应用遗传算法拟合偏振X射线荧光重叠谱

X射线荧光光谱分析由于受能量探测器分辨率的限制,谱线重叠干扰严重。不采用合适的重叠谱峰分解或曲线拟合技术,很难进行成分定性和定量分析。样品中的元素及谱线未知、背景基线不确定和模型初始参数不准确是曲线拟合中的最大困难。有多种算法可应用于光谱分析中的曲线拟合。文章将遗传算法应用于永磁材料偏振X射线荧光中的重叠谱分解,研究了进化策略对谱峰分解质量的影响,比较了遗传算法与传统算法的拟合结果。研究表明遗传算法在谱线严重重叠情况下仍具有较强的谱峰分解能力;群体初始化和进化策略的正确选择是该算法成功应用的关键;遗传算法具有全局搜索能力,对重叠谱峰的分辨能力优于标准Marquardt-Levenberg算法。     

基于多适应度量子遗传算法的X射线荧光重叠峰分解

智能算法在对谱峰重叠严重的复杂地质样品进行分析时,往往存在计算量过大、弱峰误差较大、收敛于局部极小值或不收敛等问题。量子遗传算法因其具有良好的收敛性,可用于X射线荧光光谱重叠峰的分解。针对X射线荧光分析过程中经常遇到的谱峰重叠问题,提出了一种基于元素关联高斯混合模型（GMM-ER）和多适应度量子遗传算法的重叠峰分解方法。首先介绍了基于元素K系和L系特征X射线的重叠峰GMM-EB模型。然后基于X射线荧光光谱的物理特性,对传统量子遗传算法进行了改进,引入了多适应度函数。由锰、铁、钴和镍的特征X射线产生一段谱峰严重重叠的模拟光谱,然后基于GMM-EB模型,分别用传统量子遗传算法和改进的多适应度量子遗传算法对模拟光谱进行了10次解析。实验结果显示,改进后的量子遗传算法的重叠峰分解精度平均提高了32.1%,最佳分解精度提高了73.9%。应用改进量子遗传算法进行分解时,含量比例低的元素分解精度得到较大改善,最佳情况下元素分解的相对误差范围缩小了64.5%。并且,改进算法收敛速度快于传统算法。该方法适合严重重叠谱峰的分解,且对弱峰有较高的分解精度。     

粒子群和GMM-SDR模型在重叠谱峰解析中的应用

针对X光谱分析研究中经常遇到的谱峰重叠问题,提出了一种基于标准差关联的高斯混合模型(GMM-SDR)和粒子群算法的重叠谱峰解析方法。首先,介绍了重叠峰的GMM-SDR模型,并以GMM-SDR参数构成粒子位置,给出了粒子目标函数及适应度值的快速算法;然后,利用粒子群算法的群体搜索能力,以搜索最优GMM-SDR模型,进而实现重叠峰的分解。初始值采用随机设定,将测量的所有随机数据作为一个整体,以其对模型的概率匹配程度作为适应度值,故该方法避免了初值设定不当带来的局部收敛问题,克服了传统曲线拟合方法对原始有用数据的破坏,所搜索到的模型是一个全局最优解。通过对四个及以下重叠谱峰的分解表明,该方法分解精度较高,其中,两峰重叠谱分解后的峰位、峰面积及标准差最大相对误差分别为0.4%,0.05%和2.07%,三峰重叠谱分解后的峰位、峰面积及标准差最大相对误差分别为1.2%,0.04%和0.74%,可适用于各种严重重叠谱峰的分解。     

种群算法在能量色散X荧光重叠谱拟合中的应用

在能量色散X荧光光谱分析中,常用的闪烁探测器如NaⅠ(Tl)探测器的能量分辨率都不高,均在8%左右。能量分辨率低下往往对谱数据分析带来较大的难题,特别是在高本底低计数的情况下剥离仪器谱重叠峰会受到很大限制,越是重叠严重的峰越是无法剥离,进而无法分辨峰值和峰面积,更无法进一步对元素进行定性定量分析。为此,结合遗传算法和免疫算法的优势建立新的种群算法应用在重叠谱分析上,该算法以欧式距离为进化的判断依据,以最大相对相似误差值为迭代准则进行迭代。利用高斯函数模拟不同重叠程度的仪器谱图,将种群算法应用在重叠峰分离和全谱模拟中,峰道址偏差在±3道以内,峰面积偏差不超过5%,证明该方法在能量色散X荧光重叠谱分析中有较好的效果。     

