CN101915753A

CN101915753A - 基于遗传神经网络的激光诱导击穿光谱定量分析方法

Info

Publication number: CN101915753A
Application number: CN 201010240846
Authority: CN
Inventors: 周卫东; 沈沁梅
Original assignee: Zhejiang Normal University CJNU
Current assignee: Zhejiang Normal University CJNU
Priority date: 2010-07-30
Filing date: 2010-07-30
Publication date: 2010-12-15
Anticipated expiration: 2030-07-30
Also published as: CN101915753B

Abstract

本发明属于激光诱导击穿光谱的定量分析方法，具体涉及一种基于遗传神经网络的激光诱导击穿光谱定量分析方法。基于激光诱导击穿光谱和遗传神经网络的元素定量检测技术，用ANN结合遗传算法(Genetic Algorithm，简称GA)分析LIBS光谱数据以实现元素的定量检测。较之采用传统的LIBS内定标法和BP-ANN法，该方法具有受基体效应的影响小、简单快捷、避免局部收敛、定量检测的可靠性高等优点。

Description

基于遗传神经网络的激光诱导击穿光谱定量分析方法

技术领域

本发明属于激光诱导击穿光谱的定量分析方法，具体涉及一种基于遗传神经网络的激光诱导击穿光谱定量分析方法。

背景技术

激光诱导击穿光谱技术(Laser Induced Breakdown Spectroscopy，简称LIBS)，作为原子发射光谱的一种，是近些年逐渐兴起的一种光谱检测技术。LIBS利用高强度脉冲激光激发样品产生等离子体，通过光谱仪获取原子和离子发射谱线并进行分析，并由分析线的位置及信号强度来鉴定物质的存在和进行定量分析。LIBS技术具有无需复杂的样品预处理、操作快捷、能同时对多种元素进行分析等特点，非常适合于气体、液体、固体物质中元素成分的实时检测，近年来发展迅速，在生物医学研究、军事安全、宇宙开发、工业加工、环境污染检测等诸多领域都得到了广泛应用。

随着工业、城市污染的加剧和农用化学物质种类、数量的增加，重金属污染日益严重。目前，全世界平均每年排放Hg约1.5万吨，Cu 340万吨，Pb 500万吨，Mn 1500万吨，Ni 100万吨。重金属污染具有污染物移动性差、滞留时间长、不能被微生物降解的特点，并可经水、植物等介质最终影响人类健康。近20年来，国际上已开展了采用LIBS技术进行重金属污染检测的研究工作，并取得了一定的成果。然而，激光诱导产生等离子体是一个非常复杂的过程，容易受激光能量，光谱仪的触发时间(延迟时间)，检测环境，实验样品准备、样品的基体效应和数据采集方式等诸多因素的影响，继而影响其定量化分析的准确度。

LIBS定量分析最为普遍使用的方法是建立在标准浓度和成分分析线强度之间对应关系上的定标曲线法，基于绝对强度的外标法和强度比的内标法已被很多研究者用于成分定量检测，并取得了一定的成就。然而受到基体效应和自吸收效应的制约，难以得到令人满意的结果。

神经网络(Artificial Neural Network，简称ANN)由于强大的分类和预测能力，近年来国外LIBS研究者逐渐将其应用到LIBS定量分析中，已有采用反向传播(Back Propagation，简称BP)ANN结合LIBS技术定量分析Cu、Mn、Fe等元素的报道。研究表明ANN方法能减弱基体效应对定量分析的影响，从而有效地提高了LIBS的检测准确度。BP算法的核心是通过一边向后传播误差、一边修正误差的方法来不断调节网络参数(权值、阈值)，以实现或逼近所希望的输入输出映射关系。BP-ANN能够根据网络的实际输出与期望输出之间的最小均方差值，通过误差的反向传播，利用梯度下降法迭代调整神经元之间的权值与阈值，直至收敛于较小的均方差。它的训练预测结果常依赖于权值和阈值的设置。BP算法通过梯度下降法在权值和阈值空间中寻找问题的最优解，故收敛速度慢且易陷入局部极小值。另外，不同的初始权值设置可能会对收敛性、泛化误差造成较大的差异，而神经网络的初始连接权值和阈值的选择缺乏理论依据，具有很大的随机性，很难选择具有全局性的初始点。因而用BP神经网络求得全局最优的可能性较小，限制它的作用。

