基于原子发射光谱的自适应特征谱线筛选方法及系统与流程

1.本发明涉及原子发射光谱分析技术领域，特别是涉及一种基于原子发射光谱的自适应特征谱线筛选方法及系统。


背景技术：

2.原子发射光谱法具有快速、灵敏和选择性好等优点，在各种无机材料的定性、半定量以及定量分析方面，都发挥了重要的作用。伴随着各种新型光源和新技术的出现，原子发射光谱法成为了公认的极具威望的现代分析技术之一。
3.原子发射光谱法是根据待测材料中元素的激发态原子所辐射的特征光谱的波长和光谱强度，实现对于材料的定性或者定量的分析，因此，对于特征谱线的有效识别与选择，也成为了影响发射光谱分析能力的重要因素之一。伴随着分析测试技术多元化的应用，便携式、台式、在线设备等不同硬件配置的仪器也应需而生，与之相适配的分光系统的分辨率以及探测能力也不尽相同，原子发射谱线非常之多，主要通过标准谱线数据库结合实际分析结果进行经验验证判别选择，需要投入大量的人力和时间，进行谱线的标定和验证，耗时长效率低；同时，也有越来越多的研究通过算法进行谱线选择，但由于原子谱线的丰富和复杂性，在实际应用过程中，还是受到算法的效率、有效性以及自动化程度的制约。因此，针对不同的分析需求，高效准确的实现对特征谱线的选择，是实现分析首要完成的任务，也是整个分析任务至关重要的一个环节。


技术实现要素：

4.本发明的目的是提供一种基于原子发射光谱的自适应特征谱线筛选方法及系统，实现高效且自动化地在复杂的原子发射光谱中筛选出与分析需求相适应的特征谱线，保证了筛选特征谱线的有效性和准确性，为分析任务准确、稳定的开展提供了可靠保证。
5.为实现上述目的，本发明提供了如下方案：
6.一种基于原子发射光谱的自适应特征谱线筛选方法，包括如下步骤：
7.基于待分析试样的原始光谱信号，确定光谱数据集；
8.采用设定的特征筛选优化方法对所述光谱数据集进行若干优化轮次的特征筛选，获取每轮特征筛选的初始化光谱数据集及所述初始化光谱数据集对应的初始化特征种群基因；
9.基于所述初始化光谱数据集和所述初始化特征种群基因，通过设定的分析方法、适应度函数以及遗传算法的迭代获取每轮的最优特征种群基因；
10.当所述若干优化轮次达到设定优化轮次，获取设定优化轮次中每轮的最优特征种群基因构成的最优特征种群基因集合对应的优化光谱特征信息集合；
11.对所述优化光谱特征信息集合进行组合统计以及判别分析，完成自适应特征谱线的筛选。
12.进一步的，所述基于待分析试样的原始光谱信号，确定光谱数据集，包括：
13.根据分析需求，选择满足元素及含量覆盖范围的试样作为待分析试样；
14.对所述待分析试样进行光谱分析，获取所述待分析试样的原始光谱信号；
15.对所述原始光谱信号进行光谱预处理，得到光谱信息；
16.选定经光谱预处理的全部或部分所述光谱信息构建所述光谱数据集。
17.进一步的，所述光谱预处理包括背景校正和滤波降噪。
18.进一步的，所述采用设定的特征筛选优化方法对所述光谱数据集进行若干优化轮次的特征筛选，获取每轮特征筛选的初始化光谱数据集及所述初始化光谱数据集对应的初始化特征种群基因，包括：
19.对所述光谱数据集进行若干优化轮次的特征筛选，每轮特征筛选从所述光谱数据集中选择部分或全部光谱信息，得到所述初始化光谱数据集；
20.基于光谱特性，对所述初始化光谱数据集中的光谱信息进行编码，得到未初始化的特征种群基因，基于所述未初始化的特征种群基因，确定所述初始化特征种群基因。
21.进一步的，所述基于所述初始化光谱数据集和所述初始化特征种群基因，通过设定的分析方法、适应度函数以及遗传算法的迭代获取每轮的最优特征种群基因，包括：
22.根据分析需求，选择相应的分析方法作为设定的分析方法，所述设定的分析方法基于所述初始化光谱数据集和所述初始化特征种群基因，确定分析方法的模型参量和评测指标；
23.所述适应度函数基于所述初始化特征种群基因以及所述分析方法的模型参量和评测指标，获取种群适应度；
