面向XRF的竞争性自适应重加权算法和粒子群优化的支持向量机定量分析研究

作者：程惠珠; 杨婉琪; 李福生^*; 马骞; 赵彦春

来源：光谱学与光谱分析, 2023, 43(12): 3742-3746.

• X射线荧光光谱
• 土壤重金属
• 竞争性自适应重加权算法
• 粒子群算法
• 支持向量机回归模型

研究高效、准确、便捷的土壤重金属检测方法对于了解土壤的污染状况以及开展污染防治工作具有重要的意义。由于X射线荧光光谱分析(XRF)技术具备快速、准确、无损检测、样品制备简单等优势，在土壤重元素定量检测获得广泛应用。XRF仪器测试标准样品的荧光光谱并建立校准曲线，通过反演计算得到待测样品的元素含量。由于样品元素间存在基体效应，以及荧光谱特征峰存在叠加干扰，未经优化的校准曲线的线性度较差，这给反演计算来困难。为了解决上述问题，分别利用小波变换、非对称加权惩罚最小二乘法(arPLS)对光谱进行去噪和扣除本底基线，提高校准曲线的决定系数(R2)；运用竞争性自适应重加权算法(CARS)，针对不同目标元素优化变量选取；进一步地，基于选取的变量建立粒子群算法(PSO)优化的支持向量机回归(SVR)模型，并通过该模型反演计算各元素含量，提高定量分析的准确度和预测的泛化能力。实验结果显示，经过小波去噪和arPLS本底扣除后的校准曲线的决定系数(R2)有明显提升，Cr、Cu、Zn、As、Pb分别从0.965、0.979、0.971、0.794、0.915提高为0.979、0.987、0.981、0.828、0.953；通过CARS选取的谱线变量的个数大幅度减少，从2 048个通道降低到30个以下，为原来变量个数的1.5%，提高了变量选择的精准性；与偏最小二乘法(PLS)、未优化的SVR模型进行对比，采用CARS变量选择和PSO优化的SVR模型进行含量预测，训练集RC2与测试集RP2的决定系数分别在0.99、0.90以上，预测准确性有明显提高。因此，所提出的竞争性自适应重加权算法和PSO优化的SVR定量分析模型对于土壤重金属元素定量分析具有较好的理论指导和应用价值。

• 单位
  电子科技大学