发明内容

针对现有元素含量分析方法的不足，我们提出基于激光诱导击穿光谱和遗传神经网络的元素定量检测技术，用ANN结合遗传算法(Genetic Algorithm，简称GA)分析LIBS光谱数据以实现元素的定量检测。较之采用传统的LIBS内定标法和BP-ANN法，该方法具有受基体效应的影响小、简单快捷、避免局部收敛、定量检测的可靠性高等优点。经检索，目前还未见采用遗传神经网络方法结合LIBS技术对元素进行定量分析的研究报道。

本发明基于遗传神经网络的激光诱导击穿光谱定量分析方法，其特征在于包括以下步骤：

被测物的LIBS光谱数据的采集和预处理：经预处理后的有效光谱数据按样品分为训练集样本和预测集样本；

遗传神经网络的训练：训练集样本被测成分的有效光谱数据矩阵作为定量分析模型的输入；训练集样本被测成分的标准浓度矩阵作为标准输出；采用三层BP-ANN网络建立定量分析模型，包括输入层、输出层和隐层，BP-ANN网络的初始权值和阈值通过遗传算法进行优化，得到一个最优化的初始个体，作为BP-ANN网络的初始权值和阈值；再经BP-ANN细化训练，进行精确求解，当训练集样本被测成分的求解浓度和标准浓度的误差平方和达到预设的目标误差时，训练结束，得到GA-BP-ANN定量分析模型；

被测成分的定量分析：用训练好的GA-BP-ANN定量分析模型对未知被测成分含量的预测集样本进行分析，将预测集样本光谱数据矩阵输入GA-BP-ANN定量分析模型进行分析预测，得到被测成分的浓度含量。

所述被测物的LIBS光谱数据预处理包括对原始光谱数据进行求平均、强度归一化、寻峰、扣背景、谱线去干扰拟合，形成完整的谱峰轮廓后，对谱峰强度进行采点并保存为一个数据矩阵，作为被测成分的有效光谱数据。

所述遗传算法对BP-ANN网络的优化过程，其步骤为：

a)用遗传算法对BP-ANN权值、阈值的解空间进行实数编码，随机产生一个初始的群体，

b)根据以下适应度函数计算步骤a)初始群体中每个个体的适应度函数值：

f (x) = 1 / Σ_{k = 1}^{q} {(y_{k} - t_{k})}^{2} - - - (1)

其中t是期望值，对应训练样本被测成分的真实含量，y是BP-ANN网络的输出值，对应预测含量，q是训练集样本数，

c)判断步骤b)中获得的适应度函数值是否满足以下预设条件：该适应度函数值达到预设的目标适应度函数值，

如满足，结束优化过程；

如不满足，则进入下一代优化，对该编码的权值和阈值个体进行选择、交叉和变异操作后返回至步骤b)。

所述训练集样本被测成分的有效光谱数据为被测成分的单一谱线的数据矩阵。

所述输入的训练集样本被测成分的有效光谱数据和输出的训练集样本被测成分的标准浓度分别进行如下归一化处理：

x^{'} = \frac{x - a}{b - a} - - - (2)

其中，x为原始数据，x′为归一化后的数据，a为x的最小值，b为x的最大值。

所述被测成分的定量分析过程中，将预测集样本光谱数据矩阵按公式(2)进行归一化后输入GA-BP-ANN定量分析模型，得到归一化的浓度值，对此浓度值进行反归一化，得到被测物对应的被测成分浓度。

本发明更详细的描述如下：

BP神经网络的原理和结构如图1所示，通过神经元，输入量x_i与权值w_i相乘对其求和，并与一个给定的阈值b相减，将差值通过传递函数f转换得到输出n。各层之间的神经元通过权值相互连接构成一个网络，权值和阈值代表着网络所包含的信息。三层神经网络包含输入层、输出层和一个隐层，输入层的节点对应输入变量，即光谱数据，输出层的节点对应预测变量，即元素浓度，在输入层和输出层之间是隐层，隐层中节点的个数决定了神经网络的复杂程度。网络将输入的光谱训练数据进行处理，得到相应的输出浓度值并与真实浓度值作比较得到误差，将误差反馈给网络使其调整权值和阈值以实现降低误差的目的，当达到预设的目标误差EBP时，训练结束。

