神经网络技术在EDXRF分析的基体效应校正中的应用

论文摘要

在EDXRF分析的发展过程中，基体效应一直是影响EDXRF分析灵敏度和精确度的客观因素，并制约着分析检出限的水平。因此EDXRF分析中基体效应校正方法的研究也更加深入。传统的基体效应校正方法主要是：实验校正方法和数学校正方法，这些方法在满足一定条件下能够校正基体影响，提高分析精度，但上述方法的有效性都依赖于待测样品与标样类型的一致性，即：上述方法适合于简单样品的EDXRF分析，对于复杂样品的EDXRF分析，现在的基体效应校正手段遇到了挑战。本文中提出了采用神经网络方法对EDXRF分析的基体效应校正进行研究，从全新的角度为EDXRF分析研究提供了新的科学依据。本文首先介绍了神经网络技术方法，重点介绍了SOFM网络以及RBF网络，然后描述了EDXRF分析的基本特点，分析论证了使用神经网络技术的可行性，以及用此方法研究的技术路线，主要采用SOFM网络，结合攀枝花矿区土壤复杂样品的特点，对EDXRF分析得到的复杂样品数据进行了自动分类研究，由此给出了EDXRF分析的分类规律；然后使用RBF网络对其中同一类型的样品进行了基体效应的动态非线性校正研究，建立了相应的数学模型。通过测量有限标样，达到对未知样品进行自动分类；同时将同类样品中各元素含量与其X射线记数率之间的非线性映射关系通过数学模型抽象出来，建立了非线性动态预测模型，达到了解决复杂样品EDXRF基体效应校正的目的。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 选题依据
• 1.2 国内外研究现状
• 1.3 本论文研究的主要内容
• 1.4 论文特点及创新
• 第二章 SOFM神经网络理论及在EDXRF分析自动分类中的应用
• 2.1 动态聚类法在EDXRF分析聚类中的应用
• 2.1.1 动态聚类法的基本原理
• 2.1.2 动态聚类在EDXRF分析聚类中的应用
• 2.2 SOFM网络在EDXRF分析分类中的应用
• 2.2.1 人工神经网络概述
• 2.2.2 SOFM神经网络
• 2.2.2.1 SOFM网络结构
• 2.2.2.2 SOFM网络学习算法
• 2.2.2.3 SOFM网络的精确设计
• 2.2.3 SOFM网络在EDXRF分析分类中的应用
• 2.3 SOFM网络与K-MEANS聚类分类结果比较
• 2.4 本章结束语
• 第三章 RBF网络在EDXRF分析基体效应校正中的应用
• 3.1 RBF神经网络
• 3.1.1 RBF网络结构
• 3.1.2 RBF网络的映射关系
• 3.1.3 RBF网络的学习算法
• 3.1.4 RBF网络的精确设计
• 3.2 RBF网络在EDXRF分析基体效应校正中的应用
• 3.3 RBF网络用于EDXRF分析的非线性数据预测与其他预测模型对比
• 3.4 本章结束语
• 第四章 本文结论及认识
• 致谢
• 参考文献
• 攻读学位期间公开发表论文