[发明专利]一种基于XRF-EGAN模型的土壤XRF谱图本底扣除方法

说明书

本发明涉及XRF光谱分析领域，公开了一种基于XRF‑EGAN的土壤XRF光谱本底扣除方法，是基于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，进而提升基于XRF光谱的元素定量分析的准确性。本发明的方法应用在土壤XRF光谱本底扣除中，实现土壤XRF光谱的本底扣除，消除因X荧光分析仪在分析过程中脉冲堆积导致的XRF本底干扰。本发明适用于土壤XRF光谱本底扣除。

技术领域

本发明涉及XRF光谱本底扣除领域，特别涉及基于XRF-EGAN深度网络模型的XRF光谱本底扣除方法。

背景技术

土壤XRF光谱本底扣除方法种类繁多，如小波变换、傅立叶变换、削峰法、多项式拟合等。在实际应用中，采用土壤XRF光谱对土壤中包含的元素含量进行定量分析前，需要采用本底扣除方法对XRF谱图的本底噪声进行基线校准，使元素的含量分析更加准确。传统的本底扣除方法在土壤XRF光谱基线校准的准确率仍有待提高，且传统方法鲁棒性和自适应能力较弱。深度神经网络技术的发展及卷积神经网络的强鲁棒性和自适应能力等特点，为土壤XRF光谱本底扣除提供一种全新的实现方法。

生成对抗神经网络(GAN)是一种通过对抗训练学习的神经网络模型，相较于其他的神经网络结构，GAN具有多个特点：(1)GAN模型由生成器和判别器构成，且生成器和判别器可以由不同的网络层构成，具有较高的灵活性。(2)GAN采用对抗训练学习，GAN模型的生成器负责生成样本或对输入样本进行去噪，判别器负责帮助生成器完成模型的对抗训练。因为GAN网络模型具有这些优点，所以在图像生成与去噪、语音去噪等领域得到广泛研究。本发明研究主要集中在：如何采用GAN模型设计出更准确的XRF本底扣除网络模型，提出具有鲁棒性和自适应能力的土壤XRF谱图本底扣除方法，提高土壤XRF光谱本底扣除准确性，进而提高元素的XRF特征峰面积与含量之间的相关性，使采用该方法处理后的XRF数据能够更准确地对元素进行含量分析。

发明内容

本发明要解决的技术问题是：提供一种基于XRF-EGAN神经网络模型的土壤XRF本底扣除方法，来提高土壤XRF谱图的元素净峰面积与元素含量之间的相关性。

为实现上述目的，本发明采用的技术方案是：

一种基于XRF-EGAN模型的土壤XRF本底扣除方法，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。

进一步地，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。

进一步地，基于XRF-EGAN模型的土壤XRF本底扣除方法，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；