BP-ANN是基于梯度下降的误差反向传播算法进行学习的，在网络的设计过程中，往往要经过反复的训练和试凑，虽然能保证网络学习过程最终收敛，但无法保证每次训练时BP算法的收敛性和全局最优性，因而在实际应用中，BP算法存在明显的局限性。首先，通过梯度下降法在权空间中寻找问题的最优解，故极易陷入局部极小值。另外，神经网络初始连接权值及阈值的选择缺乏理论依据，具有很大的随机性，难以控制其具有全局性的初始解。

为了克服BP网络的缺陷，人们提出了在BP算法上加入动量因子、调整学习速率、使用其它梯度优化算法、改变目标函数或激励函数、对样本进行预处理等改进方法。这些算法都能不同程度地提高算法的收敛速度，但它们都是基于梯度算法的，共同弱点仍然是无法避免网络陷于局部极值。正是由于改进的BP算法不能从根本上克服陷于局部极值的缺陷，使得其训练效果未必优于标准BP算法。因此，有必要寻求一种具有全局优化功能的算法对神经网络的初始权值和阈值进行优化。

遗传算法(GA)是一种以自然选择和遗传理论为基础，将生物进化过程中适者生存原则与群体内部染色体的随机信息交换机制相结合产生的全局寻优搜索算法，该算法从许多点开始搜索，因而可以防止收敛于局部最优解，并且容易找到全局最优解或性能很好的次优解。

本发明将GA与BP-ANN相结合，先用GA对网络权值和阈值进行全局搜索，保证其落入全局最优点的邻域，再利用基于梯度法的BP-ANN进行精确求解以进一步减小误差，使其收敛于全局最优解或性能很好的近似最优解。这样，可以达到全局寻优和快速高效的目的，最终得到最优化的网络模型。GA-BP-ANN模型的具体优化流程如图2所示。

在GA优化BP神经网络的初始权值和阈值的过程中，首先由GA对BP网络权值、阈值的解空间进行实数编码，随机产生一个初始的群体。然后，调用BP-ANN对群体中的每个个体进行适应度评价，GA在进化搜索过程中是以适应度函数为依据的，故适应度函数的选择直接影响到GA的收敛速度以及能否找到最优解。本发明采用的适应度函数表示为：

f (x) = 1 / Σ_{k = 1}^{q} {(y_{k} - t_{k})}^{2}

其中t是期望值，对应训练样本成分的真实含量。y是网络的输出值，对应预测含量。q是训练集样本数。适应度函数值为训练集误差平方和的倒数，本专利的最优化问题是求适应度函数的最大值，且为正值。在优化过程中，根据个体的适应度值，GA对群体中的个体进行选择、交叉、变异等操作。按照这样的进化原则，逐代进化，使得训练集误差平方和不断减小，适应度函数值不断增大。当适应度函数值达到目标适应度值f_GA时，遗传算法进化结束，得到最佳个体，从而获得权值和阈值的最优解，并将其作为BP-ANN的初始权值和阈值细化训练网络，进行精确求解。

如上所述，本发明采用GA优化BP-ANN的初始权值和阈值，建立GA-BP-ANN，并结合LIBS技术对待测成分进行定量分析。

基于激光诱导击穿光谱和遗传神经网络的成分定量检测技术的流程如图3所示，具体分析步骤如下：

1、采集被测物的LIBS光谱数据，对原始光谱数据进行求平均、强度归一化、寻峰、扣背景、谱线去干扰拟合等常规光谱数据处理，在确定拟合后的谱峰轮廓完整的基础上对谱峰强度进行采点并保存为一个数据矩阵，作为被测目标成分的有效光谱数据。将样本有效光谱数据分为训练集样本和预测集样本，各取总样本数的2/3和1/3，其中训练集样本的被测成分浓度含量用理化方法测定，用于ANN网络建模；预测集样本的被测成分浓度含量未知，通过所建模型进行预测。

