基于支持向量机的X射线荧光光谱分析方法及装置.pdf

摘要
申请专利号：	CN201410406583.8	申请日：	2014.08.18
公开号：	CN104198512A	公开日：	2014.12.10
当前法律状态：	驳回	有效性：	无权
法律详情：	发明专利申请公布后的驳回IPC(主分类):G01N 23/223申请公布日:20141210\|\|\|实质审查的生效IPC(主分类):G01N 23/223申请日:20140818\|\|\|公开
IPC分类号：	G01N23/223	主分类号：	G01N23/223
申请人：	北京农业质量标准与检测技术研究中心
发明人：	陆安祥; 王纪华; 田晓琴; 付海龙; 李芳
地址：	100097 北京市海淀区曙光花园中路9号北京市农林科学院综合楼511
优先权：
专利代理机构：	北京路浩知识产权代理有限公司 11002	代理人：	李相雨
PDF下载：	PDF下载

内容摘要

本发明提供了一种基于支持向量机的X射线荧光光谱分析方法及装置，其中，所述方法包括：采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；测定所述训练集样品的目标元素的含量；将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。通过上述的方法能够有效的获取模型参数，获得良好的预测效果。

权利要求书

1.  一种基于支持向量机的X射线荧光光谱分析方法，其特征在于，包括：
采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；
测定所述训练集样品的目标元素的含量；
将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；
采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；
采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。

2.  根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。

3.  根据权利要求1所述的方法，其特征在于，所述采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值，包括：
采集训练集样品的X射线荧光光谱；
对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；
其中，所述数据处理包括：对所述X射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。

4.  根据权利要求1所述的方法，其特征在于，所述测定所述训练集样品的目标元素的含量，具体为：
采用理化分析方式测得所述训练集样品的目标元素的含量。

5.  根据权利要求1所述的方法，其特征在于，所述支持向量机模型为：
y(x)=Σ1nαiK(x,xk)+b]]>
其中，b为支持向量机模型的截距，α_i为拉格朗日算子，K(x,x_k)为高斯径向基函数，n为向量的维数，x_k为输入层向量，x为输入层数据，y为输出数据。

6.  根据权利要求1所述的方法，其特征在于，所述采用遗传算法对所述预测模型进行训练，包括：
S61、设定迭代次数t，所述t的初始值为0，设定种群数量，交叉率和变异率；
S62、建立所述预测模型参数，随机选择产生初始种群；
S63、对所述初始种群的个体训练，计算个体适应度函数值，采用均方根误差分析个体适应度函数值，

其中，y_i为验证集样品的实际测量值；为样品的模型预测值；k为验证集样品的数量；
S64、当所述种群中最优个体所对应的适应度满足设定的迭代次数，则转至步骤S66，否则执行步骤S65；
S65、迭代次数t＝t+1,应用选择，交叉率和变异率产生新的种群，则转至步骤S63；
S66、给出预测模型参数，并用其训练数据集，获得预测模型。

7.  一种基于支持向量机的X射线荧光光谱分析装置，其特征在于，包括：
采集提取单元，用于采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；
测定单元，用于测定所述训练集样品的目标元素的含量；
建模单元，用于将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；
训练单元，用于采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；
预测单元，用于采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。

8.  根据权利要求7所述的装置，其特征在于，所述装置还包括：
验证单元，用于利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。

9.  根据权利要求7所述的装置，其特征在于，所述采集提取单元，具体用于：
采集训练集样品的X射线荧光光谱；
对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；
其中，所述数据处理包括：对所述X射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。

10.  根据权利要求7所述的装置，其特征在于，所述测定单元，具体用于：
采用理化分析方式测得所述训练集样品的目标元素的含量。

说明书

基于支持向量机的X射线荧光光谱分析方法及装置
技术领域
本发明涉及X射线光谱检测技术领域，尤其涉及一种基于支持向量机的X射线荧光光谱分析方法及装置。
背景技术
X射线荧光光谱(X-ray Fluorescence Spectroscopy,简称XPF)是利用X射线激发元素外层电子，利用光谱仪获取电子跃迁时的荧光光谱，并由谱线的能量和强度进行定性定量分析。
X射线荧光光谱为原子发射光谱的一种，在元素测定方面应用广泛。其可测定的元素的范围广，包括元素周期表中Z≥3(Li)的所有元素，可测定的浓度范围宽，具有快速准确、操作简单、能同时测定多种元素的特点，适合于多种类型的固态和液态物质的测定。目前X射线荧光光谱技术在农业中的应用主要集中于土壤、农产品污染监测和农产品中微量元素的测定等领域。X射线荧光光谱分析易受到周围环境如土壤水分含量的影响，也会受到测量条件如样品颗粒大小的影响。
由于土壤类别繁多，属性复杂，且受到土壤的基体效应和自吸收效应的制约，现有技术中还没有建立普适性的标准曲线或者模型，也没有可靠的XPF检测农田土壤中重金属的方法，使得检测的准确性不高。
发明内容
本发明实施例提供了一种基于支持向量机的X射线荧光光谱分析方法及装置，能够有效的获取模型参数，获得良好的预测效果。
第一方面，本发明提供了一种基于支持向量机的X射线荧光光谱分析方法，包括：
采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；
测定所述训练集样品的目标元素的含量；
将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；
采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；
采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。
可选地，所述方法还包括：
利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。
可选地，所述采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值，包括：
采集训练集样品的X射线荧光光谱；
对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；
其中，所述数据处理包括：对所述X射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。
可选地，所述测定所述训练集样品的目标元素的含量，具体为：
采用理化分析方式测得所述训练集样品的目标元素的含量。
可选地，所述支持向量机模型为：
y(x)=Σ1nαiK(x,xk)+b]]>
其中，b为支持向量机模型的截距，α_i为拉格朗日算子，K(x,x_k)为高斯径向基函数，n为向量的维数，x_k为输入层向量，x为输入层数据，y为输出数据。
可选地，所述采用遗传算法对所述预测模型进行训练，包括：
S61、设定迭代次数t，所述t的初始值为0，设定种群数量，交叉率和变异率；
S62、建立所述预测模型参数，随机选择产生初始种群；
S63、对所述初始种群的个体训练，计算个体适应度函数值，采用均方根误差分析个体适应度函数值，

