人工神经网络分类鉴别苦丁茶红外光谱

为了分类鉴别苦丁茶,采用竞争神经网络(CNN)和反向传播人工神经网络(BP网络)两种模式的人工神经网络(ANN)分别分析了各种苦丁茶的红外谱图.作者采用25个样本作训练集,11个样本作检验集,用两种网络进行了训练.结果表明,CNN网络和BP网络均能够有效地实现苦丁茶产地的鉴别,但CNN网络能够进一步地区分苦丁茶的级别.实验表明,CNN速度快,预测结果准确,可望用竞争神经网络(CNN)和红外光谱法结合分类鉴别苦丁茶.     

人工神经网络-近红外光谱法用于粉末药品扑热息痛的非破坏定量分析

研究了应用人工神经网络进行粉末药品的非破坏定量分析,使用扑热息痛粉末药品的近红外漫反射光谱数据建立人工神经网络模型,预测未知样品,讨论了影响网络的各参数,采用逼近度作为网络新的评价标准,由于人工神经网络好的非线性的多变量校正特点,预测结果是准确的。     

近红外光谱法在中药生产过程分析中的应用

应用近红外光谱结合不同化学计量学方法对同仁乌鸡白凤丸原料、辅料、半成品、制剂进行定性和定量分析.建立原料药材的近红外标准光谱库, 利用质量控制(QC) 比较检索方法鉴别未知样品.采用主成分分析-马式距离法鉴别乌鸡.建立半成品标准光谱库, 用相似度匹配算法筛查阴性(缺味)半成品.采用偏最小二乘法对主要原辅料、半成品和制剂进行了定量分析.采用近红外混合过程分析仪结合移动块标准偏差法在线判断同仁乌鸡白凤丸半成品混合终点.所建立的定性分析模型能够对样品做出准确的分类;定量分析方法结果准确可靠.方法准确、可靠、快速、简便、环保, 可通过在线或旁线方式用于工业现场的原位检测.     

主成分提取在遥感FTIR谱图解析中的应用

建立了基于人工神经网络(ANN)的遥感FTIR谱图解析方法.针对人工神经网络(ANN)训练时间过长和模型"过拟合"的问题,采用偏最小二乘法(PLS)和主成分分析法(PCA),对输入ANN的光谱数据进行了主成分提取,使ANN分析时间从30多分钟缩短为10多秒钟;模型传递技术的引入,克服了遥感FTIR谱图分析中反复建模问题.经过优化的方法,实现了用EPA数据建模,对大气中的四组分混合体系--丙酮、苯、三氯甲烷和甲醇的遥感、实时、准确测定,PLS-ANN模型得到的结果最好,对丙酮、苯、三氯甲烷和甲醇的预测误差分别为0.043,0.031,0.034,0.051,保证了遥感FTIR对大气中有毒气体混合物实时、准确、快速监测.     

不均匀场下基于分子间双量子相干核磁共振技术的果肉检测

核磁共振（NMR）谱图可在不破坏生物样品的状态下提供组织成分组成及其含量的信息，已被广泛应用于生物、医学和食品检测等领域.NMR谱图分辨率越高，提供的与组织成分相关的信息越丰富、越准确，也越有利于未知成分的定性和定量分析.传统的高分辨NMR谱图通常要在均匀磁场下采集.但在实际应用中，均匀的磁场较难获得.这就使得我们采集的NMR谱图的分辨率，以及由此获得的生物组织成分组成和含量等信息的准确性受到影响.源于远程偶极相互作用的分子间双量子相干（iDQC）技术对磁场均匀度不敏感，可在不均匀场下获得高分辨率NMR谱图.本文采用基于iDQC技术的IDEAL-Ⅱ序列对甲基丙烯酸丁酯、蕃茄和西瓜三种样品进行了NMR实验，结果证明基于iDQC技术在不均匀场下获得水果的高分辨NMR谱图是可行的，这对食品科学以及食品检测具有积极的意义.     

