(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111648616.6 (22)申请日 2021.12.3 0 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 李福生　曾小龙　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 闫树平 (51)Int.Cl. G01N 23/223(2006.01) G06F 30/27(2020.01) G06K 9/62(2022.01) (54)发明名称 一种支持向量机回归结合灵敏度分析的元 素含量定量分析方法 (57)摘要 本发明涉及X射线荧光仪(XRF)元素定量分 析领域， 特别涉及一种支持向量机回归结合灵敏 度分析的元素含量定量分析方法。 是基于在XRF 光谱的元素定量分析中， 特征和元素具有明确的 对应关系这一特点， 通过训练样本集构建SVR模 型， 再通过SVR模型和灵敏度分析方法获得高灵 敏度元素， 基于高灵敏度元素和训练样本集构建 经过特征降维后的SV R*模型， 来实现元素的定量 分析。 与现有技术相比， 本发明通过改变现有模 型的特征输入， 观察改变前后输出的变化即可得 到特征的灵敏度系数， 分析过程计算简单， 复杂 度小， 有利于工程实现。 分析过程中， 未改变数据 结构， 定量分析精度和泛化能力更高， 可广泛应 用于元素的XRF定量分析 领域。 权利要求书1页 说明书5页 附图2页 CN 114460116 A 2022.05.10 CN 114460116 A 1.一种支持向量机回归结合灵敏度分析的元素含量定量分析方法， 其特征在于： 包括 以下步骤： 步骤1、 确定待测元 素a； 采集多个样本， 通过光谱仪分别获取 各样本的XRF光谱数据； 步骤2、 基于步骤1获取的光谱数据创建训练样本集和待测样本集； 选择部分常见元素 或全部元素与光谱仪能够识别的全部元素的并集， 作为元素集A； 光谱仪能够识别的全部元 素具体为元素周期表中12～92 号元素； 训练样 本集中各元素的实际含量值通过样 本的光谱 数据确定； 步骤3、 计算训练样本集中元素集A各元素的组分值， 并将元素集A中所有元素的组分值 作为输入特 征集I， 待测元 素a在训练样本集中的实际含量 值作为输出值； 步骤4、 对步骤3得到输入特征集I进行归一化处理后， 通过训练构建基于全特征的SVR 模型； 并在该SVR模型中采用灵敏度分析法对所有特 征进行灵敏度分析； 步骤5、 根据步骤4的分析结果筛选出灵敏度系数总和大于85％的所有元素， 从而得到 与待测元素定量分析最相关的元素集A*； 利用训练样本集中对应元素的组分值计算得到新 的输入特征集I*， 以待测元素 a在训练样本集中 的实际元素含量值作为输出特征集， 实现特 征降维； 步骤6、 将待测元素a在训练样本集中的实际含量值和I*代入到步骤4构建的SVR模型中 对模型进行训练， 得到实现待测元 素a定量分析的SVR*模型。 2.根据权利要求1所述的一种支持向量机回归结合灵敏度分析的元素含量定量分析方 法， 其特征在于： 所述 步骤4中的灵敏度分析 过程为： 步骤4.1、 在训练样本集中， 假设元素集A中元素个数为l， 针对元素集A中第i个元素c组 分值Ic分别增大和减少10％后得到 两个不同的输入特 征集I1和I2； 步骤4.2、 分别 对两个特征集进行归一化处理后， 利用步骤4构 建的基于全特征的SV R模 型分别预测输入特征集I1和I2得到输出结果集r1和r2,最后通过计算两个结果集 的差值得 到每个元素c的灵敏度系数Si， Si的计算公式如下： Si＝abs(r1‑r2)        (1) 步骤4.3、 对元素集A中所有元素重复步骤4.1和步骤4.2的操作， 最终获得所有元素的 灵敏度系数Si(1≤i≤l)， 对所有元素的灵敏度系数按从大到小排序得到 选取灵 敏度系数从大到小排列靠前的k个元 素作为降维后的模型输入， 从而提高模型精度， k满足： 。 