时第d行加入者对应的麻雀种群,当t=1时,为第d行加入者在初始麻雀种群矩阵P中对应的麻雀种群;
第t次迭代后,随机在所有麻雀种群中抽取E=6行的麻雀种群,作为意识到危险的麻雀种群,按照公式(15)对意识到危险的麻雀种群的位置进行更新:
其中,为第t-1次迭代后全局中数值最小的适应度函数对应的麻雀种群;为第t-1次迭代后全局中数值最大的适应度函数对应的麻雀种群;为第t次迭代时第e行意识到危险的麻雀种群,当t=1时,为第e行意识到危险的麻雀种群在初始麻雀种群矩阵P中对应的麻雀种群;β为-1到1之间的随机数;γ为-1到1之间的随机数;fe为第e行意识到危险的麻雀种群对应的适应度函数;fg为第t-1次迭代后全局中数值最小的适应度函数;fw为第t-1次迭代后全局中数值最大的适应度函数;ε表示一个避免分母为0的常数,取10-8。
步骤10:重复步骤9,直至达到50次迭代,并记录每次迭代对应的适应度函数的集合F;50次迭代完成后选择适应度函数的集合F中数值最低的适应度函数fmin,将其对应的一行麻雀种群作为BP神经网络的权值和阀值。
步骤11:采用经归一化后的训练集对步骤10所得BP神经网络进行训练,获得最终训练完成的BP神经网络;基于最终训练完成的BP神经网络,对经归一化后的测试集进行预测,获得并记录第K个目标样本中待测元素的含量预测值。
步骤12:判断K是否等于n=59,若是,转入步骤13;否则,令K=K+1,转回步骤5。
步骤13:对记录的各目标样本中待测元素的含量预测值进行反归一化处理,与对应目标样本中待测元素的含量数据进行对比,求取决定系数R2,体现回归线与观测值的拟合程度,以评价基于SSA算法优化BP神经网络的预测效果;具体为
本实施例得到的土壤Cu元素的预测结果如图1所示,R2为0.999。
对比例1
仅采用BP神经网络算法对相同待测土壤样本进行Cu元素预测,预测结果如图2所示,R2为0.827。
对比图1和图2,可知经过SSA算法优化,预测的准确性和精度提高,R2可达0.999,说明SSA-BP神经网络算法有效解决了元素干扰的问题,提高了元素定量分析的准确性和精度,体现了本发明方法的优越性。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (6)
1.基于SSA-BP神经网络的XRF元素定量分析方法,其特征在于,包括以下步骤:
步骤1:对n个目标样本,测得待测元素的峰值数据和含量数据,以及待测元素对应的m-1个干扰元素的峰值数据;其中,n>>m;
步骤2:构建BP神经网络,包括结点数目为a的输入层、结点数目为b的输出层和结点数目为h的隐藏层;其中,a=m,b=1,h由经验公式决定;
步骤3:以目标样本的个数n为行,各目标样本中待测元素和干扰元素共计m个的峰值数据为列,构建矩阵Xnm作为BP神经网络的输入;由各目标样本中待测元素的含量数据构成的列向量Yn作为BP神经网络的输出;
步骤4:令K=1;
步骤5:取矩阵Xnm的第K行行向量X′,以及列向量Yn的第K行元素Y′,作为测试集;取矩阵Xnm除第K行行向量外的其余n-1行所构成的矩阵X″,以及列向量Yn除第K行元素外的其余n-1行所构成的列向量Y″,作为训练集;
步骤6:对测试集和训练集进行数据归一化;
步骤7:构建SSA由U行麻雀种群组成的初始麻雀种群矩阵P,
其中,dim=a·h+h+h·b+b;puv,u=1,...,U,v=1,...,dim为初始麻雀种群矩阵P中第u行、第v列的麻雀个体,取值为[-q,q]间的随机数,2≤p≤5;
步骤8:将第u行麻雀种群作为BP神经网络的权值和阀值,采用经归一化后的训练集对BP神经网络进行训练,获得初步训练完成的BP神经网络;
基于初步训练完成的BP神经网络,预测经归一化后的测试集中矩阵对应的元素含量,输出的预测值经反归一化后为s′u,u=1,...,U,求得s′u,u=1,...,U与测试集中YK′的差值yx′-s′u,u=1,...,U;预测经归一化后的训练集中矩阵各行对应的元素含量,输出的预测值经反归一化后为s″iu,i=1,...,n,且i≠K,u=1,...,U,求得s″iu,i=1,...,n,且i≠K,u=1,...,U与训练集中列向量Y″对应行元素y″i,i=1,...,n,且i≠K的差值y″i-s″iu,i=1,...,n,且i≠K,u=1,...,U;
进而,计算第u行麻雀种群对应的适应度函数fu,u=1,...,U:
获得适应度函数的集合F:
步骤9:基于SSA算法对初始麻雀种群矩阵P进行N次迭代,并记录每次迭代对应的适应度函数的集合F;N次迭代完成后选择适应度函数的集合F中数值最低的适应度函数fmin,将其对应的一行麻雀种群作为BP神经网络的权值和阀值;其中,N不低于20;
步骤10:采用经归一化后的训练集对步骤9所得BP神经网络进行训练,获得最终训练完成的BP神经网络;基于最终训练完成的BP神经网络,对经归一化后的测试集进行预测,获得并记录第K个目标样本中待测元素的含量预测值;
步骤11:判断K是否等于n,若是,转入步骤12;否则,令K=K+1,转回步骤5;
步骤12:对记录的各目标样本中待测元素的含量预测值进行反归一化处理,与对应目标样本中待测元素的含量数据进行对比,求取决定系数R2:
2.根据权利要求1所述基于SSA-BP神经网络的XRF元素定量分析方法,其特征在于,步骤1中通过ED-XRF荧光光谱仪测得待测元素的峰值数据和含量数据,以及待测元素对应的干扰元素的峰值数据。
4.根据权利要求1所述基于SSA-BP神经网络的XRF元素定量分析方法,其特征在于,步骤5中所述行向量X′、元素Y′、矩阵X″和列向量Y″分别为:
x′=[x′K1 x′K2 … x′Km] (6)
Y′=[yK′] (7)
其中,x′Kj,j=1,...,m为第K个目标样本中的峰值数据,当j=1时对应待测元素,j=2,...,m时对应第j-1个干扰元素;YK′为第K个目标样本中待测元素的含量数据;x′ij,i=1,...,n,且i≠K,j=1,...,m,为第i个目标样本中的峰值数据,当j=1时对应待测元素,j=2,...,m时对应第j-1个干扰元素;y″i,i=1,...,n,且i≠K,为第i个目标样本中待测元素的含量数据。
5.根据权利要求4所述基于SSA-BP神经网络的XRF元素定量分析方法,其特征在于,步骤6中对测试集和训练集进行数据归一化的具体过程为:
