[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

说明书

本发明属于X射线荧光仪(XRF)元素定量分析领域，公开了一种支持向量回归(Support Vector Regression,SVR)结合引力搜索算法(Gravitational Search Algorithm，GSA)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。通过对数据集进行归一化处理后，将数据进行训练集、测试集划分，利用训练集数据构建SVR预测模型，再通过测试集预测模型性能，基于GSA优化后得到的训练样本数据构建的GSA‑SVR模型，通过该模型来实现元素的定量分析。基于GSA‑SVR的元素含量定量分析可以广泛应用于元素的XRF定量分析领域。

技术领域

本发明属于X射线荧光仪元素定量分析领域，尤其涉及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。

背景技术

目前，在基于XRF的元素定量分析中，对于土壤元素的含量计算，常规分析方法是通过测量元素在光谱中所对应的特征峰强度来建立校正模型，并进行元素含量等拟合分析，例如：偏最小二乘回归(PartialLeastSquaresRegression,PLSR)等。而在实际的XRF元素含量预测中，由于XRF光谱中混杂着很多非线性因素对光谱数据的干扰，比如受到x射线管、样品和光路中发射出来的波长相近谱线的干扰，还可能来自靶材本身，包括靶元素及有关杂质(例如钨靶中的铜)的发射线，以及样品中其他元素发射出来的干扰线等因素。此时采用常规线性分析方法存在一定的弊端，且准确度不理想。在这种情况下，一些非线性算法，例如：卷积神经网络(CNN)、支持向量机回归(SVR)、径向基(RadialBasisFunction,RBF)神经网络、BP神经网络(BackPropagation(BP))等算法由于其自适应能力强、能够很好地处理多元非线性数据等优点，已被广泛应用于XRF元素定量分析领域。其中支持向量机回归(SVR)算法相较于其他的算法有着优秀的泛化能力以及预测能力，且针对小样本集也能提供准确的预测模型。

支持向量机(SVM)本身是针对二分类问题提出的，而SVR(支持向量回归)是SVM(支持向量机)中的一个重要的应用分支。SVR回归与SVM分类的区别在于，SVR的样本点最终只有一类，它所寻求的最优超平面不是SVM那样使两类或多类样本点分的“最开”，而是使所有的样本点离着超平面的总偏差最小。参考向量回归是一种用于预测离散值的监督学习算法，SVR的基本思想是找到最佳拟合线。在SVR中，最佳拟合直线是具有最高估计值的超平面。支持向量回归的优点包括对异常值的鲁棒性、决策模型易于更新、良好的概括能力、高预测精度和易于实施。

通过上述分析，现有技术存在的问题及缺陷为：现有的土壤元素的含量分析方法分析误差大，分析结果不准确、不可靠。

发明内容

针对现有技术存在的问题，本发明提供了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，支持向量回归的优点包括对异常值的鲁棒性、决策模型易于更新、良好的概括能力、高预测精度和易于实施，引力搜索算法实现对支持向量回归C与g的寻优，以解决现有SVR建模过程中冗余特征对模型精度的影响问题。

本发明是这样实现的，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，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：

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；