其中，y_i为验证集样品的实际测量值；为样品的模型预测值；k为验证集样品的数量；
S64、当所述种群中最优个体所对应的适应度满足设定的迭代次数，则转至步骤S66，否则执行步骤S65；
S65、迭代次数t＝t+1,应用选择，交叉率和变异率产生新的种群，则转至步骤S63；
S66、给出预测模型参数，并用其训练数据集，获得预测模型。
第二方面，本发明提供了一种基于支持向量机的X射线荧光光谱分析装置，包括：
采集提取单元，用于采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；
测定单元，用于测定所述训练集样品的目标元素的含量；
建模单元，用于将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；
训练单元，用于采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；
预测单元，用于采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。
可选地，所述装置还包括：
验证单元，用于利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。
可选地，所述采集提取单元，具体用于：
采集训练集样品的X射线荧光光谱；
对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；
其中，所述数据处理包括：对所述X射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。
可选地，所述测定单元，具体用于：
采用理化分析方式测得所述训练集样品的目标元素的含量。
由上述技术方案可知，本发明的基于支持向量机的X射线荧光光谱分析方法及装置，通过采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；测定所述训练集样品的目标元素的含量；将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；采用遗传算法对所述预测模型进行训练，建立X射线荧光光谱分析目标元素的支持向量机模型；采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量，能够有效的获取模型参数，获得良好的预测效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析方法的流程示意图；
图2为本发明实施例提供的另一种基于支持向量机的X射线荧光光谱分析方法的流程示意图；
图3为本发明实施例提供的一种土壤样品的X射线荧光光谱图；
图4为本发明实施例提供的一种基于遗传算法确定支持向量机模型参数的适应度变化图；
图5为本发明实施例提供的一种基于支持向量机的模型的训练结果与参考值的比较示意图；
图6为本发明实施例提供的一种基于支持向量机的模型的预测结果与参考值的比较示意图；
图7为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析方法的流程示意图，如图1所示，本实施例的基于支持向量机的X射线荧光光谱分析方法如下所述。
101、采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值。
应理解的是，训练集样品中的目标元素，经过X射线照射，发射出荧光光谱，目标元素的X射线荧光光谱需要通过仪器采集获得，同时，对采集到的目标元素的荧光光谱提取N个数据点强度值。
其中，N为大于等于2的自然数。
102、测定所述训练集样品的目标元素的含量。
举例来说，通过理化分析方式测定训练集样品的目标元素的含量。
103、将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型。
举例来说，支持向量机是将低维非线性问题变化输入转化到高维特征空间，转化为类似的线性问题来解决。
设定一组训练集D＝{(x1,y1),…(xl,yl)}，l为样本数量，x_i∈Rⁿ，y_i∈R，i＝1,2,…..l，n为x_i向量维数，R为实数集。
其中，支持向量机模型的核函数为高斯径向函数，
K(xp,xq)=exp(||xp-xq||22δ2)]]>
其中，δ是核函数参数，Xp,Xq是训练样品集的有效特征向量，p,q∈[1,n]。
把低维的非线性问题转化为高维的线性问题，而高维的线性问题的最优分类问题转化为求分类间隔函数φ(w,ε)的最小值，
φ(ω,ϵ)=12||w||2+12rΣ1nϵκ2]]>
约束条件为
y_k[(Ψ(x_k)×w+b)]≥1-ε，
在通过拉格朗日算法得到支持向量机模型为：
y(x)=Σ1nαiK(x,xk)+b]]>
其中，b为支持向量机模型的截距，α_i为拉格朗日算子，K(x,x_k)为高斯径向基函数，n为向量的维数，x_k为输入层向量，y_k是输出层向量中的元素，x为输入层数据，y为输出数据，w为向量的间隔，ε是损失系数，r误差惩罚参数，ε_k为模型的惩罚系数，Ψ(x_k)是特征向量x_k在特征空间的映射。
104、采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数。
举例来说，在支持向量机模型中，r误差惩罚参数，δ是核函数参数，ε是损失系数，对模型的拟合结果产生较大的影响，在本步骤中，采用遗传算法对其进行训练。
S61、设定迭代次数t，所述t的初始值为0，设定种群数量，交叉率和变异率。
举例来说，遗传算法的进化代数设定为200次，种群数量设为20，交叉率设为0.4，变异率设为0.1。
S62、建立所述预测模型参数，随机选择产生初始种群。
举例来说，支持向量机模型参数r的范围为0-100，δ参数设为0-100，ε参数设定为0-1；随机选择实数编码的建立初始种群。
S63、对所述初始种群的个体训练，计算个体适应度函数值，采用均方根误差(Root Mean Square Error，简称RMSE)分析个体适应度函数值，
RMSE=1kΣi=1k(yi-y^i)2]]>
其中，y_i为验证集样品的实际测量值；为样品的模型预测值；k为验证集样品的数量。
应理解的是，采用均方根误差能够有效的评价参数的选择的有效性。
S64、当所述种群中最优个体所对应的适应度满足设定的迭代次数，则转至步骤S66，否则执行步骤S65。
S65、迭代次数t＝t+1,应用选择，交叉率和变异率产生新的种群，则转至步骤S63。
S66、给出预测模型参数，并用其训练数据集，获得预测模型。
应理解为，给出最佳的参数δ、ε和r，并用其训练数据集以获得最佳的预测模型。
105、采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。
举例来说，采集预测集的样品，提取预测集样品谱线上的N个数据点强度值，作为支持向量机的输入层数据，从而获得预测集样品的对应目标元素的含量。
在本实施例中，通过建立支持向量机的模型，获取预测的目标元素的含量，能够减少测定的时间，且能提高测定的准确性。
图2为本发明实施例提供的另一种基于支持向量机的X射线荧光光谱分析方法的流程示意图，如图2所示，本实施例的基于支持向量机的X射线荧光光谱分析方法如下所述。