6.根据权利要求1~5任一项所述基于SSA-BP神经网络的XRF元素定量分析方法,其特征在于,步骤9中基于SSA算法对初始麻雀种群矩阵P进行迭代的过程具体为:
将初始麻雀种群矩阵P的各行麻雀种群分为V行的发现者和D行的加入者,满足V+D=U,V>D,对发现者按照公式(17)进行迭代:
其中,t代表当前迭代次数;和分别为第t次迭代时和第t-1次迭代时第v行发现者对应的麻雀种群,当中的t=1时,Pv 0为第v行发现者在初始麻雀种群矩阵P中对应的麻雀种群;α为0到1的随机数;iter max为预设的最大迭代次数;Q为一个服从正态分布的随机数;L为dim维单位行向量;R2为0到1的随机数;ST为0.5到1的预设值;
记录第t次迭代后第v行发现者对应的适应度函数并与初始麻雀种群矩阵P中发现者对应的适应度函数以及前t-1次迭代记录的适应度函数相比较,若发现者发现存在更好的适应度函数,即存在第t次迭代后发现者对应的适应度函数均小于初始麻雀种群矩阵P中发现者对应的适应度函数以及前t-1次迭代记录的适应度函数,则表示加入者有一半的几率会立即获得该发现者对应的麻雀种群,加入者有另一半的几率按照公式(18)进行迭代:
其中,为第t次迭代后发现者所发现的数值最小的适应度函数所对应的麻雀种群;为第t-1次迭代后全局中数值最大的适应度函数对应的麻雀种群;A+为只随机包含1与-1两个元素的行向量;L为dim维单位行向量;Q′为一个服从正态分布的随机数;和分别为第t次迭代时和第t-1次迭代时第d行加入者对应的麻雀种群,当中的t=1时,为第d行加入者在初始麻雀种群矩阵P中对应的麻雀种群;
第t次迭代后,随机在所有麻雀种群中抽取E行的麻雀种群,作为意识到危险的麻雀种群,要求E/U<1/3,按照公式(19)对意识到危险的麻雀种群的位置进行更新:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375843.4A CN114839210B (zh) | 2022-04-11 | 2022-04-11 | 基于ssa-bp神经网络的xrf元素定量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375843.4A CN114839210B (zh) | 2022-04-11 | 2022-04-11 | 基于ssa-bp神经网络的xrf元素定量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114839210A CN114839210A (zh) | 2022-08-02 |
CN114839210B true CN114839210B (zh) | 2023-05-02 |
Family
ID=82563877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210375843.4A Active CN114839210B (zh) | 2022-04-11 | 2022-04-11 | 基于ssa-bp神经网络的xrf元素定量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114839210B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116539647B (zh) * | 2023-04-10 | 2024-01-23 | 电子科技大学 | 一种基于分层深度神经网络的微量元素含量预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2575066A1 (en) * | 2006-01-24 | 2007-07-24 | The University Of North Carolina At Chapel Hill | Systems and methods for detecting an image of an object by use of an x-ray beam having a polychromatic distribution |
CA2642940A1 (en) * | 2006-12-22 | 2008-07-03 | Mathys Ag Bettlach | Precursor for the preparation of a pasty bone replacement material by admixture of a liquid |
CN101405596A (zh) * | 2006-01-24 | 2009-04-08 | 北卡罗来纳大学查珀尔希尔分校 | 使用具有多色分布的x射线束检测对象图像的系统和方法 |
WO2010065532A2 (en) * | 2008-12-01 | 2010-06-10 | The University Of North Carolina At Chapel Hill | Systems and methods for detecting an image of an object using multi-beam imaging from an x-ray beam having a polychromatic distribution |
CN112231621A (zh) * | 2020-10-13 | 2021-01-15 | 电子科技大学 | 基于BP-adaboost降低元素检出限的方法 |
CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
CN114117787A (zh) * | 2021-11-25 | 2022-03-01 | 上海电机学院 | 基于ssa优化bp神经网络的短期风功率预测方法 |
-
2022
- 2022-04-11 CN CN202210375843.4A patent/CN114839210B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2575066A1 (en) * | 2006-01-24 | 2007-07-24 | The University Of North Carolina At Chapel Hill | Systems and methods for detecting an image of an object by use of an x-ray beam having a polychromatic distribution |