基于优化迭代算法的细胞荧光光谱解析

使用光谱测量方法进行细胞多色荧光分析时, 发射光谱会产生部分光谱重叠, 为定性和定量分析造成了一定的困难。为此, 提出基于优化迭代算法的细胞荧光光谱解析算法, 建立重叠峰模型并确定单峰顶点; 根据每次构造峰面积的大小, 重新确定构造峰的构造方式, 最终得到模拟峰的顶点及面积信息。利用该算法对高斯函数叠加形成的重叠峰进行解析, 并与常规方法进行对比, 结果表明优化迭代算法解析误差稳定在0.15%以内; 加入随机噪声后, 解析误差可稳定在0.85%以内, 均优于另外两种算法。此外, 计算了该算法下的迭代效率, 结果表明该算法较常规方法提高了32.2%。     

基于统计遗传算法的X射线荧光重叠峰分解

针对X射线荧光分析中相邻谱峰之间的重叠问题,结合光谱形成过程的随机物理特性,提出了一种基于高斯混合统计模型(Gaussian mixture statistics model, GMSM)和遗传算法的重叠峰分解方法。首先,提出了重叠峰的GMSM描述方法,并分析了期望最大化法(expectation maximization, EM)的局部收敛问题;接着,将GMSM参数看作个体基因,以重叠峰随机数据序列的对数似然函数作为适应度函数,并给出了目标函数值的快速算法;然后,采用遗传算法的群体搜索技术找出全局最优解,实现重叠峰分解。该方法将所有测量的随机数据都当作“有用”来处理,其“有用”程度由其概率大小来体现,实现了原谱数据的“零损失”,搜索到的GMSM是全局最大概率意义下的“最佳匹配”模型,符合放射性测量过程的随机性。通过对四个严重重叠峰分解的实验表明,分解后的峰位、峰面积及标准偏差具有较高精度,最大误差分别为0.7道, 2.3%, 2.17%,特别适合于严重重叠的情况,并可广泛用于其他能谱重叠峰的分解。     

光谱油样分析监测技术中的神经网络预测方法

光谱油样分析是机械磨损状态监测与故障诊断的重要技术,基于光谱数据的机械状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测,与传统预测模型相比具有明显的优势,文章将神经网络预测方法运用于光谱分析,提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了三层BP网络模型,针对神经网络的结构对于信号预测或模型辨识的精度具有影响很大的问题,文章利用遗传算法,对神经网络输入节点数、隐层节点数和网络收敛的均方误差(MSE)目标值进行了优化,得到了最优的网络预测模型。最后,对某发动机实际的光谱分析数据进行了预测和分析,并与传统ARMA模型的预测结果进行了比较,结果充分表明了本方法的有效性和优越性。     

基于麻雀搜索算法的土壤重金属X射线荧光光谱重叠峰解析

近年来随着土壤重金属污染的加剧,和人们环境意识的逐渐提高,科研人员对快速检测土壤重金属含量方法的研究正在不断深化。目前,X射线荧光分析法(XRF)是广泛应用于土壤重金属污染检测的方法。但由于X射线荧光光谱仪的能量分辨率有限,而一些重金属元素的荧光产额较低,一些元素的相邻谱峰出现了重叠现象。针对XRF法中元素相邻谱峰的重叠问题,提出了一种基于麻雀搜索算法(SSA)的光谱重叠峰解析方法。首先,将从河北保定地区采样得到的土壤,制备出不同含水率、不同重金属元素含量的样本并用X射线荧光光谱仪获取原始光谱数据。接着,对光谱数据进行预处理,采用谱聚类算法剔除异常光谱样本,采用Savitzky-Golay五点二次去噪法和线性本底法完成对光谱的去噪和本底扣除,并对光谱净计数用随机数法生成大量模拟光谱数据,以备后续算法使用。然后,用期望最大化法(EM)对重叠峰进行初步解析,首先设置EM算法的初始参数,并将生成的模拟光谱数据代入EM算法,当达到迭代次数时,即可初步得到高斯混合模型(GMM)中各高斯峰的期望、方差和权重参数。但由于EM算法容易受初始参数设置的影响,且易陷入局部最优而导致结果不准确,还需对EM算法进一步优化。本研究采用SSA对GMM的各参数进行全局优化,在设置SSA算法的基本参数后,将100组由EM算法得到的参数作为该算法的初始种群,并设置合适的适应度函数,通过迭代,最终得到全局最优参数,实现了重叠峰的分解。SSA受参数设置的影响较小,相比于一些传统的优化算法,如遗传算法(GA)、蚁群算法(ACO)、粒子群算法(PSO)等,具有收敛速度快、不易陷入局部最优的特点,因此,采用此算法,可以达到较好的优化效果。通过对重叠峰解析结果的分析表明,该算法可在较少的迭代次数下得到较准确的解析结果,可广泛应用于能谱重叠峰解析。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

