[发明专利]一种能谱重叠峰解析方法

说明书

技术领域

本发明涉及一种能谱重叠峰解析方法。

背景技术

在进行复杂样品的能谱分析中，峰位接近的谱峰之间常常发生重叠现象，这将影响能谱分析的准确度和分析方法的可操作性。近年来，国内外在重叠峰的分解方面进行了较为深入的研究，如采用最小二乘法、主成分回归法、正交投影法、小波分析法、因子分析方法、遗传算法、高斯曲线拟合法和神经网络模型等方法。这些方法往往都是采用滤波及曲线拟合的强制手段使曲线与谱线达到“最佳”匹配，其问题在于参数的选取对结果影响较大，比如，滤波过度会使有用信息被当成噪音滤掉；问题还在于迭代算法可能陷于局部极值点或甚至不收敛；另外，曲线之间的拟合程度有时并不完全真正反应重叠峰分解的准确度，比如，一强峰与一极弱峰构成的重叠峰仅采用一高斯峰进行拟合时其拟合精度可能会非常“理想”。实际上，以上这些分解方法往往是由于忽略了能谱的形成是一个随机过程这一物理事实，即从射线的产生到探测仪器电信号的形成，无不伴随射线自身随机性及其它各种相关噪音的随机性。本文正是密切结合能谱的随机物理特性，采用统计方法和遗传算法对重叠峰进行分析，保证重叠峰在全局“最大概率”意义下的最优分解。

发明内容

本发明的目的在于公开一种能谱重叠峰解析方法。该方法克服了目前能谱重叠峰解析方法的不足。

本发明对能谱进行解析是通过以下具体步骤①～④实现的。

步骤①对放射性测量中所获得的欲进行重叠峰分解的能谱段进行本底扣除，并求得重叠峰的净峰面积以及重叠峰净峰面积对应的各道址净计数。这里的各道址净计数之和等于重叠峰净峰面积。

步骤②将步骤①本底扣除后的能谱段看成多个高斯函数的线性和，高斯函数的个数M应根据欲分解的重叠峰谱段中谱峰的具体分布情况而定；各高斯函数在线性和表达式中的系数是各高斯函数所占的比重，称为权值。

步骤③将M个高斯函数的参数组合看作一个染色体，每个染色体基因的组成按如下方法(a)、(b)之一：

(a)每个高斯函数的权值、均值和标准差对应三个基因，每个染色体共有3M个基因；

(b)第一个高斯函数的权值a₁、均值u₁和标准差σ₁对应三个基因，剩下的每一个高斯函数的权值a_i和均值u_i对应两个基因，每个染色体共有2M+1个基因。

步骤④将步骤③组合的染色体进行种群初始化，结合能谱段来自于个体的概率构造适应度函数，采用遗传算法的选择、交叉、变异算子，经过多代操作后得到各高斯函数的权值、均值以及标准差，即完成重叠峰的分解；本步骤即步骤④的遗传算法具体按如下A、B、C、D、E环节实现。

A、种群初始化

创建具有均匀分布的初始种群，初始种群的个体数目PopSize可由重叠峰的重合程度而定，各基因的取值范围根据能谱特性而定。

B、个体适应度值的计算，按如下步骤：

(a)结合能谱段来自于个体的概率构造目标函数，

(b)按个体目标函数值的排列序号求适应度值，并记录当前群体中最优和最差个体。

C、采用遗传算法的选择、交叉、变异算子进行遗传操作，生成子代群体。

D、对C步生成的子代群体计算每个个体染色体的适应度值，记录当前群体中最优和最差个体，若当前群体中最优个体优于总的最优个体，则用当前最优个体替换总的最优，否则用总的最优替换当前最差。

E、若达不到遗传算法的停止条件则从C步开始重新进行遗传算法运算；若达到遗传算法的停止条件则运算结束，并返回总的最优个体，染色体解码为实际问题的解。

通过以上步骤①～④步即完成能谱重叠峰的分解。

本发明的有益效果是：

以往重叠峰分解方法往往都是采用滤波及曲线拟合的强制手段使曲线与谱线达到“最佳”匹配，其问题在于参数的选取对结果影响较大，比如，滤波过度会使有用信息被当成噪音滤掉，迭代算法可能陷于局部极值点或甚至不收敛，曲线之间的拟合程度有时并不完全真正反应重叠峰分解的准确度。而能谱的形成是一个随机过程，即从射线的产生到探测仪器电信号的形成，无不伴随射线自身随机性及其它各种相关噪音的随机性。本发明正是密切结合能谱的随机物理特性，采用统计方法和遗传算法对重叠峰进行分析，保证重叠峰在全局“最大概率”意义下的最优分解。该方法可对由三个以上谱峰叠加的重叠峰进行分解，能有效地应用于能谱的定量和定性分析。

附图说明

图1为本发明方法的流程图。

具体实施方式