[发明专利]基于PCA-SVR的XRF元素定量分析方法

说明书

本发明公开了一种基于PCA‑SVR的XRF元素定量分析方法，该方法包括读入元素峰值信息和含量信息；确定PCA‑SVR模型的输入输出；计算相关系数及单位特征向量；计算主成分；构造分类超平面，将最优分类超平面问题转化为二次规划模型；通过参数寻优训练PCA‑SVR模型，定量预测元素含量；选择最佳主成分个数；计算决定系数，评价PCA‑SVR模型预测效果。本发明运算过程简单，科学合理，流程简单，便于操作，预测准确率高，结果直观，通俗易懂，可以解决X荧光能谱峰值重叠干扰、以及传统仪器测量方法不准确等问题，减少了环境本底的影响，降低了由统计涨落造成的误差，能有效快速地对待测物所含元素进行定量预测。

技术领域

本发明涉及元素检测领域，特别涉及一种基于PCA-SVR的XRF元素定量分析方法。

背景技术

随着能谱科学研究的逐步发展，在线定性定量检测技术成为了新的发展趋势。经过近十几年来的完善扩展研究，利用X射线荧光(XRF)光谱分析元素含量已经成为一种新型的分析技术，该方法被广泛应用于冶金、建材、地矿、商检、环保、食品卫生、有色金属等各个领域。该方法具有分析迅速、不破坏样品属性、分析范围广泛、结果稳定可靠、能快速实现多元素同时进行分析且操作简便等诸多优点。

传统方法主要是通过XRF光谱仪对微量元素进行精准定性和准确定量分析，其容易出现元素谱线之间峰计数重叠、元素信息的不确定性、元素检出限高等问题，如何在谱线重叠干扰的情况下，提高元素定量分析结果的准确性，成为了本发明研究的重点。因此将主成分分析－支持向量回归(PCA-SVR)算法应用于元素的定量分析，解决了传统X荧光光谱仪计算不准确且缺乏数据检验的问题，旨在为X荧光光谱仪结果的定量分析提供一种可供选择的检验方法。

发明内容

针对上述现有技术中存在的问题，本发明提供了一种基于PCA-SVR算法预测待测物所含元素含量的方法，该方法基于机器学习中的主成分分析(PCA)、支持向量回归(SVR)算法，建立样品元素的峰值特征信息与元素含量分析模型，提升定量分析结果的准确性，最终实现定量预测物质所含元素的含量信息。

为实现上述目的，本发明提出了一种基于PCA-SVR的XRF元素定量分析方法，该方法包括以下步骤：

步骤1：确定标准样品集，假定标准样品集中有n份待测样品，取所述标准样品集中经过ED-XRF荧光光谱仪(能量色散型X射线荧光光谱仪)能够识别的全部元素(元素周期表中12～92号元素)的并集，构成这n份待测样品所含有的元素集，即得标准样品集中有含量的元素集A；

步骤2：读入元素峰值信息和含量信息。取任一待测样品为待识别样品，通过ED-XRF荧光光谱仪测试其在元素集A中对应的元素峰值信息和含量信息，获得各元素的实测组分值(或峰计数)X和含量值Y。

步骤3：确定PCA-SVR模型的输入输出。构建PCA-SVR模型，将需要定量分析的某个元素称为目标元素，将对目标元素产生干扰的元素称为干扰元素。将所述标准样品集中目标元素及其干扰元素组成的实测组分值(或峰计数)矩阵作为PCA-SVR模型的输入，将目标元素的元素含量组成的实测含量值矩阵作为PCA-SVR模型的输出。例如，元素的实测组分值(或峰计数)矩阵X_nm是一个包含n份待测样品，每份待测样品由m个元素的组分值组成，X_nm矩阵的第一列为单一目标元素的实测组分值，其余m-1列为其他目标元素及所有目标元素对应的干扰元素组成。同样地，元素的实测含量值矩阵Y_n1是一个包含n份待测样品，每份待测样品由该单一元素浓度值组成；

步骤4：XRF光谱数据标准化。将原始X_nm矩阵标准化，得到标准化矩阵X_nm矩阵中第i行的行向量表示第i份待测样品中所含的m个元素的组分值(或峰计数)向量。对X_nm矩阵进行标准化的过程如下：