RBF校正-ICP-AES法测定合金钢中微量铝的研究.docVIP

RBF校正-ICP-AES法测定合金钢中微量铝的研究 朱亮， 王明生， 万益娟 （宝钢股份不锈钢分公司检化验中心 ， 上海 200431） 摘要 在不进行化学分离和干扰元素匹配的条件下，用ICP-AES法测定合金钢中的微量铝，测试结果采用RBF神经网络进行校正，从而提高了分析准确度，获得了满意的分析结果。 关键词 径向基神经网络，ICP-AES，合金钢，铝 STUDY ON DETERMINATING TRACE-ALUMINIUM WITH RBF-ICP-AES ZHU Liang，WANG Mingsheng，WAN Yijuan（The Stainless Steel Branch Baoshan Iron Steel Co.,Ltd. Shanghai 200431，china）Trace-aluminium in alloy steel is determinated by ICP-AES without chemistring separation and the matching of disturbance element,the determination results are proofreaded with RBF Neural Network. This technique enhances accuracy of measurement and the results are satisfactory. Keyword：RBF Neural Network,ICP-AES, alloy steel, aluminium 前言 铝是钢的良好的脱氧剂、去气剂和致密剂之一。近些年来，随着冶金工业的发展，钢铁中铝含量的测定越来越重要，准确测定钢中铝含量，对控制材料质量，提高材料性能，降低生产成本具有重要意义。 目前国内外在钢铁中微量铝的测定中常用的方法主要有铬天青S光度法、铜铁试剂分离-铬天青S光度法和ICP-AES法等，其中湿法分析的检测下限为0.01%，对于钢中，尤其是合金钢中小于0.01%的微量铝，尚无好的测试方法。近年来随着ICP-AES光谱仪的迅速普及，ICP-AES法正成为测定铝最常用的方法，但对于合金钢中的微量铝，由于存在着钒、钛、铬、镍等元素的谱线干扰，需要采用分离或干扰元素匹配的方式，因而普遍存在着操作复杂、耗时、方法难以掌握等缺陷，不适合对合金钢样品的批量测试。 对此可以采用化学计量法来校正干扰，其中神经网络技术，特别是径向基函数RBF神经网络（简称径向基网络），由于具有较高的运算速度，特别是它的较强的非线性映射能力，能以任意精度全局逼近一个非线性函数，因此较适合用来校正测试结果，我们对此进行了一些初步探索。 1 神经网络设计 1.1 网络结构 设计一个径向基神经网络，网络有三层，包括输入层、隐层、输出层。隐层为径向基神经元，输出层为线性神经元，（见图1）。 图1 径向基神经网络结构图 其中： R=输入向量元素的数目； S=第一层神经元的数目； S=第二层神经元的数目 1.2 网络原理 网络采用的基函数是高斯函数，即对于任意的输入向量XR（R为输入样本集），它定义为 （x）=exp[- =1,2,…,N 式中，（x）为隐层第i个单元的输出，X为N维输入矢量，X={X| X R，p=1,2, …，k}；为隐层第个单元高斯函数的中心点，为第个隐节点的归一化参数，即该隐节点的宽度；N为隐层的节点数；p表示样本数。 网络的学习过程分为二步：首先确定基函数的中心点和宽度，其次是权值的学习。 本文采用类似于Moody和Darken的学习算法(MD算法)。整个训练过程分为非监督学习和监督学习二个阶段。包括采用K-means聚类方法对训练样本的输入量进行聚类，找出聚类中心及参数；采用最小二乘法求解网络的输出权值。 无监督聚类采用最近邻聚类算法(Nearest Neighbor—Clus—tering Algorithm)， 在得到网络的基函数中心等参数及初始权值后，再用有监督学习算法调整隐层到输出层的权重。 1.3 输入变量的选择 虽然RBF神经网络不要求输入变量之间彼此独立，但因为输入变量的多少影响网络结构的复杂性和精度，所以需要选择合适的输入变量。如果输入结点数减少，网络的整个结点数就减少，那么训练集所要求的样本数也减少；相反，如果输入变量多，模型对训练样本能很好地近似输入输出关系，但对于测试样本，预测误差则增大。这是因为输入变量增多，使网络连同训练样本的噪声也学习进去，使得网络趋向于记忆每一个训练样本，从而导致预测能力降低，这也是过度拟合的原因之一。这种情况下，测试样本的分类结果和训练样本的分类结果相比，正确性大大降低。 从理论上说，ICP在测试中Mo、Nb、Ni、V、Cr、Fe、Z