| 【中文题名】 | 神经网络技术在EDXRF分析的基体效应校正中的应用 |
| 【英文题名】 | Using Neural Network Technology in the EDXRF Analysis Basal Body Domino Offect Correction |
| 【学科专业】 | 计算数学 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-11-1 |
| 【中关键词】 | EDXR分析,基体效应,神经网络技术,SOFM网络,RBF网络, |
| 【英关键词】 | Energy Dispersive X-Ray Fluorescence,Basal Body Domino Offect,Neural Network Technology,Self-Organizing feature Map Network,Radius Basis Function Network, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
在EDXRF分析的发展过程中，基体效应一直是影响EDXRF分析灵敏度和精确度的客观因素，并制约着分析检出限的水平。因此EDXRF分析中基体效应校正方法的研究也更加深入。传统的基体效应校正方法主要是：实验校正方法和数学校正方法，这些方法在满足一定条件下能够校正基体影响，提高分析精度，但上述方法的有效性都依赖于待测样品与标样类型的一致性，即：上述方法适合于简单样品的EDXRF分析，对于复杂样品的EDXRF分析，现在的基体效应校正手段遇到了挑战。
本文中提出了采用神经网络方法对EDXRF分析的基体效应校正进行研究，从全新的角度为EDXRF分析研究提供了新的科学依据。本文首先介绍了神经网络技术方法，重点介绍了SOFM网络以及RBF网络，然后描述了EDXRF分析的基本特点，分析论证了使用神经网络技术的可行性，以及用此方法研究的技术路线，主要采用SOFM网络，结合攀枝花矿区土壤复杂样品的特点，对EDXRF分析得到的复杂样品数据进行了自动分类研究，由此给出了EDXRF分析的分类规律；然后使用RBF网络对其中同一类型的样品进行了基体效应的动态非线性校正研究，建立了相应的数学模型。通过测量有限标样，达到对未知... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-7 |
|
第一章 引言 |
7-14 |
|
1.1 选题依据 |
7-9 |
|
1.2 国内外研究现状 |
9-12 |
|
1.3 本论文研究的主要内容 |
12-13 |
|
1.4 论文特点及创新 |
13-14 |
|
第二章 SOFM神经网络理论及在EDXRF分析自动分类中的应用 |
14-26 |
|
2.1 动态聚类法在EDXRF分析聚类中的应用 |
15-18 |
|
2.1.1 动态聚类法的基本原理 |
15 |
|
2.1.2 动态聚类在EDXRF分析聚类中的应用 |
15-18 |
|
2.2 SOFM网络在EDXRF分析分类中的应用 |
18-24 |
|
2.2.1 人工神经网络概述 |
18 |
|
2.2.2 SOFM神经网络 |
18-21 |
|
2.2.2.1 SOFM网络结构 |
19-20 |
|
2.2.2.2 SOFM网络学习算法 |
20-21 |
|
2.2.2.3 SOFM网络的精确设计 |
21 |
|
2.2.3 SOFM网络在EDXRF分析分类中的应用 |
21-24 |
|
2.3 SOFM网络与K-MEANS聚类分类结果比较 |
24-25 |
|
2.4 本章结束语 |
25-26 |
|
第三章 RBF网络在EDXRF分析基体效应校正中的应用 |
26-38 |
|
3.1 RBF神经网络 |
27-32 |
|
3.1.1 RBF网络结构 |
27-29 |
|
3.1.2 RBF网络的映射关系 |
29-30 |
|
3.1.3 RBF网络的学习算法 |
30-31 |
|
3.1.4 RBF网络的精确设计 |
31-32 |
|
3.2 RBF网络在EDXRF分析基体效应校正中的应用 |
32-35 |
|
3.3 RBF网络用于EDXRF分析的非线性数据预测与其他预测模型对比 |
35-37 |
|
3.4 本章结束语 |
37-38 |
|
第四章 本文结论及认识 |
38-39 |
|
致谢 |
39-40 |
|
参考文献 |
40-43 |
|
攻读学位期间公开发表论文 |
43 |
|
| 【DOI】 | LunWen.ID:2.2008.389138 |
