3、干扰识别方法：峰位查表法、半高宽分析、峰形拟合、导数光谱法、机器学习辅助识别

能谱干扰这事儿，说白了就是两个元素“撞车”了。你明明看到个峰，但分不清它是A元素还是B元素，或者干脆是A和B叠在一起。我做了十几年能谱分析，最头疼的就是这个。今天咱们就把几种常用的干扰识别方法捋一遍。

3.1 峰位查表法——最基础，也最实用

这个方法其实很简单。每个元素都有自己特征的能量峰位，就像人的指纹一样。你拿到一个谱图，先看看峰顶在哪个能量位置，然后去查标准表。

我个人习惯用NIST的数据库，或者仪器自带的元素库。举个例子：

我在项目中遇到过一回，测一个含钡和钛的样品，峰位就差那么一点点。当时我盯着屏幕看了半天，最后用查表法确认了是Ba Lα和Ti Kα的干扰。嗯，这里要注意，查表法只能做初步判断，遇到能量差小于0.1 keV的情况，就得用别的方法了。

3.2 半高宽分析——看峰的形状就知道有没有问题

半高宽（FWHM）是个好东西。正常情况下，一个纯净的峰，它的半高宽应该在某个范围内。比如硅漂移探测器（SDD）的典型半高宽在125-135 eV左右（Mn Kα）。

如果你发现某个峰的半高宽明显偏大，比如到了160 eV以上，那十有八九是多个峰叠在一起了。为什么会这样？因为两个峰靠得太近，它们的“肩膀”会互相撑起来，导致整个峰变胖。

不过要注意，半高宽也会受计数率影响。计数太低的时候，峰形会变差，半高宽也会虚高。所以别一看到半高宽大就急着下结论，先看看计数够不够。

3.3 峰形拟合——把叠在一起的峰“拆开”

这是最常用的定量方法。说白了，就是用数学函数去模拟每个峰的形状，然后把它们叠加起来，跟实测谱图做对比。

常用的峰形函数有高斯函数、洛伦兹函数，或者两者的混合。我一般用高斯-洛伦兹混合函数，拟合效果最好。

给你看个简单的Python代码示例：

import numpy as np
from scipy.optimize import curve_fit

def gaussian(x, amp, mu, sigma):
    return amp * np.exp(-(x - mu)**2 / (2 * sigma**2))

# 假设有两个峰叠加
def double_peak(x, a1, m1, s1, a2, m2, s2):
    return gaussian(x, a1, m1, s1) + gaussian(x, a2, m2, s2)

# 拟合数据
popt, pcov = curve_fit(double_peak, energy, counts, p0=[100, 6.4, 0.05, 80, 6.49, 0.05])

拟合完之后，你会得到每个峰的参数。如果拟合残差（实测值减拟合值）在峰位附近有明显的正负波动，那就说明拟合得不好，可能还有别的干扰没考虑到。

3.4 导数光谱法——让隐藏的峰“现形”

这个方法可能有些人不太熟，但我个人觉得它特别适合做定性分析。原理很简单：对谱图求一阶导数或二阶导数。

一阶导数的零点对应峰顶位置。如果两个峰靠得很近，一阶导数会出现两个零点，而原始谱图可能只有一个峰顶。二阶导数就更敏感了，它能放大峰形的细微变化。

举个例子：

• 一阶导数：零点位置就是峰位。如果零点附近有“肩膀”，说明有干扰。
• 二阶导数：负峰对应原始峰位。两个靠得很近的峰，在二阶导数上会显示为两个负峰。

我建议你在软件里把导数谱和原始谱叠在一起看。这样既能保留原始信息，又能看到隐藏的细节。

3.5 机器学习辅助识别——新工具，但别迷信

这几年机器学习在能谱分析里越来越火。说白了，就是训练一个模型，让它学会识别干扰模式。

常用的方法有：

• 支持向量机（SVM）：适合小样本，分类效果不错。
• 卷积神经网络（CNN）：适合处理谱图这种一维信号，能自动提取特征。
• 随机森林：可解释性好，能告诉你哪些能量通道对分类最重要。

我试过用CNN识别Fe Kα和Mn Kβ的干扰。训练了5000个谱图，准确率能到98%以上。但说实话，这东西有个问题——它只能识别它见过的干扰模式。你换个新样品，它可能就懵了。

3.6 知识体系总览

下面这张图把五种方法的关系和适用场景梳理了一下。你可以把它当作一个决策流程图：

这五种方法各有各的用处。我个人习惯是先用峰位查表法和半高宽分析做快速筛查，遇到可疑的再用峰形拟合和导数光谱法深入分析。机器学习嘛，我一般用在批量处理上，比如一天要分析几百个谱图的时候。

记住一点：没有万能的方法。干扰识别这事儿，经验很重要。你做得多了，看一眼谱图就能大概知道有没有问题。但新手也别急，先把这五种方法练熟了，慢慢就有感觉了。

---

公众号:蓝海资料掘金营，微信deep3321