基于统计遗传算法的X射线荧光重叠峰分解

摘要：

针对X射线荧光分析中相邻谱峰之间的重叠问题，结合光谱形成过程的随机物理特性，提出了一种基于高斯混合统计模型（Gaussian mixture statistics model ，GMSM ）和遗传算法的重叠峰分解方法。首先，提出了重叠峰的GMSM描述方法，并分析了期望最大化法（expectation maximization ，EM ）的局部收敛问题；接着，将GMSM 参数看作个体基因，以重叠峰随机数据序列的对数似然函数作为适应度函数，并给出了目标函数值的快速算法；然后，采用遗传算法的群体搜索技术找出全局最优解，实现重叠峰分解。该方法将所有测量的随机数据都当作“有用”来处理，其“有用”程度由其概率大小来体现，实现了原谱数据的“零损失”，搜索到的GMSM是全局最大概率意义下的“最佳匹配”模型，符合放射性测量过程的随机性。通过对四个严重重叠峰分解的实验表明，分解后的峰位、峰面积及标准偏差具有较高精度，最大误差分别为0.7道，2.3％，2.17％，特别适合于严重重叠的情况，并可广泛用于其他能谱重叠峰的分解。

关键词：GMSM模型、统计遗传、重叠峰分解

分类号：O657.3(分析化学)

资助基金：国家自然科学基金项目41204133;四川省科技支撑计划项目2014GZ0020;四川省教育厅重点项目基金项目13ZA0066

在线出版日期：2015-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：2320-2323