基于差分进化算法的X荧光重叠峰的分解

X射线荧光分析中相邻峰重叠的分解问题是十分常见的,谱峰重叠为谱的进一步定性分析和定量分析都带来了困难,而通过硬件手段来减少谱峰重叠的发生往往受资金和工作条件的制约,通常会选择通过数学手段得到重叠谱中各个子峰的相关信息来完成重叠谱的分解。结合光谱形成过程的随机物理特性,提出了一种基于高斯混合模型(GMM)的参数独立模型和参数关联模型,以及基于这两种模型和差分进化算法的重叠峰分解方法。GMM模型参数构成了差分进化算法个体基因,给出了目标函数的快速算法,通过随机生成初始种群,以种群中每个个体的适应度值和各个个体参数的约束条件为选择标准,避免了初值不当带来的局部收敛问题,并且将所有测量的随机数据参与到个体适应度值的运算当中,避免了原谱数据的损失。对模型参数相互独立和模型参数相关联两种情况进行了解谱分析,首先,对三峰重叠和四峰重叠进行仿真模拟分析,分解结果表明,基于GMM参数关联模型的解谱精度较GMM参数独立模型的解谱精度更高,三峰重叠时,参数独立模型和参数关联模型分别得到的权重最大误差为8.15%和2%,峰位最大误差为0.30%和0.06%,标准差的最大误差为7.5%和1.35%。四峰重叠时,参数独立模型和参数关联模型分别得到的权重最大误差为8.3%和4.3%,峰位最大误差为0.12%和0.13%,标准差的最大误差为5.04%和0.45%。然后通过实测三峰重叠谱的解谱分析表明,用这两种模型进行重叠谱的分解,分解结果相对误差和待测量元素的含量有关,随着待测元素含量的降低,分解结果精度会降低。仿真和实测都表明,基于高斯混合模型和运用差分进化算法的重叠谱进行解谱时,如果能够提前得到各个相互重叠小峰权重、均值、标准差之间的关系,建立GMM参数关联模型,减少寻优个体参数个数,对提高复杂峰的分解精度是非常重要的。     

基于多种群混沌遗传神经网络的模拟电路故障诊断

针对标准遗传算法优化BP神经网络收敛慢,易陷入局部最优的问题,提出了改进的多种群协同进化遗传算法,该算法改变了以往的随机初始化方法,采用了附加混沌扰动的tent映射初始化均匀分布的种群,提高了初始解的质量;每个种群采用自适应交叉率和变异率,引入移民算子实现种群间的横向联系;算法通过多种群的协同进化和种群间的个体移植提高了算法的搜索均匀性和效率;仿真实验表明该算法误差小,收敛速度快,诊断正确率高,较好地解决了模拟电路的软故障诊断问题。     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

