专利名称：基于人工神经网络的元素浓度测量误差修正方法
技术领域：
本发明涉及一种基于人工神经网络的元素浓度测量误差修正方法。属于激光诱导击穿光谱技术领域。
背景技术：
LIBS技术的基本原理是将激光聚焦并击打在样品表面以形成高温、高电子密度的等离子体，然后用光谱仪记录等离子体发射的光谱信息用于分析样品的元素成分和浓度信息。该技术的主要优点有1)几乎适用于各种样品(固、液、气)；2)响应快，可用于实时测量；3)很少或者不用制备样品；4)对样品基本无破坏；5)能够实现全元素分析。这些优点使得激光诱导击穿技术广泛适用于很多领域。传统的LIBS定量分析一般采用单变量定标模型，该模型从物理背景出发，利用特 征谱线强度与元素浓度之间的正相关关系建立定标曲线。该方法的优点是基于物理背景，有较好的理论基础作支撑。但由于谱线强度可能受到基体效应、元素自吸收、谱线互干扰等因素的影响，使得该方法的测量误差较大，准确度往往不能满足实际应用要求。为了克服传统单变量定标模型的缺陷，近几年许多研究者提出了偏最小二乘方法(如申请号:201010537033. I专利文献)、人工神经网络方法(如申请号:201010537027. 6专利文献)等多变量定标模型，这些方法利用整个光谱范围内的各个光谱强度与元素浓度建立相关关系，一定程度上弥补了传统单变量模型的不足。但该方法只是用数学统计方法去拟合光谱与元素浓度之间的关系，忽略了激光诱导击穿光谱的物理背景，因而往往出现过拟合现象，预测误差较大。
发明内容
为了降低测量误差，提高测量准确度，本发明针对单变量方法和人工神经网络方法各自的优势和缺陷，提出了基于人工神经网络的元素浓度测量误差修正方法，即首先用传统的单变量方法建立定标模型，发挥其基于物理背景和理论基础的优势，然后采用人工神经网络方法来修正单变量模型的误差，发挥神经网络在多变量、非线性拟合以及容错方面的优势，最终降低测量误差，提高测量准确度。本发明的技术方案是基于人工神经网络的元素浓度测量误差修正方法，其特征在于该方法包括如下步骤I)将欲测量的元素定为目标元素，以目标元素质量浓度已知的η种样品作为定标样品，各定标样品的目标元素浓度分别记为Ci、C2、…、Cn，其中η为正整数；2)利用激光诱导击穿光谱系统对步骤I)中定标样品逐个进行检测从脉冲激光器出射的激光经过聚焦透镜聚焦后对定标样品进行烧蚀并产生等离子体；等离子体产生的辐射光信号透过采集透镜后通过光纤进入光谱仪被转化为电信号，然后被计算机采集，得到定标样品的光谱数据，各定标样品的光谱数据分别记为Si、S2、…、Si、…、Sn，其中
权利要求
1.基于人工神经网络的元素浓度测量误差修正方法，其特征在于该方法包括如下步骤 1)将欲测量的元素定为目标元素，以目标元素质量浓度已知的η种样品作为定标样品，各定标样品的目标元素浓度分别记为Ci、C2、…、Cn，其中η为正整数； 2)利用激光诱导击穿光谱系统对步骤I)中定标样品逐个进行检测从脉冲激光器(I)出射的激光经过聚焦透镜(2)聚焦后对定标样品(3)进行烧蚀并产生等离子体(4);等离子体产生的辐射光信号透过采集透镜(5 )后通过光纤(6 )进入光谱仪(7 )被转化为电信号，然后被计算机(8)采集，得到每种定标样品的光谱数据，各定标样品的光谱数据分别记为SpS2>…、S。…、Sn,其中
全文摘要
基于人工神经网络的元素浓度测量误差修正方法，用于激光诱导击穿光谱(LIBS)测量系统。把目标元素浓度已知的一组样品作为定标样品，用LIBS系统得到各定标样品的光谱数据和目标元素的特征谱线强度，然后拟合建立单变量定标模型，并求出单变量模型对于各定标样品的误差。以这些误差作为输出，定标样品的光谱数据作为输入建立神经网络模型并对模型进行训练。对于目标元素浓度未知的待测样品，先用LIBS系统得到其光谱数据和目标元素的特征谱线强度，把特征谱线强度代入单变量模型中得到目标元素浓度的初测值，再把待测样品的光谱数据输入神经网络模型中得到误差修正值，初测值与误差修正值之和即为待测样品中目标元素浓度的最终测量值。
文档编号G01N21/63GK102830096SQ201210314048
公开日2012年12月19日 申请日期2012年8月29日 优先权日2012年8月29日
发明者李希强, 侯宗余, 苗永旗, 任伟, 王哲, 成刚, 李政, 李春艳, 武婷婷 申请人:国电燃料有限公司, 清华大学