201、采集训练集样品的X射线荧光光谱。
举例来说，通过光谱仪采集训练集样品的X射线荧光光谱。
202、对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值。
应理解的是，对采集到的光谱进行数据的处理，其中，处理的方法包括：求平均，扣除背景以及谱线去干扰拟合。
203、采用理化分析方式测得所述训练集样品的目标元素的含量。
举例来说，在本步骤中采用理化分析方式来测定训练集样品的目标元素的含量，但是这里并不限定测定的方法，仅为理化分析方式。
204、将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型。
205、采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数。
206、采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。
应说明的是，步骤204、205、206和上述实施例中的步骤103、104、 105的步骤相同。
207、利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。
举例来说，获得预测集样品的目标元素的含量与测定的预测集样品的目标元素的含量，来验证支持向量机的模型。
其中，训练集和所述验证集样品的总数不低于60个，训练集和验证集的数目比例为2:1。
利用相关系数和均方误差来评价支持向量机的模型的准确度和精确度。
在本实施例中，通过建立支持向量机的模型，来预测目标元素的含量，同时，通过预测目标元素的含量验证模型的准确的和精确度。能准确的测定目标元素的含量，且能够提高模型的准确度，能够有效地克服支持向量机参数不稳定，预测性能随意性大及参数难以调整等缺点。
图3为本发明实施例提供的一种土壤样品的X射线荧光光谱图，图4为本发明实施例提供的一种基于遗传算法确定支持向量机模型参数的适应度变化图，图5为本发明实施例提供的一种基于支持向量机的模型的训练结果与参考值的比较示意图，图6为本发明实施例提供的一种基于支持向量机的模型的预测结果与参考值的比较示意图，如图3，图4，图5，图6所示，本具体实施例如下所述。
本实施例采用便携式X射线荧光土壤重金属检测仪系统获取光谱数据，X射线激发采用Ag靶，探测器采用SDD高分辨探测器。
步骤31：样品的采集与处理，本实施例中采用的土壤样品有国家标准物质土壤ESS-1，ESS-2,ESS-3，ESS-4等标准土壤；以及采集自北京、黑龙江、江苏、云南和新疆五个省市的典型农田土壤。农田土壤样品在室内风干，磨碎，过尼龙网筛后存放。样品的混合、装袋、粉碎、研磨等处理都采用木头、陶瓷或玛瑙用具。土壤样品中重金属含量将以标准物质参考值和理化分析实际测量值为准。共有独立土壤样品109份。
步骤32：X射线荧光光谱采集,取研磨后的样品，装进样品杯中，压紧后覆上麦拉膜。将样品杯放入X射线荧光光谱仪检测台上进行测试。为了获得更好的检测结果，测定时间经过优化，选择300秒。从而得到的土壤样品的X射线荧光光谱，如图3所示。检测获得的X射线荧光光谱经寻峰、能量定位后提取4.95、5.41、5.90、6.40、6.93KeV等峰的5个荧光峰强度值，建立X射线荧光光谱输入矩阵。
步骤33：参考值的测定,国家标准土壤样品中的重金属元素含量值由标准样品的参考值给出。采集的农田土壤样品的分析测定都按照国家标准执行，分析过程中均加入国家标准土壤样品(GSS－1)进行分析质量控制，并重复3次，Cr的分析测试使用美国热电Solar-M原子吸收石墨炉。
步骤34：定量模型的建立,对于109个土壤样品，建立Cr的预测模型。建模时先采用浓度梯度法划分训练集、预测集。训练集样品用来建立模型，校正集和预测集样本用来对模型进行评价。分别样品数量为71，38个。将步骤32中提取建立的样品的X射线荧光光谱峰强度值作为输入数据集，步骤33中对应的样品重金属元素的含量为期望输出值。支持向量机模型的参数δ、ε和r由遗传算法进行了优选。经过200次迭代，最佳的核函数参数δ为10.8295，误差损失系数ε为0.0073681，误差惩罚参数r为0.7453；从而得到最优X射线荧光光谱-土壤中重金属含量的支持向量机预测模型。如图4所示。
步骤35：新样品预测与模型验证,对于建立的校正模型，均采用预测集样品来进行验证。按照上述X射线荧光光谱采集的方法分别采集待测土壤的x射线荧光光谱，并经过上述光谱预处理后得到待测土壤的X射线荧光光谱输入矩阵，输入到训练好的支持向量机X射线荧光光谱-土壤中重金属含量的定量预测模型，就可自动计算出其重金属元素含量。如图5和6所示，为模型预测值与参考值的比较图，结果表明，其相关系数R均较高(训练集的R为0.937，验证集的R为0.809)。
本实施中模型预测值与参考值比较接近，说明模型效果较好，能够有效改进X射线荧光光谱仪的检测准确度。
图7为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析装置的结构示意图，如图7所示，本实施例基于支持向量机的X射线荧光光谱分析装置结构如下所述。
一种基于支持向量机的X射线荧光光谱分析装置，包括：采集提取单元71，测定单元72，建模单元73，训练单元74和预测单元75。
其中，采集提取单元71，用于采集训练集样品的X射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；
测定单元72，用于测定所述训练集样品的目标元素的含量；
建模单元73，用于将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；
训练单元74，用于采用遗传算法对所述预测模型进行训练，确定X射线荧光光谱分析目标元素的支持向量机模型的参数；
预测单元75，用于采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。
该装置还包括图中未示出的单元，
验证单元75’，用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。
其中采集提取单元71体用于：
采集训练集样品的X射线荧光光谱；
对所述X射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；
其中，所述数据处理包括：对所述X射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。
其中，测定单元72，具体用于：
采用理化分析方式测得所述训练集样品的目标元素的含量。
本实施例中，支持向量机的装置能够有效提高测定的准确度，克服向量机的参数不稳定性。
本领域普通技术人员可以理解：实现上述方法实施例的全部或者部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
以上所述，仅为本发明的具体实施方式，但是，本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替代，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