基于粒子群优化算法的测光红移回归预测

星系的红移在天文研究中极其重要,星系测光红移的预测对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目发布的SDSS DR13的150 000个星系的测光及光谱数据进行分析,首先根据颜色特征并基于聚类的方法对星系进行分类,由分类结果可知早型星系的占比较大。对比了三种不同的机器学习算法对早型星系进行测光红移回归预测实验,并找出最优的方法。实验中将星系样本中u, g, r, i, z五个波段的测光值以及两两做差得到的10个颜色特征作为输入数据,首先构建BP网络,使用BP算法对星系的测光红移进行回归预测;然后利用遗传算法（GA）优化BP网络各层参数,将优化后的GA-BP算法应用于早型星系的回归预测试验中。考虑到GA算法的复杂操作会影响预测效率,并且粒子群算法（PSO）不仅稳定性高且操作简单,因此将粒子群算法应用到星系样本中早型星系的测光红移回归预测实验中,进而采用粒子群算法优化BP网络（PSO-BP）。实验中将光谱红移作为期望值,采用均方差（MSE）作为误差分析指标来评判三种算法的精度,将PSO-BP回归预测结果与BP网络模型、GA-BP网络模型进行比较。由实验结果可知,BP网络的MSE值为0.001 92,GA-BP网络的MSE值0.001 728,PSO-BP网络的MSE值为0.001 708。实验结果表明,所用到的PSO-BP优化模型在精度上优于BP神经网络模型和GA-BP神经网络模型,分别提高了11.1%和1.2%;在效率上优于传统的K近邻（KNN）测光红移估计算法, 克服了KNN算法中遍历所有数据样本进行训练的缺点并且其泛化性能优于其它BP网络优化模型。     

基于GA-WPA优化的BP神经网络目标威胁估计

在防空作战中,目标威胁估计是指挥控制过程的重要一环,是决策和指挥的重要依据。BP神经网络能够解决目标威胁估计问题,但存在收敛速度慢、易陷入局部最优等缺点。提出将遗传算法(Genetic Algorithm,GA)的选择、交叉和变异操作融入到狼群算法(Wolf Pack Algorithm,WPA)中,提出了GA-WPA算法,以提高狼群算法的收敛速度。在此基础上,利用所提出的GA-WPA算法对BP神经网络进行优化,确定最优初始权值和阈值。最后,将优化后的BP神经网络解决地面防空系统目标威胁估计问题。仿真实验表明,所提算法能够有效克服BP神经网络收敛速度慢、易陷入局部最优等缺点,能够提高目标威胁估计的准确性和适应性。     

基于遗传神经网络的伺服机构健康状态预测

为了及时把握伺服机构的健康状态,为装备的管理维护与任务执行提供必要的决策支持,从装备的自然退化趋势出发,提出了一种基于遗传算法优化BP神经网络的预测模型。利用BP神经网络优秀的非线性映射能力构造预测模型,将神经网络初始权值阈值编码,利用改进的自适应遗传算法确定最优解。将该模型应用到伺服机构的健康状态预测上,并与标准BP神经网络及径向基神经网络做比较。结果表明该模型有更好的预测精度及收敛速度,从而验证了模型的有效性。     

混合算法优化的乘用车舱内噪声感知烦恼度神经网络建模

针对传统乘用车舱内噪声感知烦恼度量化模型精度低的问题,提出了一种利用混合算法优化的神经网络模型预测舱内噪声感知烦恼度的评价方法。此混合算法融合麻雀搜索算法(SSA)和遗传算法(GA),对反向传播(BP)神经网络进行优化,根据声品质主客观评价数据,建立SSA-GA-BP网络的乘用车舱内噪声感知烦恼度客观量化模型,与BP模型、GA-BP模型、SSA-BP模型进行对比分析。结果表明, SSA-GA-BP模型能够实现更高的预测精度,更接近主观评价数值,泛化能力更强,可替代传统的声品质主观评价实验。     

基于改进的最小二乘支持向量机与荧光光谱法检测山梨酸钾

食品安全隐患越来越受到重视,而食品添加剂的过量使用更是个重要的因素。应用FS920荧光光谱仪,研究了防腐剂山梨酸钾的荧光特性,得到山梨酸钾荧光特征峰于λex/λem=375/490nm采用基于最小二乘支持向量机对橙汁溶液中防腐剂山梨酸钾进行检测,通过改进的遗传算法寻优最小二乘支持向量机参数。经过样本训练得到橙汁溶液山梨酸钾的回归模型,对未知浓度的溶液进行预测,将新算法与基本遗传算法寻优的模型和BP神经网络对比。结果表明,自适应遗传-最小二乘支持向量机建立的预测模型在平均相对误差3.54%和平均回收率96.46%都是最优的,是一种准确有效的橙汁中山梨酸钾浓度检测方案。     