茶叶定性和定量近红外光谱分析方法研究

分别采集了茉莉花茶、苦丁茶、龙井和铁观音4个种类茶叶共120个样本,利用NIRSystems6500型近红外光谱分析仪对样本进行光谱测量,应用近红外光谱分析技术对茶叶进行定性和定量分析.采用主成分分析法,结合聚类分析法,对4种类别的茶叶进行定性鉴别,通过对不同光谱数据预处理方式和不确定因子系数进行比较,确立了最优定性判别定标模型.同时,采用修正的偏最小二乘法,比较不同光谱预处理方法对定标模型的影响,建立了茶叶中水分、茶多酚和咖啡碱含量的定量分析模型,并对未知样本进行预测.定性分析模型的种类识别准确率达到100%,定量分析模犁的决定系数均大于0.91,相对分析误差RPD均大于3.结果表明,利用NIRS分析技术可以快速定性和定量分析鉴别茶叶的类别和成分含量.     

基于非均匀B样条曲线的红外数据的精确拟合及校正

红外谱图数据的精确拟合是建立标准谱图的重要组成部分,是光谱仪器正确进行定性和定量分析的基础.文章采用非均匀B样条对红外谱图数据进行曲线拟合,通过采用基于最大范数距离的B样条拟合算法,不仅解决了大容量红外谱图的精确拟合问题,同时对谱图峰值精确定位也提供了方便.文章介绍了非均匀B样条曲线,以及二阶(三阶)非均匀B样条曲线拟合的实现,重点描述了红外谱图数据拟合精度的控制方法.     

采用盲信号分离算法处理GC-FTIR信号

针对气相色谱-红外(GC-FTIR)联用的多维数据处理,提出基于盲信号分离的色谱重叠峰分离和红外吸收谱图纯化的定性定量分析方法.优点在于充分利用联用仪器提供的大量信息,解决红外和色谱分析中有机混合物无法完全分离的难题.该方法对二甲苯的同分异构体系进行了研究,验证了理论和算法的合理性,对独立分量分析的数据进行了完整的解释,讨论了针对定量分析产生误差的原因.     

利用近红外光谱鉴别纺织用竹纤维和麻纤维

利用近红外光谱技术对竹原纤维、竹粘胶纤维和苎麻纤维进行了快速定性鉴别研究.首先扫描3种纤维的近红外光谱,利用化学计量学分析软件,对谱图进行一阶导数预处理,建立不同纤维的光谱数据库,并分别建立竹原纤维、竹粘胶纤维和苎麻纤维的判别模型.利用判别模型,对未知样品进行判别.结果表明,近红外光谱可以在不破坏样品的情况下,可以快速鉴别竹原纤维、竹粘胶纤维和苎麻纤维.     

三维荧光光谱结合Tchebichef矩快速鉴别掺伪芝麻油

应用FS920荧光光谱仪测定样品的三维荧光光谱数据，直接利用Tchebichef矩提取三维光谱灰度图的特征信息，然后对其进行聚类分析，最后通过逐步回归建立样本中各成分的线性模型。聚类分析能够准确识别掺伪芝麻油，并正确解析其组成成分，得到的线性模型相关系数R>0.99。研究表明，Tchebichef矩能够有效提取光谱的特征信息，应用于掺伪芝麻油鉴别可获得良好的定性和定量分析结果。     

人工神经元网络在光谱识别中的应用

本文利用人工神经网络原理设计了一神经元网络,进行了光谱识别实验,当训练光谱与待识别光谱具有相同的定标情形下,网络具有较高的识别率,可以实用。     

The application of artificial neural networks to the inversion of the positron lifetime spectrum

A new method of processing positron annihilation lifetime spectra is proposed.It is based on an artificial neural network(ANN)-back propagation network(BPN).By using data from simulated positron lifetime spectra which are generated by a simulation program and tested by other analysis programs,the BPN can be trained to extract lifetime and intensity from a positron annihilation lifetime spectrum as an input.In principle,the method has the potential to unfold an unknown number of lifetimes and their intensities from a measured spectrum.So far,only a proof-of-principle type preliminary investigation was made by unfolding three or four discrete lifetimes.The present study aims to design the network.Besides,the performance of this method requires both the accurate design of the BPN structure and a long training time.In addition,the performance of the method in practical applications is dependent on the quality of the simulation model.However,the chances of satisfying the above criteria appear to be high.When appropriately developed,a trained network could be a very efficient alternative to the existing methods,with a very short identification time.We have used the artificial neural network codes to analyze data such as the positron lifetime spectra for single crystal materials and monocrystalline silicon.Some meaningful results are obtained.     