资源描述

《基于支持向量机的X射线荧光光谱分析方法及装置.pdf》由会员分享，可在线阅读，更多相关《基于支持向量机的X射线荧光光谱分析方法及装置.pdf（16页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 104198512 A (43)申请公布日 2014.12.10 CN 104198512 A (21)申请号 201410406583.8 (22)申请日 2014.08.18 G01N 23/223(2006.01) (71)申请人北京农业质量标准与检测技术研究中心地址 100097 北京市海淀区曙光花园中路 9 号北京市农林科学院综合楼 511 (72)发明人陆安祥王纪华田晓琴付海龙李芳 (74)专利代理机构北京路浩知识产权代理有限公司 11002 代理人李相雨 (54) 发明名称基于支持向量机的 X 射线荧光光谱分析方法及装置 (57。

2、) 摘要本发明提供了一种基于支持向量机的 X 射线荧光光谱分析方法及装置，其中，所述方法包括：采集训练集样品的 X 射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；测定所述训练集样品的目标元素的含量；将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；采用遗传算法对所述预测模型进行训练，确定 X 射线荧光光谱分析目标元素的支持向量机模型的参数；采集预测集样品的 X 射线荧光光谱上若干个数据点强度值为所述 X 射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含。

3、量。通过上述的方法能够有效的获取模型参数，获得良好的预测效果。 (51)Int.Cl. 权利要求书 2 页说明书 8 页附图 5 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请权利要求书2页说明书8页附图5页 (10)申请公布号 CN 104198512 A CN 104198512 A 1/2 页 2 1. 一种基于支持向量机的 X 射线荧光光谱分析方法，其特征在于，包括：采集训练集样品的 X 射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；测定所述训练集样品的目标元素的含量；将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据。

4、，建立支持向量机的预测模型；采用遗传算法对所述预测模型进行训练，确定 X 射线荧光光谱分析目标元素的支持向量机模型的参数；采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。 2. 根据权利要求 1 所述的方法，其特征在于，所述方法还包括：利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。 3. 根据权利要求 1 所述的方法，其特征在于，所述采集训练集样品的 X 射线荧光光谱，提取所述荧光光谱上若干个数据点强度。

5、值，包括：采集训练集样品的 X 射线荧光光谱；对所述 X 射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；其中，所述数据处理包括：对所述 X 射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。 4. 根据权利要求 1 所述的方法，其特征在于，所述测定所述训练集样品的目标元素的含量，具体为：采用理化分析方式测得所述训练集样品的目标元素的含量。 5. 根据权利要求 1 所述的方法，其特征在于，所述支持向量机模型为：其中， b 为支持向量机模型的截距， i为拉格朗日算子， K(x,xk) 为高斯径向基函数， n 为向量的维数， xk为输入。

