人工神经网络-荧光光谱法同时测定维生素B1,B2,B6

应用人工神经网络原理 ,以Levenberg MarquardtBP算法对荧光光谱严重重叠的维生素B1 ,B2 ,B6三组份混合体系同时进行了含量测定。在 390～ 5 2 0nm的范围内 ,以 15个特征波长处的荧光强度值作为网络特征参数 ,并通过均匀设计安排样本 ,经网络训练和计算得出维生素B1 ,B2 ,B6 三者的平均回收率分别为 99 86 % ,99 6 0 % ,99 4 9% ,测定结果的相对标准偏差各为 1 7% ,1 6 % ,1 7%。     

流动注射在线分离富集火焰原子吸收法快速顺序测定环境样品中六种元素

本文采用双柱富集的在线分离富集系统与 2 2 0FS顺序多元素原子吸收分光光度计联用 ,以PT C18色谱预处理柱为预富集柱 ,二乙基二硫代氨基甲酸钠 (DDTC)和吡咯啶二硫代氨基甲酸铵 (APDC)混合物为螯合剂 ,甲醇为洗脱剂 ,首次实现了Cu ,Pb,Cd ,Co ,Ni,Mn六种元素的快速同时测定。富集倍数为 10 2～ 2 1 7之间。34s富集 (4 4 0mL)的检出限分别为Cu 2 91,Pb 5 81,Cd 0 35 ,Co 3 6 1,Ni4 0 5和Mn 1 94 μg·L-1,相对标准偏差分别为Cu 2 6 4 % ,Pb 2 93% ,Cd 2 5 9% ,Co 2 5 7% ,Ni 2 78%和Mn 3 6 8%。该方法操作简便、快速 ,用于环境样品中痕量元素的测定 ,得到了满意的结果。     

乘子罚函数分光光度法同时测定复方阿斯匹林片中的三组分含量

用乘子罚函数法处理多波长分光光度数据同时测定复方阿斯匹林片中三组分的含量,模拟样品中阿斯匹林、非那西丁、咖啡因的平均回收率分别为100．4％、99．78％、100．6％,相对标准偏差分别为0．45％、0．56％、1．17％。对4个批号实际样品中的测定结果与标准方法的测定结果吻合。     

迭代目标因子分析-紫外分光光度法测定克感敏片三组分

本文应用迭代目标因子分析－紫外分光光度法不经分离同时测定克感敏 片中非那西丁、氨基比林、咖啡因三组分含量,其回收率和相对标准偏差分别为100．4％,0．83％,99．2％,0．77％,99．4％,0．69％。     

离子交换树脂-固相萃取富集-电感耦合等离子体光谱法测定水中重金属元素

建立了离子交换树脂-固相萃取富集-电感耦合等离子体光谱(ICP-AES)联用测定水中的重金属元素Zn,Mn,Cu,Co,Ni,Cd,Pb的方法。实验采用Dowex50WX8强酸型阳离子交换树脂,通过优化富集分离条件和排除共存离子的干扰,最终确定最佳的样品pH,样品流速,洗脱液种类和浓度,样品体积分别为3.0~4.0,3.0 mL·min-1,3.0 mol·L-1 HNO₃,200 mL。方法中各元素的检出限和定量限范围分别为0.09~0.45和0.31~1.50 μg·L-1,加标回收率和相对标准偏差RSD(n=6)分别为95.3%～104.2%和1.25%～4.12%。采用该方法测定不同地区的样品,并与直接采用ICP-MS法进行对比,其测定结果基本吻合。实验表明该方法的检出限,定量限可以满足水中重金属元素Zn,Mn,Cu,Co,Ni,Cd,Pb的检测要求,准确性和精密度好,结果可靠,适用于测定水中Zn,Mn,Cu,Co,Ni,Cd,Pb。     

荧光光谱-人工神经网络法同时测定注射液中色氨酸和酪氨酸

本文用人工神经网络法中的误差反传学习算法对色氨酸、酪氨酸混合体系的荧光光谱进行解析,提出了同时测定这两种氨基酸的计算分析方法。以pH=7.15的KH_2PO_4-K_2HPO_4的缓冲溶液为介质,用224nm为激发波长,在290～400nm的范围内,以14个特征波长处的荧光强度值作为网络特征参数,进行网络训练。网络训练了12次即达到误差精度要求(误差平方和小于0.1)。以同样方法对复合氨基酸注射液进行测定,通过训练好的网络进行色氨酸、酪氨酸含量的计算,相对误差分别为4.0％和2.6％。实验表明,该方法与现有的算法相比具有训练速度快、预测结果准确度高等特点。该方法与荧光法结合有望成为多组分分析的有效方法之一。     

可变误差多面体分光光度法同时测定联磺甲氯苄啶片三组分的含量

以可变误差多面体法处理多波长分光光度数据同量测定联磺甲氧苄啶片中三组分的含量，模拟样品中磺胺甲Wu唑、磺胺嘧啶、甲氧苄啶的的回收率分别为98．89％－101．36％、98．18％－100．98．86％－101．75％相对标准偏差为0．81％、0．23％、0．94％。对3个批号实际样品的测定结果与药典方法的测定结果吻合。     

ICP-AES测定金属钯中的杂质

建立了电感耦合等离子体发射光谱(ICP-AES)，同时测定金属钯中Ag、Al、As、Au、Bi、Ca、Co、Cr、Cu、Fe、Ir、Mg、Mn、Mo、Ni、Pb、Pt、Rh、Ru、Sb、Si、Sn、Ti、Zn等杂质含量的方法。方法简便、快速、准确。各杂质的测定精密度在0．25％-3．0％之间，检出限在0．020-0．062(μg／g)之间，回收率在85％～100％之间。     

