应用化学计量学技术研究同时定量分析重叠光谱

在八种化学计量学除噪技术比较研究的基础上,研制了小波包变换Elman回归神经网络方法(WPERNN)用于研究重叠光谱的同时定量测定。结合小波包变换和Elman回归神经网络改进除噪质量及回归能力。通过最佳化,选择了小波函数、小波包分解水平和Elman回归神经网络(ERNN)的结构及参数。两个程序PWPERNN和PERNN被设计执行WPERNN和ERNN方法计算。七种化学计量学方法用于比较研究。实验结果显示WPERNN方法是成功的且优于其他六种方法。     

紫外分光光度法同时测定色氨酸和酪氨酸

以0.1mol/L NaOH为溶媒,18种组成蛋白氨基酸在280-310nm波长仅色氨酸和酪氨酸有吸收峰.利用这一特性,提出了色氨酸和酪氨酸混合体系的紫外光谱的测定方法,同时用偏最小二乘法(PLS)和多元线性回归法(MLR)等化学计量学方法对光谱数据直接进行解析,结果都较为满意.本法已用于复方氨基酸注射液的测定,结果也...     

双波长线性回归光度法同时测定苯酚和间苯二酚

对吸收峰严重重叠的苯酚和间苯二酚二组分体系同时测定进行了研究。在波长250～290 nm范围内,每隔0.5 nm测定苯酚和间苯二酚二组分体系的吸光度,选择280.5,273.5 nm作为测量波长,建立了双波长线性回归法测定二组分。按正交设计表L₂₅(56)配置25组标准混合溶液,对苯酚和间苯二酚二组分进行线性回归;同时测定了模拟混合样的苯酚和间苯二酚二组分含量。测量结果表明,苯酚和间苯二酚二组分在模拟混合样和模拟复方雷锁辛涂剂处方配比中,分析结果相对误差小于5%。双波长线性回归法测定苯酚和间苯二酚二组分,测量体系稳定,结果可靠,提供了一种新的测量途径。     

小波包变换广义回归神经网络同时分辨三种有机化合物的重叠光谱

文章结合两种化学计量学技术,研制了一种小波包变换广义回归神经网络(WPTGRNN)方法,对光谱严重重叠的三种有机化合物进行同时测定.该法结合小波包变换(WPT)和广义回归神经网络(GRNN)改进了除噪质量和预测能力.通过最佳化,选择了小波函数、小波包分解水平及GRNN的平滑因子.偏最小二乘(PLS)法用于比较研究,编制了三个程序(PWPTGRNN,PGRNN和PPLS)进行相关计算.结果表明,WPTGRNN法是成功的且优于GRNN及PLS方法,与GRNN方法比较所有组分质量浓度的预测值与实际值的相对预测标准误差由4.0%降低为2.3%.     

离散小波变换-独立成分回归稳键模型的研究

在波长200-400nm范围内,研究苯酚、苯胺和苯甲酸的光谱行为.采用离散小波变换(DWT)对光谱数据进行处理,独立成分回归(ICR)方法建模,建立了离散小波变换-独立成分回归(DWT-ICR)稳健模型.方法用于模拟样品中苯酚、苯胺和苯甲酸的测定,结果满意.     

多元校正一紫外分光光度法同时测定苯酚和间苯二酚

实验表明苯酚和间苯二酚分别在4-80μg/mL和4-80μg/mL范围内遵守朗伯-比耳定律,并且两者的吸光度具有较好的加和性,但二者在250-285nm范围内产生严重的相互干扰.本文利用多元校正中的偏最小二乘法对光谱严重重叠的苯酚和间苯二酚的混合物进行了同时测定,实现了不经分离同时测定混合试样中的苯酚和间苯二酚,并利用该方法测定了复方雷琐辛涂剂模拟试样,试验结果满意,这表明对于复杂的多组分测量体系,偏最小二乘法是一种较好的多元校正方法.     

BiPLS结合GA优选可见/近红外光谱MLR变量

利用反向区间偏最小二乘法(BiPLS)定位光谱糖度若干信息区间,运用遗传算法(GA)从中选择波长点,建立了多元线性回归(MLR)模型。光谱进行卷积平滑和二阶导数处理后,将光谱(225个数据点)分割成25个子区间时,BiPLS优化结果最优。在所定位的信息区间进行GA二次选择特征变量,运行100次依次选择入选频率较高的12个波长点。为简化MLR模型,对于入选的相邻波长选择频率较高者,最后选择 638,734,752,868,910,916和938 nm作为回归变量,建立的MLR预测模型相关系数(R2)、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.984,0.364和0.471,优于常用的逐步多元线性回归的建模结果。表明BiPLS结合GA可以有效地对李子糖度可见/近红外光谱MLR回归变量进行筛选,提高了模型的精度。     

基于高光谱成像技术的番茄叶片灰霉病早期检测研究

提出了独立软模式法(SIMCA)的番茄叶片灰霉病特征波段图像的提取,并通过多元线性回归法(MLR)提取波段融合图像,通过最小距离法获取番茄灰霉病患病信息的技术路线。利用680～740 nm波段的方差图像和建模能力参数提取的特征波段,并作为输入变量进行MLR分析,在0.5准确率阈值下,准确率均大于99%,说明特征波段可以实现番茄叶片灰霉病的检测,并利用MLR回归系数提取波段融合图像,通过最小距离法获取番茄灰霉病患病信息,结果表明所提出的方法具有很好的预测能力,为番茄灰霉病的早期检测提供了一种新方法,且大大降低了高光谱图像的数据处理时间。     