6、层向量， x 为输入层数据， y 为输出数据。 6. 根据权利要求 1 所述的方法，其特征在于，所述采用遗传算法对所述预测模型进行训练，包括： S61、设定迭代次数 t，所述 t 的初始值为 0，设定种群数量，交叉率和变异率； S62、建立所述预测模型参数，随机选择产生初始种群； S63、对所述初始种群的个体训练，计算个体适应度函数值，采用均方根误差分析个体适应度函数值，其中， yi为验证集样品的实际测量值；为样品的模型预测值； k 为验证集样品的数量； S64、当所述种群中最优个体所对应的适应度满足设定的迭代次数，则转至步骤 S66，否权。

7、利要求书 CN 104198512 A 2 2/2 页 3 则执行步骤 S65 ； S65、迭代次数 t t+1, 应用选择，交叉率和变异率产生新的种群，则转至步骤 S63 ； S66、给出预测模型参数，并用其训练数据集，获得预测模型。 7. 一种基于支持向量机的 X 射线荧光光谱分析装置，其特征在于，包括：采集提取单元，用于采集训练集样品的 X 射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；测定单元，用于测定所述训练集样品的目标元素的含量；建模单元，用于将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预。

8、测模型；训练单元，用于采用遗传算法对所述预测模型进行训练，确定 X 射线荧光光谱分析目标元素的支持向量机模型的参数；预测单元，用于采集预测集样品的 X 射线荧光光谱上若干个数据点强度值为所述 X 射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。 8. 根据权利要求 7 所述的装置，其特征在于，所述装置还包括：验证单元，用于利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。 9. 根据权利要求 7 所述的装置，其特征在于，所述采集提取单元，具体用于：采集训练。

9、集样品的 X 射线荧光光谱；对所述 X 射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值；其中，所述数据处理包括：对所述 X 射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。 10. 根据权利要求 7 所述的装置，其特征在于，所述测定单元，具体用于：采用理化分析方式测得所述训练集样品的目标元素的含量。权利要求书 CN 104198512 A 3 1/8 页 4 基于支持向量机的 X 射线荧光光谱分析方法及装置技术领域 0001 本发明涉及 X 射线光谱检测技术领域，尤其涉及一种基于支持向量机的 X 射线荧光光谱分析方法及装置。背景。

10、技术 0002 X射线荧光光谱(X-ray Fluorescence Spectroscopy,简称XPF)是利用X射线激发元素外层电子，利用光谱仪获取电子跃迁时的荧光光谱，并由谱线的能量和强度进行定性定量分析。 0003 X射线荧光光谱为原子发射光谱的一种，在元素测定方面应用广泛。其可测定的元素的范围广，包括元素周期表中 Z 3(Li) 的所有元素，可测定的浓度范围宽，具有快速准确、操作简单、能同时测定多种元素的特点，适合于多种类型的固态和液态物质的测定。目前 X 射线荧光光谱技术在农业中的应用主要集中于土壤、农产品污染监测和农产品中微量元素的测定等领域。。

11、X射线荧光光谱分析易受到周围环境如土壤水分含量的影响，也会受到测量条件如样品颗粒大小的影响。 0004 由于土壤类别繁多，属性复杂，且受到土壤的基体效应和自吸收效应的制约，现有技术中还没有建立普适性的标准曲线或者模型，也没有可靠的 XPF 检测农田土壤中重金属的方法，使得检测的准确性不高。发明内容 0005 本发明实施例提供了一种基于支持向量机的 X 射线荧光光谱分析方法及装置，能够有效的获取模型参数，获得良好的预测效果。 0006 第一方面，本发明提供了一种基于支持向量机的 X 射线荧光光谱分析方法，包括： 0007 采集训练集样品的 X 射线荧光光谱，提取。

12、所述荧光光谱上若干个数据点强度值； 0008 测定所述训练集样品的目标元素的含量； 0009 将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型； 0010 采用遗传算法对所述预测模型进行训练，确定 X 射线荧光光谱分析目标元素的支持向量机模型的参数； 0011 采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。 0012 可选地，所述方法还包括： 0013 利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元。

13、素含量对所述支持向量机模型验证。 0014 可选地，所述采集训练集样品的 X 射线荧光光谱，提取所述荧光光谱上若干个数据点强度值，包括：说明书 CN 104198512 A 4 2/8 页 5 0015 采集训练集样品的 X 射线荧光光谱； 0016 对所述 X 射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值； 0017 其中，所述数据处理包括：对所述 X 射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。 0018 可选地，所述测定所述训练集样品的目标元素的含量，具体为： 0019 采用理化分析方式测得所述训练集样品的目标元素的含量。。

14、0020 可选地，所述支持向量机模型为： 0021 0022 其中， b 为支持向量机模型的截距， i为拉格朗日算子， K(x,xk) 为高斯径向基函数， n 为向量的维数， xk为输入层向量， x 为输入层数据， y 为输出数据。 0023 可选地，所述采用遗传算法对所述预测模型进行训练，包括： 0024 S61、设定迭代次数 t，所述 t 的初始值为 0，设定种群数量，交叉率和变异率； 0025 S62、建立所述预测模型参数，随机选择产生初始种群； 0026 S63、对所述初始种群的个体训练，计算个体适应度函数值，采用均方根误差分析个体适应度函数值， 0。