人工神经网络法鉴别红外光谱

本文将反向传播人工神经网络（ＢＰ－ＡＮＮ）用于ＦＴＩＲ,鉴别未知化合物。结果表明,当训练集样本不含噪声时,纯光谱的预测结果很好。而当训练集样本有少量噪声干扰时,预测结果随预测集样本的不同,而得到不同的改善。     

The criteria for selecting a method for unfolding neutron spectra based on the information entropy theory

To further expand the application of an artificial neural network in the field of neutron spectrometry, the criteria for choosing between an artificial neural network and the maximum entropy method for the purpose of unfolding neutron spectra was presented. The counts of the Bonner spheres for IAEA neutron spectra were used as a database, and the artificial neural network and the maximum entropy method were used to unfold neutron spectra; the mean squares of the spectra were defined as the differences between the desired and unfolded spectra. After the information entropy of each spectrum was calculated using information entropy theory, the relationship between the mean squares of the spectra and the information entropy was acquired. Useful information from the information entropy guided the selection of unfolding methods. Due to the importance of the information entropy, the method for predicting the information entropy using the Bonner spheres' counts was established. The criteria based on the information entropy theory can be used to choose between the artificial neural network and the maximum entropy method unfolding methods. The application of an artificial neural network to unfold neutron spectra was expanded.     

基于光谱和神经网络模型的作物与杂草识别方法研究

利用光谱技术来识别作物与杂草是精细农业中一个非常重要的研究内容,但光谱数据中含有大量冗余数据,如何预处理以及建立识别模型,是决定识别准确率的关键。利用在325~1 075 nm波段的光谱识别了三种杂草(牛筋草、凹头苋、空心莲子草)与大豆幼苗。在幼苗生长的第三周与第六周分别采集杂草与作物的光谱,共378个样本。用其中的250个光谱样本,包括第一期和第二期采集的光谱样本,在采用db12小波经过三层分解后,将其小波系数作为输入数据建模,构造了一个径向基函数神经网络。然后,利用余下的光谱样本检验该模型的识别能力。结果表明,该模型对作物与杂草光谱具有极强的识别能力,只有3个第二期的牛筋草样本被判断为空心莲子草,其余的样本全部正确识别。这个结果表明,采用可见/近红外光谱识别大豆幼苗与三种伴随生长的杂草是可行的,同时也说明,随着作物的生长阶段的不同,其光谱的变化不会影响到种类识别。     

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(backpropagation 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。     

人工神经网络用于有机环境污染物紫外光谱库检索

本文将人工神经网络（ＡＮＮ）用于有机环境污染物紫外光谱库检索。对该神经网络的参数优化作了讨论。并用ＡＮＮ对噪声、杂质等因素的影响作了详细的考察。为了提高紫外光谱的分辨，本文提出用导数光谱作ＡＮＮ训练和检索，使网络的收敛速度明显加快，对检验光谱中杂质的容允程度明显增加。本文还将ＡＮＮ与传统的相关系数法作了比较。结果表明，ＡＮＮ法在抗噪声和杂质等方面明显优于相关系数法。     

人工神经网络用于有机环境污染紫外光谱库检索

本文将人工神经网络（ＡＮＮ）用于有机环境污染物紫外光谱库检索。对该神经网络的参数优化作了讨论。并用ＡＮＮ对噪声、杂质等因素的影响作了详细的考察。为了提高紫外光谱的分辨，本文提出用光谱作ＡＮＮ训练和检索，使网络的收敛速度明显加快，对检验光谱中杂质的容允程度明显增加。本文还将ＡＮＮ与传统的相关系数法作了比较。结果表明，ＡＮＮ法在抗噪声和杂质等方面明显优于相关系数法。