人工神经网络用于荧光分析法同时测定苯酚和间苯二酚的含量

本文应用人工神经网络原理，以Levenberg-Marquardt BP算法对荧光光谱严重重叠的苯酚、间苯二酚的混合体系进行同时测定，在290－345nm的范围内，以14个特征波长处的荧光强度值作为网络特征参数，并通过均匀设计安排样本进行网络训练和计算，网络训练8次即达到误差精度要求（误差平方和小于0.01）。苯酚、间苯二酚的平均回收率分别为100.2%，９９.99%，相对标准偏差分别为０.４％，１.3％。     

ICP-AES测定饮用水源中的Cu、Mn、Pb、Cd、Zn

用ICP－AES法同时测定饮用水源中的Cu、Mn、Pb、Cd、Zn等重金属元素，具有基体效应小、测量范围宽等优点。检出限为0．2－4．0μg/L，回收率为91．5％－103．9％，相对标准偏差为0．29％－1．5％，测定密码样与实际样品，结果令人满意。     

人工神经网络用于紫外光谱同时测定Zn、Cu、Co含量的研究

本文采用ＰＡＲ－Ｚｎ、Ｃｕ、Ｃｏ显色体系,应用人工神经网络原理,通过误差反向传播方法,对于紫外吸收重叠的三组分金属配合物体系同时进行含量测定。在５８０￣４４０ｎｍ的范围内,以１４个特定波长处的吸收值作为网络特征参数,并通过均匀设计安排样本。Ｚｎ、Ｃｕ、Ｃｏ三者的平均回收率分别为９５．２２％、９５．９８％、１００．５％。实验表明,其结果准确,性能良好。     

分光光度法结合人工神经网络同时测定铜、镉和镍

利用人工神经网络结合分光光度法用于二甲酚橙(XO)-CTMAB-Cu、Cd、Ni显色体系同时测定Cu()、Cd()和Ni(),方法简单,结果满意,其三者的平均回收率分别为99.62%、99.93%、100.24%。     

人工神经网络用于光度法同时测定三组分染料混合物

应用人工神经网络原理,以快速BP算法,对紫外可见吸收光谱严重重叠的三组分的染料溶液同时进行含量测定。在200～590nm的范围内,以7个特征波长处的吸收值作为网络特征参数,通过网络训练,复品红、结晶紫、藏红T的相对标准偏差分别为0.34％,0.67％,1.03％,三者的回收率在95.5％～104％之间。实验表明,该算法速度快,预测结果准确,可望用人工神经网络和光度法结合定量测定混合染料。     

微波消解-双波长等吸收分光光度法同时测定催化剂中钴和镍

采用微波消解技术消解催化剂样品 ,确定了微波消解催化剂的最佳工作条件 ,应用双波长等吸收方法解决了PAR Co2 + 、Ni2 + 体系中Co2 + 、Ni2 + 同时测定问题。二者结合可以快速、准确测定催化剂中钴和镍 ,并且样品损失少、酸用量少、大大降低环境污染。钴和镍的线性范围分别为 0～ 30 μg·2 5mL-1和 0～ 2 5 μg·2 5mL-1,标准合成样品的回收率分别在 98 2 %～ 10 3 6 %和 97 9%～ 10 3 7%之间。催化剂测定结果表明 ;钴和镍的相对标准偏差分别≤ 2 2 %和≤ 1 8% ;相对误差均≤± 2 5 %。     

人工神经网络结合近红外光谱用于木材树种识别

测量了不同产地及品种的89个木材样品的近红外光谱,并分别使用反向传播人工神经网络(back propagation artificial neural networks,BPANN)与广义回归神经网络(generalized regression neural network,GRNN)建立了NIRS树种识别模型。通过方差分析分别选择两种神经网络所用参数,并采用最优参数进行网络训练。考虑到样品光谱的差异,对含不同水平白噪声与不同水平偏置的光谱进行模拟,并使用建立的模型对模拟光谱进行预测。发现两种神经网络模型均有较好的预测结果,其中BPANN模型,对含偏置水平不高于2％、噪声水平不高于4％的模拟光谱识别正确率在97％以上;GRNN模型,对含偏置水平不高于2％、噪声水平不高于4％的模拟光谱识别正确率在99％以上。     

基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。选用七种常见的塑料作为实验样品,获得每种样品的170组LIBS光谱数据,利用主成分分析获得前五个主成分的得分矩阵。用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集,建立反向传播(BP)人工神经网络模型。将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别,其识别准确度达到97.5%。实验结果表明,通过采用主成分分析与BP人工神经网络相结合的方法,可以很好地进行塑料激光诱导击穿光谱的分类识别,对塑料的回收利用有重要价值。     

神经网络模型在LED便携式近红外整粒小麦成分测量仪上的建立

采用三层反向传播人工神经网络,在LED便携式近红外整粒小麦成分测量仪上,建立了测定整粒小麦中粗蛋白含量的定量分析模型。给出了LED便携式近红外整粒小麦成分测量仪的结构框图、光路结构图及所采集的整粒小麦样品光谱图。简介了人工神经网络的原理并给出了建模的结果。用人工神经网络建立模型,得到校准集和预测集的相关系数分别为0.90和0.96,相对标准偏差分别为3.77%和4.46%。在所使用的有限个分立波长的测定仪上,由于仪器光路、电路及整粒样品状态的影响,存在着一定的非线性。采用人工神经网络建立的模型,其结果优于线性模型的结果。