小中大分享：感耦等离子体原子发射光谱初级专家系统
感耦等离子体原子发射光谱初级专家系统及人工智能在化学模式识别问题中的应用
博士生: 应 海
--------------------------------------------------------------------------------
本文分成两大部分：1. 感耦等离子体原子发射光谱(ICP-AES)的初级专家系统的研究;2.人工智能技术在化学模式识别问题中的应用。
本论文研究的主要贡献在于：1. 建立了ICP-AES初级专家系统用于预报光谱干扰;和2. 校正光谱干扰;3. 发展了新的智能方法，如置信度网络， 和化学计量学方法一起，应用于化学模式识别问题;4.首次提出了一种新的神经元网络的拓扑和具体算法，用于化学模式识别问题。
第一部分共由四章组成：1. 前言;2. ICP-AES 初级专家系统中的谱线干扰预测系统;3.ICP-AES初级专家系统中的谱线干扰校正系统;4. 稀土谱线干扰的研究。主要的工作重点是，首次在ICP-AES中有关谱线干扰的综合专家知识基础之上，如ICP的模拟、AES激发机理以及谱线轮廓模型等，利用人工智能技术，采用C++语言，建立了运行于Windows 3.1环境下、界面友好的ICP-AES初级专家系统软件，并应用于光谱干扰的预测、校正的研究中。
第一章前言中，通过对ICP- AES和计算机科学领域中超过200篇文献的综述，阐明了建立ICP-AES初级专家系统的必要性、可能性以及可行性，论述了ICP-AES初级专家系统的组成和发展的途径。
第二章主要讨论了ICP-AES初级专家系统中的谱线干扰预测系统，叙述了 ICP-AES模拟的基本原理，详细推导整理了光谱轮廓模拟强度和展宽公式，建立了在非热力学平衡(non-LTE)假设条件下的光谱模拟方法。收录了大量有关的光谱化学和光谱物理信息，编辑了较为完善的数据库，编写了功能强大的软件系统，对光谱干扰的模拟进行了详细的研究，结果包括Boltzmann曲线的研究，离子线与原子线之比在non-LTE条件下增强的情况，模拟光谱与实际光谱的比较(包括同元素之间的，以及不同元素间的相互干扰)，证明了本系统能够较好地反映真实的光谱重叠情况，并且，可以根据实际光谱仪器的具体参数和不同的操作条件，方便、灵活地对光谱干扰做出预测，并能自动推荐干扰较少的谱线作为分析线。
第三章叙述了ICP-AES初级专家系统中的另一个模块—谱线干扰校正系统。 在此部分中，利用数字滤波、FFT退卷积、导数光谱以及谱图分解等信号处理技术，提出了较为实用、有效和可靠的系统校正方法，来校正光谱干扰。在模拟和实际的干扰例子中，对系统校正方法进行了验证。在FFT退卷积处理中，仪器轮廓的模拟采用了第二章中的理论，得到了较好的分辨结果，分辨率能够提高一倍以上，这也从侧面也说明了第二章中理论的正确性。在谱图的解析中，干扰谱线和背景能够同时得到较好的分离。
第四章通过光谱扫描实验，研究了镝 (Dy)基体对其它14个稀土元素、超过60条重要分析线的光谱干扰。识别过程中，建立了镝的谱线库，收集了大量的镝的光谱谱线，编写了运行于初级专家系统下的检索软件。在结果中，列出了所有识别出的谱线，并标出过去文献中没有的谱线，同时，推荐了在镝基体存在下，分析14个元素所需采用的最佳分析线。
第二部分由三章组成：1. 前言;2. 置信度网络在化学判别分析中的应用;3. 人工神经网络在化学模式识别问题中的应用。
前言中论述了以生命科学的分析为重要研究方向的化学识别问题越来越多引起了研究者的高度重视，人工智能技术在其中将得到更为广泛的应用。
第二章中首次将人工智能中一种处理不确定性问题的技术—置信度网络(Belief Network, BN)与化学计量学常用的方法—偏最小二乘法(PLS)联用， 用于课题：癌症的生物无机化学分析诊断的研究之中，获得了较好的结果。BN有着很强的预报不精确知识的能力，在此，被尝试用于探索头发中微量元素之间的联系，以及根据部分浓度信息，推测其它未知元素浓度的可能性。BN-PLS的最终结果为，在知道元素总数的78%的浓度时，就可以借助BN预测其它元素浓度，使得PLS的结果不失真，且几乎达到100%时的预报率。另外还对糖尿病的研究，也获得了类似的研究。并且初步进行了连续值置信度网络的研究和应用。
第三章的研究重点是神经元网络癌症的生物无机化学分析诊断中的应用。 因为癌症与头发中微量元素的关系是非线性的，而且，已经证明了逆传播算法(BP)能够模拟任意复杂的函数，所以在本章中，我们专注于BP算法的应用。首先用简单的统计手段研究人数在元素浓度方向上分布;接着研究了经典的BP网络(隐含层一层)，在癌症课题中应用，详细考察了各种网络参数组合下BP网络学习、预报的情况，最后利用优化了的网络，进行了交叉检验，BP 方法在癌症课题中的预报准确率为79.2%3.42%。另外，我们改进了BP算法，首次提出了串行BP(SBP)网络的结构和具体算法，其最重要的特点是输出节点上的误差是随着学习的过程，一层层地反馈到网络中，使得计算中，隐含层的误差不仅受到上一层隐节点的影响，还受到某一输出节点的影响，在本章中，详细讨论了SBP的优点，仔细考虑了参数对网络学习、预报的影响，优化了的SBP网络中在癌症课题中的预报准确率为82.8%2.97%。