将采集的每个样品的50个原始数据点分别进行求平均，得到的数据采用七点法寻峰，当中间点数据依次大于左右三个点的数据，认为这七个点组成一个峰。而有些峰是由五个点组成的，再结合五点法寻峰，找到七点法漏掉的峰。为了克服系统参数及光谱仪响应率的影响采用谱线强度归一化处理。选取在各样品中含量基本相等的成分作为参考成分，挑选该成分一条灵敏线作为参考谱线，求出目标成分的谱线强度与该参考谱线强度的比值。使用扣背景技术扣除由于韧致辐射等原因产生的连续背景，得到真实的信号强度。采用遗传算法结合洛伦兹线型函数对谱线轮廓进行拟合，能得到完整的谱峰轮廓，同时对有干扰的峰完成去干扰功能，因此可避免不同成分间及待测目标成分不同谱线间的交叉干扰影响。最后，在保证整个目标成分分析谱线轮廓完整的前提下，在分析谱线左右平均各取10个点，这21个点的强度值和峰值强度组成一个数据矩阵。

在网络输入层神经元数据的选取过程中，本发明研究发现用目标成分的多条灵敏线作为神经网络输入得到的定量分析模型的预测能力比采用单一谱线强度作为神经网络输入差，因此，本发明采用目标成分的单一谱线的21个数据点作为神经网络输入矩阵来进行定量分析。

2、取训练集样本被测成分标准浓度与参考成分浓度的比值作为最终的标准浓度。将通过步骤1得到训练集样本被测目标成分的有效光谱数据作为定量分析模型的输入，训练集样本的浓度比值矩阵作为标准输出，采用三层BP-ANN建立定量分析模型，包括输入层、输出层和隐层。隐层神经元数目的选取很重要，数目太少，网络结果过于简单，仿真精度差；数目太多，会产生过拟合，导致预测结果不精确。本发明从预测精确度来考虑，经初步的优化训练，最后确定隐层神经元数目。输入层与隐层、隐层与输出层之间的传递函数都采用logsig函数，训练/学习函数选用增加动量项且自适应调整学习率的函数。网络的初始权值和阈值通过GA来优化，得到一个最优化的初始个体。最后用ANN对训练集进行细化训练，得到最终的GA-BP-ANN网络模型。

将LIBS数据与BP-ANN结合建立模型，用上述求平均、强度归一化、扣背景、寻峰、去干扰、谱峰强度采样等程序处理过的训练集样本的被测目标成分的有效LIBS光谱数据作为定量分析模型的输入，用理化方法测得的训练集样本被测成分浓度与参考成分的浓度比值矩阵作为定量分析模型的标准输出。为了避免由于输入的大幅度变化而导致网络输出的不稳定性，将输入的有效光谱数据和输出的训练集样本被测成分标准浓度分别归一化在0到1的范围内。具体归一化处理如下式：

x^{'} = \frac{x - a}{b - a}

这里，x为原始数据，x′为归一化后的数据，a、b分别为x的最小值和最大值。据经验，隐层神经元数目在0.5m～3m的范围内，其中m为输入层神经元数目。本发明的输入层神经元数目为21，因此隐层神经元数目为：10～63。确定大致范围后，利用逐步增长法进行试算，开始用很少的隐层神经元数进行网络训练和验证，然后不断增加神经元数，并比较不同神经元个数下网络验证的平均相对误差值(MRE)。本专利中，选取的每个节点数分别测试了30次，最后分别取30次测试的MRE值进行比较，选择最小的MRE值对应的个数为最佳隐层神经元个数。

BP-ANN的初始权值和阈值通过GA进行全局搜索，保证其落入全局最优点的邻域，再利用BP-ANN进行精确求解以进一步减小误差，使其收敛于全局最优解或性能很好的近似最优解，提高网络的泛化能力。

3、用训练好的GA-BP-ANN对未知成分含量的预测集样本进行分析，将预测集样本光谱数据矩阵输入GA-BP-ANN网络模型进行分析预测，得到被测成分的浓度含量。

利用未知被测成分含量的预测集样本对训练好的GA-BP-ANN进行测试，将预测集样本光谱数据矩阵按训练集输入的归一化方案进行归一化并输入GA-BP-ANN定量分析模型，得到归一化的浓度值，对此浓度值进行反归一化，得到预测样本LIBS光谱数据矩阵对应的被测成分浓度。最后采用相关系数(R)和平均相对误差来评价预测的精确度及判断所建模型的效果。

在实际的LIBS技术在线检测中，待测样品目标成分浓度未知，如果用ANN方法定量检测，极有可能因为BP-ANN初始权值和阈值的不合适而造成所建定标模型效果不好、预测的精确度差等问题。因此，使用GA-BP-ANN，可以保证被测样品目标成分检测的可靠性，对于重金属等成分的高精确度定量分析有重要的现实意义。

