[发明专利]一种X射线荧光光谱重叠峰分解方法

说明书

本发明公开了一种X射线荧光光谱特征峰强度计算方法，包括：利用蒙特卡洛法生成仿真光谱，计算各元素特征峰的强度占所有元素特征峰强度之和的比值，构建仿真光谱库；设计三层BP神经网络和递阶遗传算法；采用递阶遗传算法优化神经网络；利用训练样本训练遗传算法优化后的神经网络：利用训练好的神经网络对需要进行元素分析的光谱数据进行特定元素特征峰强度预测，实现元素的定量分析。本发明利用递阶遗传算法优化的神经网络对光谱中各元素特征峰强度进行计算，特征峰强度计算结果更精确，提高了光谱分析精度。

技术领域

本发明涉及X射线荧光光谱分析领域，具体是一种利用神经网络对X射线荧光光谱信号进行重叠峰分解，提高分析精度的一种的方法。

背景技术

能量色散X射线荧光光谱分析是一种多元素分析技术，可以对样品中元素的种类和含量进行精确测量。然而能量色散X射线荧光光谱构成复杂、频率成分多、谱峰重叠，而且吸收边的存在使光谱含有很多奇点，所以对能量色散X射线荧光光谱的分析比较困难。

能量色散X射线荧光光谱分析需要进行一系列的步骤。首先需要对信号去噪，避免噪声导致对谱峰的误判，之后扣除本底，减少低频本底对谱峰强度计算的影响。然后进行重叠峰分解，计算谱峰峰位(特征能量值)和净峰面积(特征峰强度)，根据峰位值查元素特征能量值表得到元素种类，将谱峰强度带入强度——含量校正曲线得到元素含量，从而实现元素的定性定量分析。

很多元素的特征X射线之间的能量差非常小，荧光光谱产生过程中又存在各种干扰，当光谱仪的能量分辨率较低时，光谱中就会出现重叠峰。即使是同一种元素，其不同层数的电子被激发后产生的特征X射线的能量不同，其谱线也会发生重叠。谱峰重叠给峰数目、峰位和净峰面积的计算带来了极大的困难，因此，重叠峰分解是光谱分析关键步骤之一。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足提供一种X射线荧光光谱重叠峰分解方法，本X射线荧光光谱重叠峰分解方法利用递阶遗传算法优化的神经网络对光谱中各元素特征峰强度进行计算，特征峰强度计算结果更精确，提高了光谱分析精度，实现了光谱重叠峰的精确分解。

为实现上述技术目的，本发明采取的技术方案为：

一种X射线荧光光谱重叠峰分解方法，包括：

步骤1：利用蒙特卡洛法生成仿真光谱，计算各元素特征峰的强度占所有元素特征峰强度之和的比值，构建仿真光谱库，作为神经网络训练和测试数据库；

步骤2：构建三层BP神经网络；

步骤3：构建递阶遗传算法，递阶遗传算法中的染色体包含控制基因和参数基因；

控制基因采用二进制编码，每个控制基因对应一个隐藏层单元，即控制基因长度为隐藏层单元数n；

参数基因采用实数编码，每个参数基因表示对应隐藏层单元所连接的输入层到隐藏层和隐藏层到输出层的权值和偏置；

步骤4：采用递阶遗传算法优化神经网络；

步骤5：利用训练样本训练遗传算法优化后的神经网络，训练样本的输入向量为光谱在各通道的计数值或计数率，期望输出向量为元素特征峰的强度与所有元素特征峰强度之和的比值；

步骤6：利用训练好的神经网络对需要进行元素分析的光谱数据进行特定元素峰强度预测，实现元素的定量分析。

作为本发明进一步改进的技术方案，所述的步骤1中的仿真光谱为EDXRF仿真光谱。

作为本发明进一步改进的技术方案，所述的步骤2具体步骤包括：

设计三层BP神经网络：