[发明专利]一种基于XRF-EGAN模型的土壤XRF谱图本底扣除方法

权利要求书

1.一种基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，基于GAN模型的设计模式，采用一维全卷积网络层和残差连接，构建模型的生成器，采用一维卷积和全连接层构建模型的判别器，并采用对抗训练模式训练XRF-EGAN模型，进而获得训练好的生成器和判别器，且生成器是土壤XRF本底扣除模型，进而提高土壤XRF的元素净峰面积和含量之间的相关性。

2.根据权利要求1所述的基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，通过对抗训练XRF-EGAN模型获得训练优化后的生成器，并将生成器用于土壤XRF光谱本底扣除任务中，XRF-EGAN模型除了能够应用于土壤XRF光谱，还可以应用于包括合金XRF光谱、谱图合金XRF光谱采用XRF荧光分析仪获得的XRF光谱数据。

3.根据权利要求1所述的基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，包括以下步骤：

步骤1：采用XRF荧光分析仪采集土样样品的XRF光谱数据，并通过人工手动将样品的XRF光谱数据的本底进行扣除，最终获得未进行本底扣除前的土壤XRF光谱数据Data_noisy和不含本底的土壤XRF光谱数据Data_clean；

步骤2：通过采集的Data_noisy数据和Data_clean数据训练XRF-EGAN神经网络模型，并将完成训练后最优的XRF-EGAN模型的生成器的网络模型参数保存下来；

步骤3：加载XRF-EGAN的生成器网络模型，对采用XRF荧光分析仪测量的新的土壤XRF光谱数据，利用XRF-EGAN的生成器网络进行XRF光谱本底扣除，并获得本底扣除后的输出。

4.根据权利要求3所述的基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，步骤2的XRF-EGAN神经网络模型生成器训练采用的损失函数表达式如下：

式中z∈R^1×1024表示服从标准正态分布的噪声；x表示输入的含有本底的XRF光谱数据；G表示生成器；G(z,x)表示将z和x输入到生成器中获得的输出，即XRF本底扣除的输出结果；D表示判别器；(D(G(z,x))-1)²表示判别器输出与1的均方误差；x_c表示不含本底的XRF光谱数据；|| ||₁表示L1范数；λ表示L1范式的系数。

5.根据权利要求3所述的基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，步骤2的XRF-EGAN神经网络模型判别器训练采用的损失函数表达式如下：

式中z∈R^1×1024表示服从标准正态分布的噪声；x表示输入的含有本底的XRF光谱数据；G表示生成器；G(z,x)表示将z和x输入到生成器中获得的输出，即XRF本底扣除的输出结果；D表示判别器；D(G(z,x))²表示判别器输出与0的均方误差。

6.根据权利要求3所述的基于XRF-EGAN模型的土壤XRF本底扣除方法，其特征在于，步骤2的XRF-EGAN网络模型的前向传播过程为将包含本底的土壤XRF光谱数据x输入到生成器模型中，经过一系列一维卷积运算和残差连接，对输入XRF光谱x进行特征压缩编码和解码过程，最终获得与输入x相同维度的本底扣除结果将生成器的输出与输入样本x对应不含本底的x_c一同输入到判别器D中，最终获得判别器的输出o∈R^1×2，并根据损失函数计算相应的损失值，优化XRF-EGAN的生成器和判别器模型。