24.所述遗传算法基于所述种群适应度以及所述初始化特征种群基因进行迭代，得到新的特征种群基因，直到所述遗传算法的迭代代数到达设定最大值或所述种群适应度达到设定适应度阈值，最后获取的新的特征种群基因为最优特征种群基因。
25.进一步的，所述原始光谱信号为原子发射光谱信号，包括由阵列探测器件所获取的宽谱段连续光谱信号或者由光电探测器件所获取的窄带光谱信号。
26.进一步的，所述设定的分析方法是定量分析、半定量分析、判别分析或可通过建模表征的分析方法。
27.进一步的，所述对所述优化光谱特征信息集合进行组合统计以及判别分析，完成自适应特征谱线的筛选，包括：
28.对所述优化光谱特征信息集合进行概率分析、频率分析和任意组合结果分析中的一种或多种，得到每条特征谱线的统计信息；
29.通过判别分析，若每条特征谱线的统计信息对应的评测值大于设定的筛选阈值，完成对所述优化光谱特征信息集合的自适应特征谱线的筛选。
30.本发明还提供一种基于原子发射光谱的自适应特征谱线筛选系统，应用于上述任一种的基于原子发射光谱的自适应特征谱线筛选方法，包括：
31.第一确定模块，用于基于待分析试样的原始光谱信号，确定光谱数据集；
32.第一获取模块，用于采用设定的特征筛选优化方法对所述光谱数据集进行若干优化轮次的特征筛选，获取每轮特征筛选的初始化光谱数据集及所述初始化光谱数据集对应的初始化特征种群基因；
33.第二获取模块，用于基于所述初始化光谱数据集和所述初始化特征种群基因，通
过设定的分析方法、适应度函数以及遗传算法的迭代获取每轮的最优特征种群基因；
34.第三获取模块，用于当所述若干优化轮次达到设定优化轮次，获取设定优化轮次中每轮的最优特征种群基因构成的最优特征种群基因集合对应的优化光谱特征信息集合；
35.第一数据处理模块，用于对所述优化光谱特征信息集合进行组合统计以及判别分析，完成自适应特征谱线的筛选。
36.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述任一种所述的基于原子发射光谱的自适应特征谱线筛选方法的步骤。
37.根据本发明提供的基于原子发射光谱的自适应特征谱线筛选方法，本发明公开了以下技术效果：针对待分析试样不同的分析需求，采用设定的特征筛选优化方法对数据集进行初始化，并得到对应的初始化特征种群基因，基于初始化特征种群基因，通过设定的分析方法、适应度函数以及遗传算法的迭代获取优化特征光谱信息集合，高效且自动化的在复杂的原子发射光谱中筛选出与分析需求相适应的特征谱线，保证了筛选特征谱线的有效性和准确性，为分析任务准确、稳定的开展提供了可靠保证。该方法适用于火花光源、电弧光源、等离子体光源、激光光源等的原子发射光谱；用于实现原子发射光谱分析技术中分析元素的特征谱线自适应筛选。
附图说明
38.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，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
39.图1为本发明基于原子发射光谱的自适应特征谱线筛选方法的流程示意图；
40.图2为本发明基于原子发射光谱的自适应特征谱线筛选系统的结构示意图。
具体实施方式
41.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、完整地描述，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。基于本发明中的实施例，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实施例，都属于本发明保护的范围。
42.本发明的目的是提供一种基于原子发射光谱的自适应特征谱线筛选方法及系统，实现高效且自动化地在复杂的原子发射光谱中筛选出与分析需求相适应的特征谱线，保证了筛选特征谱线的有效性和准确性，为分析任务准确、稳定的开展提供了可靠保证。
43.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