附图说明

图1为神经网络原理及结构图

图2为GA-BP-ANN优化模型

图3为基于LIBS和GA-BP-ANN的成分定量分析流程图

图4为Ba元素LIBS光谱图

图5为GA-BP-ANN定量分析结果与标准浓度的比较图

具体实施方式

以下呈现的是本发明的一个应用实例，这里结合附图和实例对本发明作进一步解释，但本发明不限于此例。

本实例采用LIBS系统获取样本光谱数据，系统主要由调Q脉冲Nd:YAG激光器，光纤光谱仪，快速光电二极管，二维精密移动平台和计算机等组成。激光光源为退压式Nd:YAG调Q脉冲激光器，基频光波长1064nm，脉宽为10ns，光束直径为6mm，单脉冲激光能量在20-300mJ范围内可调。多通道快触发型小型光纤光谱仪(Avantes公司)由CCD探测器、小型光纤光栅、数字脉冲延迟发生器、信号采集系统和相关软件组成。线阵CCD探测器共有4096个像素组成。光谱仪的光谱范围为200nm～500nm，采样间隔为0.1nm。

本实例采用的样品是国家标准物质土壤样品GBW07406，GBW07419，GBW07421，GBW07429，以及用这些标准样品按一定比例配置而成共14个样品。将其中的9个样品划分为训练集，另外5个划分为预测集(#10，#11，#12，#13，#14)。将4g的土壤样品放入去离子水清洗过的塑料环中，用8.0吨/厘米²的压力制成直径约33mm，厚约2.5mm的圆片状样品，供实验使用。将土壤样品固定在二维精密移动平台上，保证了每次轰击时靶点的相对稳定，有利于光谱信号的稳定。对土壤样品连续轰击50次，将所得的数据送入电脑进行分析。

对采集到的原始光谱数据进行求平均、强度归一化、扣背景、寻峰、谱线拟合、谱峰强度采样等常规光谱处理获得有效光谱数据，以Ba元素为例，预处理后的光谱如图4所示。采用前面提到的网络结构，本实例对土壤中的元素Ba、Ni、Cr分别建立了定量分析模型，各样品中三种元素的含量如表1所示。取无谱线干扰的Ba II 455.40nm、Ni I 349.30nm、Cr I 425.43nm这三条谱线作为分析线，并利用Si I 478.30nm谱线对Ba和Cr的两条谱线强度进行归一化，用Si I302.16nm谱线对Ni谱线强度进行归一化。采用三层BP-ANN模型，输入层与隐层、隐层与输出层之间的传递函数都用logsig函数。在保证整个谱线轮廓完整的前提下，在训练集分析谱线左右平均各取10个采样点，这21个点的强度和峰值强度组成一个数据矩阵，将此数据矩阵和训练集样本被测成分标准浓度矩阵分别进行归一化，并作为ANN的21个神经元的输入矢量和标准输出，对网络进行训练。输出层神经元个数为1，输出结果即为所预测成分浓度。通过元素含量的预测精确度情况与隐层神经元的个数之间的关系，最终确定三个元素分别建立的分析模型的隐层神经元个数均为25。BP-ANN的初始权值和阈值通过GA算法进行优化。最大迭代次数取4000次，学习速率为0.01。GA算法的初始种群数取100，总进化代数取100，两条染色体上基因的交换概率是80％，变异概率是20％，得到优化的个体。将此优化个体作为ANN的初始参数再进行训练，训练结束时的网络模型即为最终分析模型。

采用经上述方法优化后的网络模型对预测集土壤样品中元素Ba、Ni、Cr进行定量检测，GA-BP-ANN方法预测得到Ba、Ni、Cr的浓度与标准浓度如图5所示，直线代表元素归一化后的标准浓度，三种符号分别表示三种元素的预测含量。为了进一步验证我们提出方法的有效性，采用内定标和ANN方法(与GA-BP-ANN方法具有相同的结构)分别对样品中三种元素的浓度进行检测，并将这两种方法得到的定量分析结果与GA-BP-ANN预测结果作了比较，如表2所示。表3是用三种方法检测预测集样品得到预测浓度与标准浓度值之间的平均相对误差和相关系数。从图5、表2和表3的结果表明GA-BP-ANN方法具有相对误差小、预测相关性比ANN方法和内定标方法好、定量分析可靠性强等优点。因此，GA-BP-ANN结合LIBS技术可对元素进行较好的定量检测。

