[发明专利]一种支持向量回归结合引力搜索的元素含量定量分析方法

权利要求书

1.一种支持向量回归结合引力搜索的元素含量定量分析方法，其特征在于，所述支持向量回归结合引力搜索的元素含量定量分析方法包括：

确定待测元素，利用光谱仪获取待测样本的XRF光谱数据；基于所述光谱数据确定待测元素的峰值信息；

构建GSA-SVR模型并利用数据集对构建GSA-SVR模型进行训练，利用训练好的GSA-SVR模型基于所述待测元素的峰值信息预测待测元素的含量。

2.如权利要求1所述支持向量回归结合引力搜索的元素含量定量分析方法，其特征在于，具体包括：

步骤一，选定待测元素a，并采集n个选定样本；

步骤二，确定待测元素，利用光谱仪获取待测样本的XRF光谱数据，并对数据进行归一化；基于所述光谱数据确定待测元素的峰值信息；

步骤三，在步骤二所得到的XRF光谱数据基础上，选出待测元素a的峰值信息和含量信息以及待测元素a的m个干扰元素的峰值信息和含量信息，得XRF光谱的含有p个特征的目标样本集；

步骤四，构建GSA-SVR模型并利用数据集对构建GSA-SVR模型进行训练，利用训练好的GSA-SVR模型基于所述待测元素的峰值信息预测待测元素的含量；在步骤三数据的基础上，划分训练样本集和测试样本集；前k个目标样本数据为训练样本集，其中待测元素a的峰值数据作为SVM模型的输入数据，待测元素a的含量为模型的输出数据；后面n-k个目标样本数据为测试样本集，其中待测元素a的峰值数据作为SVM模型的输入数据，待测元素a的含量为模型的输出数据；

步骤五，基于步骤五中的k个训练样本集训练并构建GSA-SVR模型；

步骤六，将步骤五中n-k个测试样本集中的输入数据带入步骤五中训练完成的GSA-SVR模型进行预测，得到n-k个测试样本集中待测元素a的含量预测结果；

步骤七，将步骤六中所得到的待测元素a的含量预测结果反归一化。

3.如权利要求1所述支持向量回归结合引力搜索的元素含量定量分析方法，其特征在于，所述构建GSA-SVR模型并利用数据集对构建GSA-SVR模型进行训练之前还需进行：

采集多个包含待测元素的选定样本；针对所述选定样本，利用光谱仪获取目标样本的XRF光谱数据，并对所述光谱数据进行归一化；

基于所述光谱数据筛选待测元素的峰值信息和含量信息以及待测元素的多个干扰元素的峰值信息和含量信息，得XRF光谱的含有多个特征的目标样本集；

将得到的XRF光谱的含有多个特征的目标样本集进行划分得到训练样本集和测试样本集；

所述将得到的XRF光谱的含有多个特征的目标样本集进行划分得到训练样本集和测试样本集包括：

将XRF光谱的含有p个特征的目标样本集的前k个目标样本数据划分为训练样本集；

将XRF光谱的含有p个特征的目标样本集的后面n-k个目标样本数据为测试样本集；其中，n表示选定样本的数量。

4.如权利要求1所述支持向量回归结合引力搜索的元素含量定量分析方法，其特征在于，所述利用数据集对构建GSA-SVR模型进行训练包括：

首先，确定支持向量机的核函数为高斯核函数：

K(x_i，x_j)＝exp(-g||x_i-y_j||²)；

其中，K(x_i，x_j)表示核函数；g表示核函数参数；y_i表示第i个测试样本集中待测元素a的含量值；

其次，利用GSA算法对支持向量机进行参数优化，得到最佳的惩罚参数C和核函数参数g；

所述利用GSA算法对支持向量机进行参数优化包括：

初始化支持向量机SVM的参数，并设置支持向量机SVM中C和g作为GSA优化值；

根据C和g初始化位置和速度，使用训练样本对SVM模型进行训练，得到具备最优C和g的GSA-SVR模型。