44.如图1所示，本发明提供的基于原子发射光谱的自适应特征谱线筛选方法，包括如下步骤：
45.s1，基于待分析试样的原始光谱信号，确定光谱数据集；
46.其中，所述待分析试样可以为待分析的标准物质或者实验样品；所述原始光谱信
号可以为原子发射光谱信号，包括由阵列探测器件所获取的宽谱段连续光谱信号或者由光电探测器件所获取的窄带光谱信号，所述光电探测器件为光电倍增管等；
47.s2，采用设定的特征筛选优化方法对所述光谱数据集进行若干优化轮次的特征筛选，获取每轮特征筛选的初始化光谱数据集及所述初始化光谱数据集对应的初始化特征种群基因；其中，设定的特征筛选优化方法可以表示为： optmtd(gav,dataset,t)，其中，gav表示当前遗传算法基础参量及特征筛选结果， dataset表示光谱数据集，t表示优化轮次；
48.s3，基于所述初始化光谱数据集和所述初始化特征种群基因，通过设定的分析方法、适应度函数以及遗传算法的迭代获取每轮的最优特征种群基因；
49.s4，当所述若干优化轮次达到设定优化轮次，获取设定优化轮次中每轮的最优特征种群基因构成的最优特征种群基因集合对应的优化光谱特征信息集合；其中，对所述最优特征种群基因集合中的最优特征种群基因进行解码得到对应的优化光谱特征信息，从而组成所述优化光谱特征信息集合；
50.s5，对所述优化光谱特征信息集合进行组合统计以及判别分析，完成自适应特征谱线的筛选。
51.示例地，所述基于待分析试样的原始光谱信号，确定光谱数据集，包括：
52.根据分析需求，选择满足元素及含量覆盖范围的试样作为待分析试样；
53.对所述待分析试样进行光谱分析，获取所述待分析试样的原始光谱信号；其中，具体地，可以采用光谱分析仪对所述待分析试样进行光谱分析；
54.对所述原始光谱信号进行光谱预处理，得到光谱信息；其中，所述光谱预处理包括背景校正和滤波降噪等；
55.选定经光谱预处理的全部或部分所述光谱信息构建所述光谱数据集。
56.示例地，所述采用设定的特征筛选优化方法对所述光谱数据集进行若干优化轮次的特征筛选，获取每轮特征筛选的初始化光谱数据集及所述初始化光谱数据集对应的初始化特征种群基因，包括：
57.对所述光谱数据集进行若干优化轮次的特征筛选，每轮特征筛选可以从所述光谱数据集中选择部分或全部光谱信息，得到所述初始化光谱数据集；其中，选择方式包括随机选择和使用特定的选择等，每轮特征筛选从所述光谱数据集中选择不同的光谱信息，能够提高特征筛选有效性；
58.基于光谱特性，对所述初始化光谱数据集中的光谱信息进行编码，得到未初始化的特征种群基因，基于所述未初始化的特征种群基因，确定所述初始化特征种群基因。
59.其中，基因是遗传算法的概念，编码是将光谱信息编码为可以被遗传算法使用和优化的基因，完成从表现型到基因型的映射。
60.进一步地，所述基于所述未初始化的特征种群基因，确定所述初始化特征种群基因，具体包括：
61.在第一轮优化筛选中，使用初始化算法对未初始化的特征种群基因进行初始化，得到所述初始化特征种群基因；
62.在第二轮及以后轮次的优化筛选过程中，参考最优特征种群基因集合和初始化算法对未初始化的特征种群基因进行初始化，得到所述初始化特征种群基因。
63.特征筛选优化方法optmtd可以根据最优特征种群基因集合来获得初始化特征种
群基因。
64.示例地，所述基于所述初始化光谱数据集和初始化特征种群基因，通过设定的分析方法、适应度函数以及遗传算法的迭代获取每轮的最优特征种群基因，包括：
65.根据分析需求，选择相应的分析方法作为设定的分析方法，所述设定的分析方法基于所述初始化光谱数据集和初始化特征种群基因，确定分析方法的模型参量和评测指标；其中，所述设定的分析方法是定量分析、半定量分析、判别分析或可通过建模表征的分析方法；
66.所述适应度函数基于所述初始化特征种群基因以及所述分析方法的模型参量和评测指标，获取种群适应度；
67.其中，所述适应度函数可以表示为fnmtd(fg,k,mv)，其中，fg为初始化特征种群基因，k为分析方法的评测指标，mv为分析方法的模型参量，由此获得种群适应度为fitness；