15、027 0028 其中， yi为验证集样品的实际测量值；为样品的模型预测值； k为验证集样品的数量； 0029 S64、当所述种群中最优个体所对应的适应度满足设定的迭代次数，则转至步骤 S66，否则执行步骤 S65 ； 0030 S65、迭代次数 t t+1, 应用选择，交叉率和变异率产生新的种群，则转至步骤 S63 ； 0031 S66、给出预测模型参数，并用其训练数据集，获得预测模型。 0032 第二方面，本发明提供了一种基于支持向量机的 X 射线荧光光谱分析装置，包括： 0033 采集提取单元，用于采集训练集样品的 X 射线荧光光谱，提取所述荧光光谱。

16、上若干个数据点强度值； 0034 测定单元，用于测定所述训练集样品的目标元素的含量； 0035 建模单元，用于将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型； 0036 训练单元，用于采用遗传算法对所述预测模型进行训练，确定 X 射线荧光光谱分析目标元素的支持向量机模型的参数； 0037 预测单元，用于采集预测集样品的 X 射线荧光光谱上若干个数据点强度值为所述 X 射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对说明书 CN 104198512 A 5 3/8 页 6 应目标元素的含量。。

17、 0038 可选地，所述装置还包括： 0039 验证单元，用于利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。 0040 可选地，所述采集提取单元，具体用于： 0041 采集训练集样品的 X 射线荧光光谱； 0042 对所述 X 射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值； 0043 其中，所述数据处理包括：对所述 X 射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。 0044 可选地，所述测定单元，具体用于： 0045 采用理化分析方式测得所述训练集样品的目标元素的含量。 0046。

18、由上述技术方案可知，本发明的基于支持向量机的 X 射线荧光光谱分析方法及装置，通过采集训练集样品的 X 射线荧光光谱，提取所述荧光光谱上若干个数据点强度值；测定所述训练集样品的目标元素的含量；将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型；采用遗传算法对所述预测模型进行训练，建立X射线荧光光谱分析目标元素的支持向量机模型；采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述 X 射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量，能够有效的获取模型参数，获得良。

19、好的预测效果。附图说明 0047 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。 0048 图1为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析方法的流程示意图； 0049 图2为本发明实施例提供的另一种基于支持向量机的X射线荧光光谱分析方法的流程示意图； 0050 图 3 为本发明实施例提供的一种土壤样品的 X 射线荧光光谱图； 0051 图 4。

20、为本发明实施例提供的一种基于遗传算法确定支持向量机模型参数的适应度变化图； 0052 图 5 为本发明实施例提供的一种基于支持向量机的模型的训练结果与参考值的比较示意图； 0053 图 6 为本发明实施例提供的一种基于支持向量机的模型的预测结果与参考值的比较示意图； 0054 图7为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析装置的结构示意图。说明书 CN 104198512 A 6 4/8 页 7 具体实施方式 0055 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，。

21、显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。 0056 图1为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析方法的流程示意图，如图 1 所示，本实施例的基于支持向量机的 X 射线荧光光谱分析方法如下所述。 0057 101、采集训练集样品的 X 射线荧光光谱，提取所述荧光光谱上若干个数据点强度值。 0058 应理解的是，训练集样品中的目标元素，经过 X 射线照射，发射出荧光光谱，目标元素的 X 射线荧光光谱需要通。

22、过仪器采集获得，同时，对采集到的目标元素的荧光光谱提取 N 个数据点强度值。 0059 其中， N 为大于等于 2 的自然数。 0060 102、测定所述训练集样品的目标元素的含量。 0061 举例来说，通过理化分析方式测定训练集样品的目标元素的含量。 0062 103、将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型。 0063 举例来说，支持向量机是将低维非线性问题变化输入转化到高维特征空间，转化为类似的线性问题来解决。 0064 设定一组训练集 D (x1,y1),(xl,yl)， l 为样本数量， xi Rn， yi R，。

23、 i 1,2,l， n 为 xi向量维数， R 为实数集。 0065 其中，支持向量机模型的核函数为高斯径向函数， 0066 0067 其中，是核函数参数， Xp,Xq 是训练样品集的有效特征向量， p,q 1,n。 0068 把低维的非线性问题转化为高维的线性问题，而高维的线性问题的最优分类问题转化为求分类间隔函数 (w,) 的最小值， 0069 0070 约束条件为 0071 yk(xk)w+b) 1-， 0072 在通过拉格朗日算法得到支持向量机模型为： 0073 0074 其中， b 为支持向量机模型的截距， i为拉格朗日算子， K(x,xk) 为高斯径向基函数， n 为向。

24、量的维数， xk为输入层向量， yk是输出层向量中的元素， x 为输入层数据， y 为输说明书 CN 104198512 A 7 5/8 页 8 出数据， w 为向量的间隔，是损失系数， r 误差惩罚参数， k为模型的惩罚系数， (xk) 是特征向量 xk在特征空间的映射。 0075 104、采用遗传算法对所述预测模型进行训练，确定 X 射线荧光光谱分析目标元素的支持向量机模型的参数。 0076 举例来说，在支持向量机模型中， r 误差惩罚参数，是核函数参数，是损失系数，对模型的拟合结果产生较大的影响，在本步骤中，采用遗传算法对其进行训练。 0077 S61、设定。