3.根据权利要求1所述的一种支持向量机回归结合灵敏度分析的元素含量定量分析方 法， 其特征在于： 所述 步骤3中， 元 素集A中各 元素组分值的计算方法为： 取训练样本集中的所有样本， 选取元素集A中任意元素， 基于每个样本的光谱数据， 再 结合该元素对应的峰值通道以计算其净峰面积， 获得其组分值； 按此过程逐一计算， 即可得 到素集A中所有元 素的组分值。 4.根据权利要求3所述的一种支持向量机回归结合灵敏度分析的元素含量定量分析方 法， 其特征在于： 所述 步骤1中各样本的XRF光谱数据是由ED ‑XRF荧光光谱仪测试 得到。权　利　要　求　书 1/1 页 2 CN 114460116 A 2一种支持向量机回归结 合灵敏度分析的元素含量定量分析 方法 技术领域 [0001]本发明涉及X射线荧光仪(XRF)元素定量分析领域， 特别涉及一种支持向量机回归 结合灵敏度分析的元 素含量定量分析 方法。 背景技术 [0002]在基于XRF的元素定量分析中， 理论上讲， 土壤中元素的含量计算是通过测量元素 对应的特征峰强度， 建立校准曲线进 行谱线强度与元素含量的拟合分析。 如： 偏最小二乘法 (PLS)或曲线校正法这类常规的数学分析方法。 由于XRF测量元素含量时， 其测量是一个非 线性过程， 难以准确预测， PLS或曲线校这类方法难以准确拟合分析信号与研究参数之间的 非线性关系， 不能取得很好的结果。 在这种情况下， 一些非线性校准方法， 如： 支持向量机回 归(SVR)、 BP神经网络(Back  Propagation(BP)Adaboost)等算法则可以提供更好的模型调 整能力和预测结果。 尤其是SVR算法相较于其他算法其泛化性能更高， 即使使用小样 本集也 能提供良好的模型。 [0003]目前， 基于SVR算法在XRF元素元素含量定量分析方法中， 经过组分计算后的每个 特征都对应着一种 元素。 受到基体效应的影响， 被测元素 的定量分析精度常常会因为重叠 峰和逃逸峰等干扰而降低， 因此将这些影响被测元素的特征 交给SVR训练提高预测精度。 但 是， XRF元素中与被测元素无关的特征在训练中不仅无法起到帮助作用， 其噪声 数据还会导 致预测精度的降低。 其次， 这些无关的特征无形中增加了变量， 对于SVR而言， 太多的变量会 不利于建模， 严重的变量间共线关系会影响模型的准确性和稳定性。 因此， 有必要对现有的 基于SVR算法的元素含量定量分析方法进行改进， 使其能更好的应用于基于XRF的元素定量 分析中。 发明内容 [0004]本发明的目的在于： 提供一种支持向量机回归结合灵敏度分析的元素含量定量分 析方法， 以解决现有基于SVR算法在XRF元素含量定量分析方法中存在的与被测元素无关的 特征影响定量分析精度、 模型的准确性和稳定性的问题。 [0005]为实现上述目的， 本发明采用技 术方案如下： [0006]一种支持向量机回归结合灵敏度分析的元 素含量定量分析 方法， 包括以下步骤： [0007]步骤1、 确定待测 元素a； 采集多个样本， 通过光谱仪分别 获取各样本的XRF光谱数 据； [0008]步骤2、 基于步骤1获取的光谱数据创建训练样本集和待测样本集； 选择部分常见 元素或全部元素与光谱仪能够识别的全部元素的并集， 作为元素集A； 光谱仪能够识别的全 部元素具体为元素周期表中12～92 号元素； 训练样本集中各元素的实际含量值通过样本的 光谱数据确定； [0009]步骤3、 计算训练样本集中元素集A 各元素的组分值， 并将元素集A中所有元素的组说　明　书 1/5 页 3 CN 114460116 A 3