68.所述遗传算法基于所述种群适应度以及所述初始化特征种群基因进行迭代，得到新的特征种群基因，直到所述遗传算法的迭代代数到达设定最大值或所述种群适应度达到设定适应度阈值，最后获取的新的特征种群基因为最优特征种群基因。
69.示例地，所述对所述优化光谱特征信息集合进行组合统计以及判别分析，完成自适应特征谱线的筛选，包括：
70.对所述优化光谱特征信息集合进行概率分析、频率分析和任意组合结果分析中的一种或多种，得到每条特征谱线的统计信息；
71.通过判别分析，若每条特征谱线的统计信息对应的评测值大于设定的筛选阈值，完成对所述优化光谱特征信息集合的自适应特征谱线的筛选。
72.其中，所述对所述优化光谱特征信息集合进行组合统计以及判别分析，可以得到每条特征谱线的统计信息q(i)，其中，i为特征谱线标号；通过判别分析，p(q(i))》thr时，完成对最优特征光谱集合的自适应特征谱线的筛选，其中，p(q(i))为每条特征谱线的统计信息对应的评测值，thr为筛选阈值。
73.综上，本发明提供的基于原子发射光谱的自适应特征谱线筛选方法，针对待分析试样不同的分析需求，采用设定的特征筛选优化方法对数据集进行初始化，并得到对应的初始化特征种群基因，基于初始化特征种群基因，通过设定的分析方法、适应度函数以及遗传算法的迭代获取优化特征光谱信息集合，高效且自动化的在复杂的原子发射光谱中筛选出与分析需求相适应的特征谱线，保证了筛选特征谱线的有效性和准确性，为分析任务准确、稳定的开展提供了可靠保证。该方法适用于火花光源、电弧光源、等离子体光源、激光光源等的原子发射光谱；用于实现原子发射光谱分析技术中分析元素的特征谱线自适应筛选。
74.下面以待分析试样为三个系列不锈钢废料为例，对所述基于原子发射光谱的自适应特征谱线筛选方法进行详细介绍。
75.三个系列不锈钢废料包括废旧不锈钢200系、300系以及400系试样。在本实施例中，所述基于原子发射光谱的自适应特征谱线筛选方法，包括：
76.选择符合200系、300系及400系列九种牌号的废旧不锈钢试样；
77.在空气环境中，采用激光诱导击穿光谱仪完成对上述试样的测试，利用激光光谱软件对信号进行采集、背景校正和归一化后，获得预处理后光谱信号值，选取全部光谱信息
作为光谱数据集合；
78.根据分类分析需求，选定svm(support vector machine，支持向量机) 算法作为分析方法验证准确率为分析方法评测指标参数ksvm；
79.设置并优化遗传算法多维度的特征谱线质量评测的适应度函数fnmtd (fgsvm,ksvm,msvm)，其中，fgsvm表示特征种群基因，msvm表示分析方法模型参量；由此获得种群适应度为fitness；
80.建立特征筛选优化方法optmtd(gav,dataset,t)，其中，gav表示当前遗传算法基础参量，包括变异率、交叉率、种群数量、进化代数及特征筛选结果等， t表示优化轮次。
81.特征谱线优化筛选过程包括：
82.(1)通过特征筛选优化方法optmtd，对特征种群基因以及光谱数据集合进行初始化；
83.(2)通过遗传算法获取新的特征种群基因；通过分析方法获取方法模型参量及评测指标；通过适应度函数fnmtd，获取种群适应度fitness；
84.其中，适应度fitness是基因质量的评价量值，通过此量值来判定基因对应特征谱线的质量；
85.(3)直到遗传算法的迭代代数到达最大或种群适应度达到对应阈值，获取当前轮次最优特征种群基因ii；
86.(4)重复步骤(1)，直到优化次数到达对应阈值，得到最优特征种群基因集合i＝(i1，i2……
，in)；
87.(5)对所述最优特征种群基因集合进行解码，获得优化特征光谱信息集合。
88.将获得的优化特征光谱集合组合统计，得到统计信息q(i)，并进行判别分析，完成对最优特征光谱集合的自适应特征筛查，既而得到输入光谱信号的特征谱线。
