基于GMM-ICSA的光谱重叠峰分解研究

针对X射线荧光光谱法(XRF)中Pb元素和As元素的重叠峰导致的元素浓度建模困难、乌鸦搜索算法(CSA)鲁棒性较弱等问题,将高斯混合模型(GMM)与改进型乌鸦算法(ICSA)相结合来实现重叠峰的分解。ICSA相比于CSA的改进主要有:引入了"乌鸦反哺"的特性,将GMM与ICSA更好的衔接在一起;将固定的意识概率更改为梯度型,使种群迭代更有多样性;适当调整了全局的优化策略,使算法更稳定收敛更快。将GMM模型与GMM-ICSA模型作对比实验,可得优化后的模型分解精度提升了4.93%;同时以均方误差和迭代时间为衡量搜索算法的标准,将ICSA与同类型的4种算法做了对比实验得出:CSA的均方误差和迭代时间均优于其他算法,从而表明改进后的算法能处理重叠峰问题的可行性。