基于遗传神经网络的激光诱导击穿光谱元素定量分析技术

论文摘要

激光诱导击穿光谱技术（LIBS）是近些年逐渐兴起的一种原子发射光谱,可以检测固体、液体、粉末、气体等各种形式的样品,也是能够同时进行多种元素检测的光谱技术。利用LIBS对分析元素浓度进行现场实时监测的研究已备受国内外学术界以及产业界的关注。由于激光诱导产生等离子体是一个非常复杂的过程,容易受激光能量,光谱仪的触发时间,周围环境,实验样品准备,样品的基体效应,数据采集方式等影响,继而影响其定量化分析的精度。传统的LIBS定标曲线法已在某种程度上得到了一定的成功,然而定量分析的精度常受到基体效应和自吸收效应的制约。神经网络（ANN）因其非线性映射能力被应用到LIBS定量分析中,研究表明ANN能减弱基体效应对定量分析的影响,从而有效地提高LIBS的检测准确度。然而,基于误差反向传播（BP）算法的ANN （BP-ANN）收敛速度慢且易陷入局部最优解；另外,ANN的初始权值和阈值的选择缺乏理论依据,一般都是随机选取的,很难保证其全局性,影响定量分析的结果。本文在研究ANN结合LIBS定量分析技术、遗传神经网络建模等问题的基础上,提出了一种基于遗传神经网络的LIBS定量分析方法。首先利用遗传算法（GA）对网络的初始权值和阈值进行全局搜索,保证其落入全局最优点的邻域,然后再用BP-ANN对权值和阈值进行细化训练,进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解,以实现元素高精度定量检测的目的。并采用该方法成功实现了待测样品中元素浓度的定量分析,为LIBS高精度测量提供了一种可行的途径。论文内容主要包括四部分：一、详细回顾了激光等离子体的形成过程及光谱形成的物理原因、LIBS的研究现状,分析了传统的LIBS定量分析技术及各自适用情况。二、ANN结合LIBS元素定量分析技术研究。介绍了ANN原理、BP算法、网络结构的设计方法,详细研究了定量分析中输入网络光谱变量的选取,以及多元素同时分析和单元素独立分析建模的选择等。三、基于遗传神经网络的LIBS元素定量分析技术研究。详细介绍GA的基本原理：研究了遗传神经网络的建模过程和基于遗传神经网络的LIBS定量分析的具体步骤,包括GA和ANN的结合方式,适应度函数的选择等;采用基于遗传神经网络的LIBS定量分析技术成功实现了对土壤样品的检测分析,并与传统的内标法和BP-ANN方法得到的结果进行比较。四、可重复性定量分析的研究。获得了一种LIBS光谱强度信号可重复性好的数据采集方式,分析了网络输入的波动性对输出结果的影响。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 绪论
• 1.1 激光诱导击穿光谱技术基本原理
• 1.1.1 光谱分析原理
• 1.1.2 检测特性
• 1.2 激光诱导击穿光谱技术的研究现状
• 1.2.1 激光等离子体的时间演化特性
• 1.2.2 等离子体温度和电子密度
• 1.2.3 技术参数的影响
• 1.2.4 定量分析
• 1.3 常用定量分析方法简介
• 1.3.1 定标曲线法
• 1.3.2 自由定标法
• 1.3.3 自相关分析法
• 1.3.4 神经网络预测法
• 1.4 论文研究的内容、方案与安排
• 1.5 本章小结
• 2 基于神经网络的LIBS分析方法
• 2.1 ANN基本原理
• 2.1.1 从生物神经元到人工神经元
• 2.1.2 ANN的学习
• 2.2 BP-ANN与BP算法
• 2.2.1 BP-ANN
• 2.2.2 BP算法的实现步骤
• 2.3 BP-ANN在LIBS分析中的应用
• 2.3.1 BP-ANN的设计
• 2.3.2 LIBS实验设备及样品
• 2.3.3 多元素同时分析
• 2.3.4 单元素独立分析
• 2.4 小结
• 3 遗传算法优化神经网络
• 3.1 遗传算法的基本原理
• 3.1.1 遗传算法的基本思想
• 3.1.2 遗传算法特点
• 3.2 神经网络与遗传算法的结合
• 3.2.1 神经网络与遗传算法的结合方式
• 3.2.2 遗传神经网络优化模型
• 3.3 GA-BP-ANN结合LIBS的元素定量分析
• 3.3.1 定量分析步骤
• 3.3.2 样品定量分析
• 3.3.3 定量分析结果及比较
• 3.4 小结
• 4 可重复性定量分析的研究
• 4.1 信号强度可重复性采集方式的研究
• 4.2 网络输入的波动性对输出结果的影响
• 4.3 小结
• 5 总结与展望
• 5.1 工作总结
• 5.2 下一步工作展望
• 参考文献
• 攻读学位期间取得的研究成果
• 参与科学研究项目
• 致谢