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。
技术实现要素:
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-S