89.针对200系、300系及400系不锈钢实际样品，采用本发明方法，筛选出了ni341.476nm、cr425.435nm、si251.612nm、mo281.615nm、cu327.396nm 等谱图数据库中能量较强的谱线，也是人工经验筛选常用的经典谱线，同时，还筛选出了其他的特征谱线，比如针对主要元素ni的229.749nm、338.057nm、 349.296nm以及针对主要元素cr的357.869nm、359.349nm、427.48nm等特征谱线。
90.本发明实施例采用svm进行分类建模并进行实际样品的测试，测试实际不锈钢样品3673个，分析针对200、300和400系的不同系列的分类分析，以及针对300系不锈钢的牌号分类分析，结果如表1和表2所示，利用本发明方法自适应筛选的特征谱线的分类准确率优于人工经验筛选特征谱线的分类准确率，在牌号细分分类的应用中，优势更为明显，说明了本发明方法的有效性以及针对分析任务进行特征筛选的优越性。
91.表1不同特征筛选方式对200、300和400系不锈钢分类分析结果
[0092][0093]
表2不同特征筛选方式对300系不锈钢牌号分类分析结果
[0094][0095][0096]
由于不锈钢材料的原子发射光谱谱线丰富且由于基体带来的干扰严重，同时，针对牌号进行分类分析需求，其特征元素含量的差异小、交叠严重，因此，通过人工经验完成元素的特征谱线筛选，特征的质量和数量等对不能很好的满足不锈钢分类分析的检测需求，针对牌号细分分析能力的不足表现的尤为明显，如表2所示分类结果准确率明显弱于自适应特征筛选的谱线，并且在特征谱线的有效性方面，人工经验特征谱线的验证和筛选过程也很繁琐、低效，很难收敛到最优，不利于高效、准确、稳定的为分析方法提供可靠、有效的谱线信息。
[0097]
本发明实施例针对不同的分析需求，选定分析方法模型引入特征分析评测，建立筛选优化方法以及最优光谱筛查方法，对选定试样进行光谱分析，获得原子发射光谱信号并对其进行自适应的特征谱线筛选，从而获得分析所需的特征光谱信息。
[0098]
如图2所示，本发明还提供一种基于原子发射光谱的自适应特征谱线筛选系统，应用于上述任一种的基于原子发射光谱的自适应特征谱线筛选方法，包括：
[0099]
第一确定模块201，用于基于待分析试样的原始光谱信号，确定光谱数据集；
[0100]
第一获取模块202，用于采用设定的特征筛选优化方法对所述光谱数据集进行若干优化轮次的特征筛选，获取每轮特征筛选的初始化光谱数据集及所述初始化光谱数据集对应的初始化特征种群基因；
[0101]
第二获取模块203，用于基于所述初始化光谱数据集和所述初始化特征种群基因，通过设定的分析方法、适应度函数以及遗传算法的迭代获取每轮的最优特征种群基因；
[0102]
第三获取模块204，用于当所述若干优化轮次达到设定优化轮次，获取设定优化轮次中每轮的最优特征种群基因构成的最优特征种群基因集合对应的优化光谱特征信息集
合；
[0103]
第一数据处理模块205，用于对所述优化光谱特征信息集合进行组合统计以及判别分析，完成自适应特征谱线的筛选。
[0104]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述任一种所述的基于原子发射光谱的自适应特征谱线筛选方法的步骤。
[0105]
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述任一种所述的基于原子发射光谱的自适应特征谱线筛选方法的步骤。
[0106]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0107]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备 (可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0108]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。