[发明专利]一种基于粒子群算法的光谱重叠峰分解方法

权利要求书

1.一种基于粒子群算法的光谱重叠峰分解方法，其特征在于，步骤如下：

①对由M个谱峰重叠而成的重叠峰进行本底扣除，并对重叠峰进行归一化，得到面积为1的重叠峰；

②将归一化后的重叠峰用标准差关联的GMM模型(GMM:高斯混合模型)来表征，标准差关联的GMM模型(以下简称为GMM-SDRE)如下：

式中：a_i表示第i分支的权重，即第i个谱峰的权重，且满足

u_i、f_σ(i)分别为第i分支的均值和标准差，其中f_σ(i)＝f_σ(1)·u_i/u₁(i＝2,...,M)；

③将归一化后的重叠峰看成一个离散概率密度函数，并产生服从该密度函数的随机数；

④采用粒子群算法的群体搜索技术，找到全局最优GMM-SDRE模型，方法为：将GMM-SDRE模型的3M个参数θ＝[a₁ a₂…a_M u₁ u₂…u_M f_σ(1) f_σ(2)…f_σ(M)]作为粒子在空间中的位置，经过粒子“飞行”速度和“位置”的迭代更新过程，搜索到具有“全局最大适应度值”的位置参数作为全局最优GMM-SDRE模型的参数；适应度值f(θ)是将步骤③中的随机数代入式(3)得到的

其中

式(3)中k表示道址，即随机数值；begink表示重叠峰的起始道址，即最小随机数；endk表示重叠峰的结束道址，即最大随机数；c_k表示第k道址的计数，即随机数值为k的个数；

通过以上①～④步求得全局最优位置，该位置所对应的GMM-SDRE模型参数就是重叠峰的各个谱峰之权重、均值和标准差，即完成重叠峰的分解。