CN101405596A (zh) * | 2006-01-24 | 2009-04-08 | 北卡罗来纳大学查珀尔希尔分校 | 使用具有多色分布的x射线束检测对象图像的系统和方法 |
CA2642940A1 (en) * | 2006-12-22 | 2008-07-03 | Mathys Ag Bettlach | Precursor for the preparation of a pasty bone replacement material by admixture of a liquid |
WO2010065532A2 (en) * | 2008-12-01 | 2010-06-10 | The University Of North Carolina At Chapel Hill | Systems and methods for detecting an image of an object using multi-beam imaging from an x-ray beam having a polychromatic distribution |
CN112231621A (zh) * | 2020-10-13 | 2021-01-15 | 电子科技大学 | 基于BP-adaboost降低元素检出限的方法 |
CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
CN114117787A (zh) * | 2021-11-25 | 2022-03-01 | 上海电机学院 | 基于ssa优化bp神经网络的短期风功率预测方法 |
Non-Patent Citations (2)
Title |
---|
Lei Peng 等.Quantitative characterization and comparsion of bentonite microstructure by small angle X-ray scattering and nitrogen adsorption.《Construction and Building Materials》.2020,第262卷120863. * |
李冰 等.无机多元素现代仪器分析技术.《地质学报》.2011,第85卷(第11期),1878-1916. * |
Also Published As
Publication number | Publication date |
---|---|
CN114839210A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Russo et al. | Controlling bias in adaptive data analysis using information theory | |
CN109543763B (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
CN111798921A (zh) | 一种基于多尺度注意力卷积神经网络的rna结合蛋白预测方法及装置 | |
CN108446599B (zh) | 一种p值统计量建模独立性的高光谱图像波段快速选择方法 | |
CN109187392B (zh) | 一种基于分区建模的锌液痕量金属离子浓度预测方法 | |
CN112231621B (zh) | 基于BP-adaboost降低元素检出限的方法 | |
CN114839210B (zh) | 基于ssa-bp神经网络的xrf元素定量分析方法 | |
CN110728177B (zh) | 基于双协方差随机子空间的类噪声数据低频振荡辨识方法 | |
CN111861667A (zh) | 车辆推荐方法及装置、电子设备、存储介质 | |
CN115482883A (zh) | 基于Tent混沌映射优化BP神经网络的XRF元素定量分析方法 | |
CN112819256A (zh) | 一种基于注意力机制的卷积时序房价预测方法 | |
CN110751400B (zh) | 一种风险评估方法及装置 | |
Kale et al. | Forecasting Indian stock market using artificial neural networks | |
CN115861804A (zh) | 基于最优特征归因选择的sar图像对抗样本检测系统与方法 | |
CN112949592B (zh) | 高光谱图像的分类方法、装置和电子设备 | |
Lee et al. | Evaluation of DNA match probability in criminal case | |
CN113960090A (zh) | 基于LSTM神经网络算法的土壤Cd元素光谱定性分析方法 | |
CN114062305A (zh) | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 | |
CN114049205A (zh) | 异常交易识别方法、装置、计算机设备和存储介质 | |
CN113866204A (zh) | 一种基于贝叶斯正则化的土壤重金属定量分析方法 | |
CN115018045A (zh) | 基于gwo-bp的xrf元素定量分析方法 | |
CN112733775A (zh) | 基于深度学习的高光谱影像分类方法 | |
CN111127485A (zh) | 一种ct图像中目标区域提取方法、装置及设备 | |
CN111755074A (zh) | 一种酿酒酵母菌中dna复制起点的预测方法 | |
CN111178180A (zh) | 基于改进型蚁群算法的高光谱影像特征选择方法及装置 |
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 |