25、迭代次数 t，所述 t 的初始值为 0，设定种群数量，交叉率和变异率。 0078 举例来说，遗传算法的进化代数设定为200次，种群数量设为20，交叉率设为0.4，变异率设为 0.1。 0079 S62、建立所述预测模型参数，随机选择产生初始种群。 0080 举例来说，支持向量机模型参数 r 的范围为 0-100，参数设为 0-100，参数设定为 0-1 ；随机选择实数编码的建立初始种群。 0081 S63、对所述初始种群的个体训练，计算个体适应度函数值，采用均方根误差 (Root Mean Square Error，简称 RMSE) 分析个体适应度函数值，。

26、0082 0083 其中， yi为验证集样品的实际测量值；为样品的模型预测值； k为验证集样品的数量。 0084 应理解的是，采用均方根误差能够有效的评价参数的选择的有效性。 0085 S64、当所述种群中最优个体所对应的适应度满足设定的迭代次数，则转至步骤 S66，否则执行步骤 S65。 0086 S65、迭代次数 t t+1, 应用选择，交叉率和变异率产生新的种群，则转至步骤 S63。 0087 S66、给出预测模型参数，并用其训练数据集，获得预测模型。 0088 应理解为，给出最佳的参数、和 r，并用其训练数据集以获得最佳的预测模型。 0089 10。

27、5、采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。 0090 举例来说，采集预测集的样品，提取预测集样品谱线上的 N 个数据点强度值，作为支持向量机的输入层数据，从而获得预测集样品的对应目标元素的含量。 0091 在本实施例中，通过建立支持向量机的模型，获取预测的目标元素的含量，能够减少测定的时间，且能提高测定的准确性。 0092 图2为本发明实施例提供的另一种基于支持向量机的X射线荧光光谱分析方法的流程示意图，如图 2 所示，本实施例的基于支持向量机的。

28、X 射线荧光光谱分析方法如下所述。 0093 201、采集训练集样品的 X 射线荧光光谱。说明书 CN 104198512 A 8 6/8 页 9 0094 举例来说，通过光谱仪采集训练集样品的 X 射线荧光光谱。 0095 202、对所述 X 射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值。 0096 应理解的是，对采集到的光谱进行数据的处理，其中，处理的方法包括：求平均，扣除背景以及谱线去干扰拟合。 0097 203、采用理化分析方式测得所述训练集样品的目标元素的含量。 0098 举例来说，在本步骤中采用理化分析方式来测定训练集样品的目标。

29、元素的含量，但是这里并不限定测定的方法，仅为理化分析方式。 0099 204、将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型。 0100 205、采用遗传算法对所述预测模型进行训练，确定 X 射线荧光光谱分析目标元素的支持向量机模型的参数。 0101 206、采集预测集样品的X射线荧光光谱上若干个数据点强度值为所述X射线荧光光谱分析目标元素的支持向量机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。 0102 应说明的是，步骤204、 205、 206和上述实施例中的步骤103、 104、 105的步骤相同。 01。

30、03 207、利用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。 0104 举例来说，获得预测集样品的目标元素的含量与测定的预测集样品的目标元素的含量，来验证支持向量机的模型。 0105 其中，训练集和所述验证集样品的总数不低于 60 个，训练集和验证集的数目比例为 2:1。 0106 利用相关系数和均方误差来评价支持向量机的模型的准确度和精确度。 0107 在本实施例中，通过建立支持向量机的模型，来预测目标元素的含量，同时，通过预测目标元素的含量验证模型的准确的和精确度。能准确的测定目标元素的含量，且能够提高模型。

31、的准确度，能够有效地克服支持向量机参数不稳定，预测性能随意性大及参数难以调整等缺点。 0108 图 3 为本发明实施例提供的一种土壤样品的 X 射线荧光光谱图，图 4 为本发明实施例提供的一种基于遗传算法确定支持向量机模型参数的适应度变化图，图 5 为本发明实施例提供的一种基于支持向量机的模型的训练结果与参考值的比较示意图，图 6 为本发明实施例提供的一种基于支持向量机的模型的预测结果与参考值的比较示意图，如图 3，图 4，图 5，图 6 所示，本具体实施例如下所述。 0109 本实施例采用便携式 X 射线荧光土壤重金属检测仪系统获取光谱数据， X 射线激发采用。

32、Ag 靶，探测器采用 SDD 高分辨探测器。 0110 步骤 31 ：样品的采集与处理，本实施例中采用的土壤样品有国家标准物质土壤 ESS-1， ESS-2,ESS-3， ESS-4 等标准土壤；以及采集自北京、黑龙江、江苏、云南和新疆五个省市的典型农田土壤。农田土壤样品在室内风干，磨碎，过尼龙网筛后存放。样品的混合、装袋、粉碎、研磨等处理都采用木头、陶瓷或玛瑙用具。土壤样品中重金属含量将以标准物质参考值和理化分析实际测量值为准。共有独立土壤样品 109 份。说明书 CN 104198512 A 9 7/8 页 10 0111 步骤 32 ： X 射线荧光。