一种低原子序数元素EDX RF的多次导-样条小波解析方法研究

能量色散X射线荧光（EDXRF）光谱分析待测元素的信息主要反映在能谱的特征峰峰位以及特征峰净峰面积中。对于特征峰的准确检测是EDXRF光谱分析的关键。特征X射线之间的能量在低原子序数元素中相差很小,在实际测量过程中由其他一些因素干扰会导致EDXRF光谱中特征峰产生严重重叠,以EDXRF光谱中低序列元素的重叠峰作为研究对象,提出一种四次导数结合三样条小波变换处理低序列元素重叠峰的新方法。通过数学模型模拟重叠峰检测了该方法的可行性,并仿真了实测X荧光光谱数据进行检测得到良好的效果,通过使用了CIT-3000SY X 荧光元素录井仪实测T铅黄铜数据和混合轻元素数据荧光光谱作为验证。首先,介绍导数法以及三样条小波法分解重叠的原理。导数法阶数越高信号越畸形但可以有效提高重峰分离度,而三样条小波变换对低分离度重峰处理较为无力但能有效的保持峰型。通过Tsallis峰信号模拟重叠峰,模拟出3个峰信号,第1个峰和第2个峰的分离度R=0.33,第2个峰和第3个峰的分离度R=0.67,导数处理后信号任仍具有一部分重叠,但是导数处理后不仅保留了信号的峰位值,且出现了分离度变大的现象,而三样条小波对低分离度重叠峰的分解较为无力,但是对于分离度较大的重叠峰具有较好的效果,信号通过四次导增加分离度再进行三样条小波变换,通过调节样条小波分解层次的次数,然后对分解出的高频信号采取适当的系数进行放大,最后进行信号重构。实验实现了对模拟信号的分解。验证了此方法针对重叠峰分解具有可行性。实验采用分解4层的三样条小波变换以及放大6倍的高频信号。然后,处理仿真K元素的重叠光谱,实现了重叠峰的分解,通过仿真实验表明新方法能准确的识别峰位,结果表明只有1%之内的误差,证明了新方法对X荧光光谱重叠峰分解的适用性。最后用此方法对CIT-3000SY X荧光元素录井仪实测T铅黄铜元素数据以及混合轻元素数据X荧光光谱进行处理,实现了对重叠峰的分解,且分解后的峰位误差控制在1%之内,具有较高的准确率。实验结果证明：四次导数结合三样条小波变换能有效分离重叠峰,并且在处理X荧光光谱的重叠峰分解上具有实用性。     

基于遗传神经网络的耙吸挖泥船泥泵转速预测

耙吸挖泥船泥泵管线模型是一个复杂的、非线性的动态模型,影响模型准确性的参数较多。为了根据当前施工条件和流量的优化值准确地预测转速,为施工人员提供参考,提高疏浚效率,采用了遗传算法改进的BP神经网络对泥泵转速进行预测。首先,遗传算法对BP神经网络的初始权值和阈值进行优化。然后,BP神经网络根据优化值对网络进行训练并对转速进行预测。为了验证该方法的有效性,将遗传BP神经网络的预测输出和实测泥泵转速进行对比。仿真结果表明：遗传BP神经网络具有很强的非线性拟合能力和全局搜索能力,能够准确地预测泥泵转速。该预测输出可为施工人员提供参考,以便改变泥泵转速,提高疏浚效率。     

基于谐波分析算法的干旱区绿洲土壤光谱特性研究

土壤有机质(SOM)含量是评价土壤肥力的重要指标。以新疆渭-库绿洲为研究区,对室内获取的SOM含量及反射光谱数据进行Savitzky-Golay (S-G)平滑和一阶微分(FD)预处理。在此基础上,为减小敏感波段遴选对建模精度的影响,引入谐波分析(HA)算法对全波段光谱数据进行谐波分解。基于主成分分析(PCA)降维后的7个主分量对SOM含量进行基于反向传播(BP)神经网络、遗传算法(GA)-BP神经网络和多元线性回归(MLR)方法的定量估算,并对估算精度进行比较。结果表明:HA预处理后的光谱数据与SOM含量的相关性相较于FD数据有了明显提高;非线性模型BP神经网络的估算精度明显高于线性模型MLR;在非线性模型中,GA-BP模型的估算精度最高,其决定系数为0.92,预测集的均方根误差为3.92×10~(-3),相对分析误差为1.93。验证了HA算法深度挖掘光谱数据的有效性,经过GA优化的BP神经网络模型可以提高SOM含量的估算精度,为土壤属性的光谱定量估算提供借鉴。