[发明专利]一种基于粒子群算法的光谱重叠峰分解方法

摘要

本发明公开了一种基于粒子群算法的光谱重叠峰分解方法。首先对重叠峰进行本底扣除并归一化，得到面积为1的重叠峰；其次，将归一化后的重叠峰用标准差关联的GMM模型（简称GMM‑SDRE模型）来表征；然后，将归一化后的重叠峰看成一个离散概率密度函数，并产生对应的随机数；最后，采用粒子群算法的群体搜索技术，每一个粒子对应一个GMM‑SDRE模型，并计算在统计意义下这些随机数归属于GMM‑SDRE模型的概率（即适应度值），经过迭代更新搜索到具有“全局最大概率”的全局最优GMM‑SDRE模型，进而完成重叠峰的分解。本发明分解精度较高，可广泛用于各种严重重叠谱峰的分解。

主权项

一种基于粒子群算法的光谱重叠峰分解方法，其特征在于，步骤如下：①对由M个谱峰重叠而成的重叠峰进行本底扣除，并对重叠峰进行归一化，得到面积为1的重叠峰；②将归一化后的重叠峰用标准差关联的GMM模型(GMM:高斯混合模型)来表征，标准差关联的GMM模型(以下简称为GMM‑SDRE)如下：p(x|θ)=Σi=1Mai1(2π)1/2fσ(i)exp[-12(x-ui)2/fσ(i)2]---(1)]]>式中：ai表示第i分支(即第i个谱峰)的权重，且满足Σi=1Mai=1,ai≥0---(2)]]>ui、fσ(i)分别为第i分支的均值和标准差，其中fσ(i)＝fσ(1)·ui/u1(i＝2,...,M)；③将归一化后的重叠峰看成一个离散概率密度函数，并产生服从该密度函数的随机数；④采用粒子群算法的群体搜索技术，找到全局最优GMM‑SDRE模型，方法为：将GMM‑SDRE模型的3M个参数θ＝[a1 a2…aM u1 u2…uMfσ(1)fσ(2)…fσ(M)]作为粒子在空间中的位置，经过粒子“飞行”速度和“位置”的迭代更新过程，搜索到具有“全局最大适应度值”的位置参数作为全局最优GMM‑SDRE模型的参数；适应度值f(θ)是将步骤③中的随机数代入下式得到的f(θ)=Σk=beginkendkcklnP(k|θ)=Σk=beginkendk[cklnΣj=1M(P(k|j,θ)aj)]---(3)]]>其中P(k|j,θ)=Σi=1Mai1(2π)1/2fσ(i)exp[-12(k-ui)2/fσ(i)2]---(4)]]>式(3)中k表示道址(即随机数值)，begink和endk分别表示重叠峰的起始道址(最小随机数)和结束道址(最大随机数)，ck表示第k道址的计数(随机数值为k的个数)。