33、光谱采集 , 取研磨后的样品，装进样品杯中，压紧后覆上麦拉膜。将样品杯放入 X 射线荧光光谱仪检测台上进行测试。为了获得更好的检测结果，测定时间经过优化，选择 300 秒。从而得到的土壤样品的 X 射线荧光光谱，如图 3 所示。检测获得的 X 射线荧光光谱经寻峰、能量定位后提取 4.95、 5.41、 5.90、 6.40、 6.93KeV 等峰的 5 个荧光峰强度值，建立 X 射线荧光光谱输入矩阵。 0112 步骤 33 ：参考值的测定 , 国家标准土壤样品中的重金属元素含量值由标准样品的参考值给出。采集的农田土壤样品的分析测定都按照国家标准执行，分析过程中均加入。

34、国家标准土壤样品 (GSS 1) 进行分析质量控制，并重复 3 次， Cr 的分析测试使用美国热电 Solar-M 原子吸收石墨炉。 0113 步骤 34 ：定量模型的建立 , 对于 109 个土壤样品，建立 Cr 的预测模型。建模时先采用浓度梯度法划分训练集、预测集。训练集样品用来建立模型，校正集和预测集样本用来对模型进行评价。分别样品数量为 71， 38 个。将步骤 32 中提取建立的样品的 X 射线荧光光谱峰强度值作为输入数据集，步骤 33 中对应的样品重金属元素的含量为期望输出值。支持向量机模型的参数、和 r 由遗传算法进行了优选。经过 200 次迭代，最。

35、佳的核函数参数为 10.8295，误差损失系数为 0.0073681，误差惩罚参数 r 为 0.7453 ；从而得到最优 X 射线荧光光谱 - 土壤中重金属含量的支持向量机预测模型。如图 4 所示。 0114 步骤 35 ：新样品预测与模型验证 , 对于建立的校正模型，均采用预测集样品来进行验证。按照上述X射线荧光光谱采集的方法分别采集待测土壤的x射线荧光光谱，并经过上述光谱预处理后得到待测土壤的 X 射线荧光光谱输入矩阵，输入到训练好的支持向量机 X 射线荧光光谱 - 土壤中重金属含量的定量预测模型，就可自动计算出其重金属元素含量。如图 5 和 6 所示，为。

36、模型预测值与参考值的比较图，结果表明，其相关系数 R 均较高 ( 训练集的 R 为 0.937，验证集的 R 为 0.809)。 0115 本实施中模型预测值与参考值比较接近，说明模型效果较好，能够有效改进 X 射线荧光光谱仪的检测准确度。 0116 图7为本发明实施例提供的一种基于支持向量机的X射线荧光光谱分析装置的结构示意图，如图 7 所示，本实施例基于支持向量机的 X 射线荧光光谱分析装置结构如下所述。 0117 一种基于支持向量机的 X 射线荧光光谱分析装置，包括：采集提取单元 71，测定单元 72，建模单元 73，训练单元 74 和预测单元 75。。

37、 0118 其中，采集提取单元 71，用于采集训练集样品的 X 射线荧光光谱，提取所述荧光光谱上若干个数据点强度值； 0119 测定单元 72，用于测定所述训练集样品的目标元素的含量； 0120 建模单元 73，用于将所述强度值作为输入层数据，将所述目标元素的含量作为输出层数据，建立支持向量机的预测模型； 0121 训练单元 74，用于采用遗传算法对所述预测模型进行训练，确定 X 射线荧光光谱分析目标元素的支持向量机模型的参数； 0122 预测单元 75，用于采集预测集样品的 X 射线荧光光谱上若干个数据点强度值为所述 X 射线荧光光谱分析目标元素的支持向量。

38、机模型的输入层数据，得到所述预测集样品的对应目标元素的含量。说明书 CN 104198512 A 10 8/8 页 11 0123 该装置还包括图中未示出的单元， 0124 验证单元 75 ，用所述预测集样品的对应目标元素的含量和所述预测集样品的测定的目标元素含量对所述支持向量机模型验证。 0125 其中采集提取单元 71 体用于： 0126 采集训练集样品的 X 射线荧光光谱； 0127 对所述 X 射线荧光光谱进行数据处理，提取所述荧光光谱上若干个数据点强度值； 0128 其中，所述数据处理包括：对所述 X 射线荧光光谱求平均值，扣除背景以及谱线去干扰拟合。

39、。 0129 其中，测定单元 72，具体用于： 0130 采用理化分析方式测得所述训练集样品的目标元素的含量。 0131 本实施例中，支持向量机的装置能够有效提高测定的准确度，克服向量机的参数不稳定性。 0132 本领域普通技术人员可以理解：实现上述方法实施例的全部或者部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括： ROM、 RAM、磁碟或者光盘等各种可以存储程序代码的介质中。 0133 以上所述，仅为本发明的具体实施方式，但是，本发明的保护范。

40、围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替代，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。说明书 CN 104198512 A 11 1/5 页 12 图 1 说明书附图 CN 104198512 A 12 2/5 页 13 图 2 说明书附图 CN 104198512 A 13 3/5 页 14 图 3 图 4 说明书附图 CN 104198512 A 14 4/5 页 15 图 5 图 6 说明书附图 CN 104198512 A 15 5/5 页 16 图 7 说明书附图 CN 104198512 A 16 。

展开阅读全文