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 PDF

Info

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
Application number
CN202210375843.4A
Other languages
English (en)
Other versions
CN114839210A (zh
Inventor
李福生
杨飔源
杨婉琪
赵彦春
鲁欣
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210375843.4A priority Critical patent/CN114839210B/zh
Publication of CN114839210A publication Critical patent/CN114839210A/zh
Application granted granted Critical
Publication of CN114839210B publication Critical patent/CN114839210B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

基于SSA-BP神经网络的XRF元素定量分析方法
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，
Figure BDA0003590348220000021
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
Figure BDA0003590348220000022
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
Figure BDA0003590348220000023
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：
Figure BDA0003590348220000024
获得适应度函数的集合F：
Figure BDA0003590348220000025
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
Figure BDA0003590348220000031
Figure BDA0003590348220000032
其中，yh为第h个目标样本中待测元素的含量数据；
Figure BDA0003590348220000033
为经反归一化处理后的第h个目标样本中待测元素的含量预测值；
Figure BDA0003590348220000034
为所有目标样本中待测元素的含量真实值的平均值。
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：
Figure BDA0003590348220000035
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)
Figure BDA0003590348220000036
Figure BDA0003590348220000041
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：
Figure BDA0003590348220000042
Figure BDA0003590348220000043
Figure BDA0003590348220000044
Figure BDA0003590348220000045
Figure BDA0003590348220000046
Figure BDA0003590348220000047
Figure BDA0003590348220000051
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；
Figure BDA0003590348220000052
为经归一化后的x'Kj,j＝1,...,m；
Figure BDA0003590348220000053
为经归一化后的X'；
Figure BDA0003590348220000054
且i≠K,j＝1,...,m，为经归一化后的x”ij,i＝1,...,n,且i≠K,j＝1,...,m；
Figure BDA0003590348220000055
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；
Figure BDA0003590348220000056
为经归一化后的Y'；
Figure BDA0003590348220000057
且i≠K为经归一化后的y”i,iβ1,...,n,且i≠K；
Figure BDA0003590348220000058
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：
Figure BDA0003590348220000059
其中，t代表当前迭代次数；
Figure BDA00035903482200000510
为第t次迭代时第v行发现者对应的麻雀种群，当t＝1时，
Figure BDA00035903482200000511
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
Figure BDA00035903482200000512
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：
Figure BDA00035903482200000513
其中，
Figure BDA0003590348220000061
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；
Figure BDA0003590348220000062
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；
Figure BDA0003590348220000063
为第t次迭代时第d行加入者对应的麻雀种群，当t＝1时，
Figure BDA0003590348220000064
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：
Figure BDA0003590348220000065
其中，
Figure BDA0003590348220000066
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；
Figure BDA0003590348220000067
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；
Figure BDA0003590348220000068
为第t次迭代时第e行意识到危险的麻雀种群，当t＝1时，
Figure BDA0003590348220000069
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：
Figure BDA0003590348220000071
Figure BDA0003590348220000081
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：
Figure BDA0003590348220000082
Figure BDA0003590348220000083
Figure BDA0003590348220000084
Figure BDA0003590348220000085
Figure BDA0003590348220000086
Figure BDA0003590348220000087
Figure BDA0003590348220000088
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；
Figure BDA0003590348220000091
为经归一化后的x'Kj,j＝1,...,6；
Figure BDA0003590348220000092
为经归一化后的X'；
Figure BDA0003590348220000093
且i≠K,j＝1,...,6，为经归一化后的x”ij,i＝1,...,59,且i≠K,j＝1,...,6；
Figure BDA0003590348220000094
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；
Figure BDA0003590348220000095
为经归一化后的Y'；
Figure BDA0003590348220000096
且i≠K为经归一化后的y”i,i＝1,...,59,且i≠K；
Figure BDA0003590348220000097
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，
Figure BDA0003590348220000098
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
Figure BDA0003590348220000099
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
Figure BDA00035903482200000910
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：
Figure BDA00035903482200000911
获得适应度函数的集合F：
Figure BDA0003590348220000101