多维标度线性回归技术应用于人体血清临床指标的FTIR光谱定量分析

人体血清临床指标是衡量人体健康和亚健康水平的重要因素之一,采用傅里叶红外(FTIR)光谱技术实现人体血清临床指标的多成分快速同时检测。提出利用多维标度法(MDS)对光谱变量进行降维,结合多元线性回归(MLR)技术,建立多维标度线性回归(MDS-MLR)模型,为血清四种临床生化指标(葡萄糖、低密度脂蛋白胆固醇、甘油三酯、尿素)的定量分析优选光谱信息波长点,优化定标预测模型,结合移动平均法(MA)进行光谱预处理,得到良好的建模效果。通过检验集样品进行验证,检验相关系数均在0.9以上。结果表明,MDS-MLR方法具有人体血清临床指标FTIR光谱分析的应用潜力。FTIR技术结合MDS-MLR定量分析方法可以实现对人体健康和亚健康水平的快速评定。     

导数光谱在二维联用数据解析中的应用

利用导数光谱能增大组分的光谱差异，从而提高二维联用数据解析的分辨率，通过将二维数据对波长求导，以解析光谱相近的同系物体系。并将其应用于实际的间硝基苯酚与邻硝基苯酚二组分体系的解析．获得了令人满意的结果，光谱重合性好，证实该法可行。     

Integrating Independent Component Analysis with Artificial Neural Network to Analyze Overlapping Fluorescence Spectra of Organic Pollutants

Independent component analysis (ICA) combined with Elman recurrent neural network (ERNN) regression as a hybrid approach named ICA-ERNN was proposed for the simultaneous spectrofluorimetric determination of organic pollutants. Fluorescence spectra of these compounds under study are strongly overlapped, which does not permit direct determination without prior separation by conventional spectrofluorimetry. ICA is a blind source separation (BSS) method aiming at extracting independent source variables and their corresponding concentration profiles from the observed fluorescence spectra of chemical mixtures without using any prior knowledge about the components. The proposed method combining the idea of ICA denoising with ERNN calibration provides the ability for enhancing the extraction of characteristic information and the noise removal as well as the quality of regression. The relative standard errors of prediction (RSEP) obtained for all components using ICA-ERNN, ERNN and partial least squares (PLS) were compared. Experimental results demonstrated that the ICA-ERNN method had better result than ERNN and PLS methods and was successful even when there was severe overlap of fluorescence spectra.     

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。     

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。     

Kohonen网络与BP网络用于钨和钼的同时测定

Kohonen与BP人工神经网络结合用于解析钨和钼的吸收光谱,讨论了Kohonen网络输出层的拓扑结构,并利用确定的结构对钨和钼的重叠光谱进行波长选择,在全光谱中选择最能代表光谱特征的不同类波长。所选波长处的吸光度作为三层BP-ANN网络的输入集,分光光度法同时测定了钨和钼。利用Kohonen网络选择全谱特征波长,优化了BP-ANN的输入层。与常规的波长选择方法进行比较,分析结果表明, 经K-ANN方法进行波长选择后,提高了BP-ANN的预测能力。确立了Kohonen网络作为选择最优波长集的一种工具。     

EMD与神经网络在气液两相流流型识别中的应用

本文提出了EMD与Elman神经网络相结合的气液两相流流型识别的新方法.将压差波动信号经验模态分解(EMD)后的固有模态函数(IMF)进行分析、提取IMF能量作为Elman神经网络的输入特征向量,对水平管内的气液两相流流型进行识别.实验结果表明:该方法优于BP网络且稳定、识别率高,具有可行性.     

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％。     

人工神经网络用于光度法同时测定铜钴镍

本文采用PAR－Cu,Co,Ni显色体系,应用人工神经网络原理,以Levenberg-MarguardtBP算法,对紫外吸收光谱严重重叠的三组分金属配合物体系进行含量测定。在452－552nm的范围内,以14个特征波长处的吸收值作为网络特征参数,并通过正交设计安排样本。网络仅训练781次即可达到要求,Cu,Co,Ni三者的平均回收率分别为99．99％,99．97％,测定结果的相对标准偏差分别为0．1％,0．2％,0．1％。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。该方法和光度法结合有望成为多组分分析的有效方法之一。     

人工神经网络对VOCs的自动识别

利用人工神经网络(ANN)对严重混叠的傅里叶变换红外光谱图进行了定性和定量解析。通过大量模拟数据训练神经网络后,引用了新的评价标准——逼近度来选择最优网络模型。利用此优化网络对两类光谱图进行了解析,考察了网络的泛化能力。结果表明：该网络不仅能够对两组分同时存在时的样本进行准确解析,而且对于未知单组分光谱图,也能够进行准确鉴别和定量分析。可见, 该研究为人工神经网络在单组分和多组分未知物的定性和定量分析方面提供了一种新思路。     

Study on two-dimensional distribution of X-ray image based on improved Elman algorithm

The principle of the X-ray detector which can simultaneously perform the measurement of the exposure rate and 2D (two-dimensional) distribution is described. A commercially available CMOS image sensor has been adopted as the key part to receive X-ray without any scintillators. The correlation between the pixel value (PV) and the absorbed exposure rate of X-ray is studied using the improved Elman neural network. Comparing the optimal adjustment process of the BP (Back Propagation) neural network and the improved Elman neural network, the neural network parameters are selected based on the fitting curve and the error curve. The experiments using the practical production data show that the proposed method achieves high accurate predictions to 10⁻¹⁵, which is consistent with the anticipated value. It is proven that it is possible to detect the exposure rate using the X-ray detector with the improved Elman algorithm for its advantages of fast converges and smooth error curve.