[发明专利]一种基于粒子群算法的光谱重叠峰分解方法

说明书

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。

技术领域

本发明涉及一种基于粒子群算法的光谱重叠峰分解方法。

背景技术

由于探测器能量分辨率等原因，峰位接近且峰宽较大的不同谱峰之间常常出现严重重叠干扰的现象，要对光谱作进一步较为准确、全面的成分定量和定性分析，解析光谱重叠峰非常必要。解谱方法的研究一直都是光谱研究领域、电化学分析及色谱分析领域中的重点课题，关于谱重叠峰的分解方法已有不少研究报告。其中包括曲线拟合、高斯混合模型和期望最大化(EM)迭代算法、高斯混合统计模型与遗传算法相结合、小波变换和神经网络相结合、自适应免疫算法等谱分解方法，但目前还没有一种被公认的、没有局限性的解谱手段，比如：存在计算量较大、误差大、实时处理困难等局限。

本发明根据光谱形成过程的随机物理特性，结合高斯统计模型和粒子群算法，利用群体搜索能力得到全局最优GMM-SDRE模型，实现重叠峰的最优分解。算法基于种群概念，进化过程中运用竞争机制进行最优选择，且具有并行性，不仅能在MATLAB等软件上实现，还可结合硬件实现谱分解。结果表明，分解精度较高，可广泛用于各种严重重叠峰的分解。

发明内容

本发明的目的在于公开一种基于粒子群算法的光谱重叠峰分解方法。该方法克服了目前重叠峰分解方法的不足。是通过以下①～④步具体方法实现的。

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，本文将该“标准差关联的GMM模型”命名为GMM-SDRE模型。

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，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)；算法经过粒子群的初始化、粒子优劣的评估以及粒子“飞行”速度和位置的迭代更新等过程，搜索到具有“全局最大概率(即适应度值)”的GMM-SDRE模型，即全局最优GMM-SDRE模型。

通过以上①～④步求得全局最优位置，该位置所对应的GMM-SDRE模型参数就是重叠峰的各个谱峰之权重、均值和标准差，即完成重叠峰的分解。

本发明的有益效果是：

密切结合光谱形成过程的随机物理特性，用GMM-SDRE模型来描述重叠峰。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)，算法经过粒子群的初始化、粒子优劣的评估以及粒子“飞行”速度和位置的迭代更新等过程，搜索到具有“全局最大概率(即适应度值)”的GMM-SDRE模型，即全局最优GMM-SDRE模型。对全局最优GMM-SDRE模型的参数进行解码，即完成重叠峰分解。充分利用测量的每一个随机数据，保证原谱数据的“零损失”，这正与放射性测量的随机性相符，得到的是统计意义下最优参数，保证了重叠峰较高的分解精度。结果表明，只要设置好粒子群算法的参数，对于由多个谱峰形成的重叠峰进行分解具有较高精度。

附图说明

图1为本发明方法的流程图。