一个集成的BLS-Net优化了双PCA和改进的PSO-CARS可变选择策略,以通过XRF确定土壤中的重金属

科学领域:

• 环境科学 环境科学
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 使用X射线光 (XRF) 光谱对土壤重金属进行定量分析对于环境监测至关重要.
• 线性和非线性光谱干扰挑战了准确的量化,特别是低度元素.
• 现有的单个模型在XRF分析中难以解决复杂的光谱干扰.

研究的目的:

• 开发一种新的光谱变量选择和聚变建模框架,用于提高土壤XRF中的重金属量化.
• 为了提高低度重金属元素的预测性能.
• 为土壤重金属检测提供更精确,更可靠的分析解决方案.

主要方法:

• 一个结合的框架,集成基于粒子优化的竞争性适应性重权取样 (PSO-CARS) 与适应性衰变策略以及基于双主组件分析的广泛学习系统 (BLS-Net).
• 使用PSO-CARS来有效地选择特征和辅助光谱变量.
• BLS-Net被用来在光谱数据中区分和建模线性和非线性反应.

主要成果:

• 拟议的PSO-CARS方法有效地确定了BLS-Net模型的最佳光谱变量.
• BLS-Net准确量化了Cr,Cd,Cu和Pb的度,实现了超过0.995.99的平均预测确定系数 (R2).
• 与其他先进的机器学习方法相比,融合建模方法显示出更高的性能.

结论:

• 新的PSO-CARS和BLS-Net框架提供了通过XRF对土壤重金属进行定量分析的具有竞争力和有效的解决方案.
• 这种方法显著提高了重金属度测量的精度和可靠性.
• 该方法成功地解决了光谱干扰带来的挑战,改善了所有度水平的分析.