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：
Figure BDA0003590348220000102
其中，t代表当前迭代次数；
Figure BDA0003590348220000103
为第t次迭代时第v行发现者对应的麻雀种群，当t＝1时，
Figure BDA0003590348220000104
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
Figure BDA0003590348220000105
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：
Figure BDA0003590348220000106
其中，
Figure BDA0003590348220000107
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；
Figure BDA0003590348220000108
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；
Figure BDA0003590348220000109
为第t次迭代时第d行加入者对应的麻雀种群，当t＝1时，
Figure BDA00035903482200001010
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：
Figure BDA0003590348220000111
其中，
Figure BDA0003590348220000112
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；
Figure BDA0003590348220000113
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；
Figure BDA0003590348220000114
为第t次迭代时第e行意识到危险的麻雀种群，当t＝1时，
Figure BDA0003590348220000115
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
Figure BDA0003590348220000116
Figure BDA0003590348220000117
其中，yh为第h个目标样本中待测元素的含量数据；
Figure BDA0003590348220000118
为经反归一化处理后的第h个目标样本中待测元素的含量预测值；
Figure BDA0003590348220000119
为所有目标样本中待测元素的含量真实值的平均值。
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，
Figure FDA0004131505610000011
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
Figure FDA0004131505610000012
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
Figure FDA0004131505610000013
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：
Figure FDA0004131505610000021
获得适应度函数的集合F：
Figure FDA0004131505610000022
其中，
Figure FDA0004131505610000023
且i≠K为经归一化后的y″i，i＝1，...，n，且i≠K；
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：
Figure FDA0004131505610000024
Figure FDA0004131505610000025
其中，yh为第h个目标样本中待测元素的含量数据；
Figure FDA0004131505610000026
为经反归一化处理后的第h个目标样本中待测元素的含量预测值；
Figure FDA0004131505610000027
为所有目标样本中待测元素的含量真实值的平均值。
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。
3.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2中隐藏层的结点数目h受到如下经验公式约束：
Figure FDA0004131505610000031
其中，c为1到10的调节常数。
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)
Figure FDA0004131505610000032
Figure FDA0004131505610000033
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：
Figure FDA0004131505610000041
Figure FDA0004131505610000042
Figure FDA0004131505610000043
Figure FDA0004131505610000044
Figure FDA0004131505610000045
Figure FDA0004131505610000046
Figure FDA0004131505610000047
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；
Figure FDA0004131505610000048
为经归一化后的x′Kj，j＝1，...，m；
Figure FDA0004131505610000049
为经归一化后的X′；
Figure FDA00041315056100000410
且i≠K，j＝1，...，m，为经归一化后的x′ij，i＝1，...，n，且i≠K，j＝1，...，m；
Figure FDA00041315056100000411
为经归一化后的X″；y″min和y″max分别为y″i，i＝1，...，n，且i≠K中的最小值和最大值；
Figure FDA00041315056100000412
为经归一化后的Y′；
Figure FDA00041315056100000413
且i≠K为经归一化后的y″i，i＝1，...，n，且i≠K；
Figure FDA0004131505610000051
为经归一化后的Y″。
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：
Figure FDA0004131505610000052
其中，t代表当前迭代次数；
Figure FDA0004131505610000053
和
Figure FDA0004131505610000054
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
Figure FDA0004131505610000055
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
Figure FDA0004131505610000056
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：
Figure FDA0004131505610000057
其中，
Figure FDA0004131505610000058
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；
Figure FDA0004131505610000059
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；
Figure FDA00041315056100000510
和
Figure FDA00041315056100000511
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
Figure FDA0004131505610000061
中的t＝1时，
Figure FDA0004131505610000062
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：
Figure FDA0004131505610000063
其中，
Figure FDA0004131505610000064
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；
Figure FDA0004131505610000065
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；
Figure FDA0004131505610000066
和
Figure FDA0004131505610000067
分别为第t次迭代时和第t-1次迭代时第e行意识到危险的麻雀种群，当
Figure FDA0004131505610000068
中的t＝1时，Pe 0″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。
CN202210375843.4A 2022-04-11 2022-04-11 基于ssa-bp神经网络的xrf元素定量分析方法 Active CN114839210B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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