基于主成分分析和宽度学习系统的土壤铅镉重金属元素定量分析

在土壤重金属元素定量分析研究中,X射线荧光分析(XRF)是一种有效的无损分析技术。由于受到矩阵效应以及元素干扰的影响,已有的机器学习方法在利用土壤XRF光谱预测铅(Pb)元素、镉(Cd)元素浓度时存在性能不足和不稳定的问题。该工作提出了基于主成分分析(PCA)结合宽度学习系统(BLS)的XRF土壤重金属元素定量分析方法(PCA-BLS),用于精确、高效、稳定测定土壤中Pb元素和Cd元素的浓度。使用PCA对56个标准土壤数据进行特征降维,并选取Pb和Cd的前3个主成分作为特征。将最优主成分特征输入宽度学习系统进行校正和测试,并使用网格搜索算法确定最佳网络结构。其中Pb元素和Cd元素对应的BLS的三个最优参数值分别为2,11,11和3,19,15。使用支持向量回归(SVR)、BP神经网络和原始BLS三种模型与PCA-BLS方法进行对比。PCA-BLS在测定Pb对应的决定系数R^(2)、均方根误差RMSE和平均绝对百分比误差MAPE三个指标上取得了0.954、1.433、1.014的结果,在定量Cd实验中取得R^(2)为0.982、RMSE为1.215和MAPE为1.059的精度。网格搜索可视化表明PCA-BLS在预测两种重金属元素时具有稳定的性能。实验结果表明,PCA-BLS可以有效校正土壤XRF光谱中的矩阵效应和干扰,在准确预测Pb和Cd元素浓度的同时保持模型稳定性,是一种具有潜力的XRF光谱定量分析方法。