理论上，训练集样品个数越多建立的定标模型分析能力越强。然而，近两年国外研究者的成果表明，在一定程度上较少的已知样品也能取得较好的结果。在本实例中，我们采用9个样品作为训练集样品，也取得了较为满意的预测结果。然而，若增加用于训练和预测的样品数目，往往能得到更加稳定可靠的定量分析模型。

我们提出了基于激光诱导击穿光谱和遗传神经网络的重金属定量检测技术。本发明采用GA算法对建模所用BP-ANN进行优化，提高了BP-ANN获得全局最优的初始个体的可能性，进一步确保了网络得到良好的预测结果。相比其它定量分析方法，本发明在LIBS技术在线检测中具有使用简单、快捷、定量化可靠性程度强等优点，有巨大的应用潜力。该技术在土壤、工业污水和废气、食品、化妆品等重金属含量实时检测中具有重要的应用价值，同时，本发明丰富了LIBS微量或痕量元素检测分析的方法，为LIBS定量检测技术实用化奠定了基础。

表1.Ba、Ni、Cr的浓度(μg.g^-1)

表2.GA-BP-ANN、BP-ANN和内定标方法的预测结果

表3.GA-BP-ANN、BP-ANN和内定标方法所建模型预测能力的比较

Claims

1.基于遗传神经网络的激光诱导击穿光谱定量分析方法，其特征在于包括以下步骤：

1)被测物的LIBS光谱数据的采集和预处理：经预处理后的有效光谱数据按样品分为训练集样本和预测集样本；

2)遗传神经网络的训练：训练集样本被测成分的有效光谱数据矩阵作为定量分析模型的输入；训练集样本被测成分的已知浓度矩阵作为标准输出；采用三层BP-ANN网络建立定量分析模型，包括输入层、输出层和隐层，BP-ANN网络的初始权值和阈值通过遗传算法进行优化，得到一个最优化的初始个体，作为BP-ANN网络的初始权值和阈值；再经BP-ANN细化训练，进行精确求解，当训练集样本被测成分的求解浓度和标准浓度的误差平方和达到预设的目标误差时，训练结束，得到GA-BP-ANN定量分析模型；

3)被测成分的定量分析：用训练好的GA-BP-ANN定量分析模型对未知被测成分含量的预测集样本进行分析，将预测集样本光谱数据矩阵输入GA-BP-ANN定量分析模型进行分析预测，得到被测成分的浓度含量。

2.根据权利要求1所述的光谱定量分析方法，其特征在于所述被测物的LIBS光谱数据预处理包括对原始光谱数据进行求平均、强度归一化、寻峰、扣背景、谱线去干扰拟合，形成完整的谱峰轮廓后，对谱峰强度进行采点并保存为一个数据矩阵，作为被测成分的有效光谱数据。

3.根据权利要求1所述的光谱定量分析方法，其特征在于所述遗传算法对BP-ANN网络的优化过程，其步骤为：

f (x) = 1 / Σ_{k = 1}^{q} {(y_{k} - t_{k})}^{2} - - - (1)

其中t是期望值，对应训练样本被测成分的真实含量，y是BP-ANN网络的输出值，对应预测含量，q是训练集样本数，c)判断步骤b)中获得的适应度函数值是否满足以下预设条件：该适应度函数值达到预设的目标适应度函数值，如满足，结束优化过程；

4.根据权利要求1所述的光谱定量分析方法，其特征在于所述训练集样本被测成分的有效光谱数据为被测成分的单一谱线的数据矩阵。

5.根据权利要求1所述的光谱定量分析方法，其特征在于所述输入的训练集样本被测成分的有效光谱数据和输出的训练集样本被测成分的已知浓度分别进行如下归一化处理：

x^{'} = \frac{x - a}{b - a} - - - (2)

6.根据权利要求5所述的光谱定量分析方法，其特征在于所述被测成分的定量分析过程中，将预测集样本光谱数据矩阵按公式(2)进行归一化后输入GA-BP ANN定量分析模型，得到归一化的浓度值，对此浓度值进行反归一化，得到被测物对应的被测成分浓度。