基于深度学习的LSTM模型在X荧光光谱中的应用

• Published in: 核技术 Vol. 46; no. 7; pp. 78 - 84
• Main Authors: 唐琳, 李勇, 唐羽锋, 刘泽, 柳炳琦
• Format: Journal Article
• Language: Chinese
• Published: 成都大学 电子信息与电气工程学院 成都 610106 01.07.2023; 数学地质四川省重点实验室(成都理工大学) 成都 610059; 安徽大学 农业生态大数据分析与应用国家工程研究中心 合肥 230039; 南洋理工大学 电气与电子工程学院 新加坡 639798%成都大学 电子信息与电气工程学院 成都 610106%成都大学 机械工程学院 成都 610106
• Subjects: Deep learning; 长短期记忆; 卷积神经网络; Long and short term memory; Convolutional neural network; 深度学习; X-ray fluorescence spectroscopy; X荧光光谱
• ISSN: 0253-3219
• DOI: 10.11889/j.0253-3219.2023.hjs.46.070502

O657.34; 在X荧光光谱分析中,为了解决传统谱分析方法中存在的特征峰计数率损失以及影子峰的问题,本文拟采用一种基于深度学习的长短期记忆(Long and Short Term Memory,LSTM)神经网络模型,该模型对核脉冲幅度时间序列具有较好的适用性,通过对样本的学习能够对核脉冲信号的幅度进行准确估计.鉴于核脉冲信号样本较大,模型训练效率低,特引入卷积神经网络(Convolutional Neural Network,CNN),利用其特有的卷积核结构逐层提取样本特征,能够有效减少样本数量,降低模型训练复杂度.使用粉末铁矿样品测量得到的一系列离线核脉冲序列产生模型训练所需的数据集,该数据集的64 000个条目中,44 800个用作训练集,12 800个用作验证集,余下6 400个用作测试集.实验结果表明:训练好的CNN-LSTM模型能够极大地节省训练时间,克服传统方法局部收敛的缺陷,也能够对不同程度畸变的输入脉冲进行准确的参数估计,在训练集和验证集上得到的准确率都高于99%.进一步分析计数修复结果,得到三个影子峰校正比例的平均值为91.52%,表明训练的CNN-LSTM模型对畸变脉冲产生的计数损失的校正比例约为91.52%.该模型能够有效校正因畸变脉冲幅度损失造成的影子峰,改善X射线荧光光谱中特征峰计数率精度,在X射线荧光光谱领域具有较高的应用价值.