人工神经网络法校正ICP┐AES中重叠光谱干扰

本文将反向传播人工神经网络（ＢＰ－ＡＮＮ）用于ＩＣＰ－ＡＥＳ中重叠光谱干扰的校正。利用模拟的Ｃｅ４１３．３８０ｎｍ和Ｐｒ４１３．３６１ｎｍ光谱对神经网络的训练方式、输入值范围、噪声影响等作了较详细的讨论。     

MO－PVA与EO－PVA膜片双色光子存储

首次用ＭＯ－ＰＶＡ、ＥＯ－ＰＶＡ两种样品．在５１４ｎｍ波长光激发下，实现了６３３ｎｍ可擦除光存储，并研究了写入光束对预激发光的依赖关系，用四能级双色光子共振模型对各种实验现象进行了解释。     

萘相萃取双波长分光光度法测定微量铜的研究

本文用蔡作萃取剂，以５－Ｂｒ－ＰＡＤＡＰ为显色剂，采用双波长分光光度法测定微量铜的研究。研究表明，选择５４０－３８３ｎｍ，为测定波长时，络合物最大吸收峰为５４０ｎｍ，表观摩尔吸光系数为１．２６×１０＾５Ｌ．ｍｏｌ＾－１．ｃｍ＾－１，铜量在０－５．０μｇ／７ｍＬ范围内符合比耳定律，方法应用于食品，水样品铜的测定，结果满意。     

膜溶解富集分光光度法测定微量锰的方法研究

本文以５－Ｂｒ－ＰＡＤＡＰ为显色剂，用ＷＸ型纤维素滤膜为富集分离膜测定微量锰。使用乙醇溶解捕集物，Ｍｎ－５Ｂｒ－ＰＡＤＡＰ在乙醇溶液中最大吸收波长为５６３ｎｍ，表观摩尔吸光系数为９．３２×１０＾４Ｌ．ｍｏｌ＾－１．ｃｍ＾－１。锰浓度在０．１－５．０μｇ／５ｍＬ范围内符合比耳定律，该法灵敏度高，操作简便，方法应用于食品，水样中锰的测定结果满意。     

Al(Ⅲ)-CAS-OP-PVA体系分光光度法测定沸石分子筛中的铝

研究了在聚乙二醇辛基苯基醚（乳化剂ＯＰ）及聚乙烯醇（ＰＶＡ）存在下铝（Ⅲ）与铬天青Ｓ（ＣＡＳ）的显色反应。在ｐＨ５．３的ＨＡｃ－ＮａＡｃ缓冲介质中，题示体系最大吸收波长λｍａｘ＝６１２ｎｍ，对比度Δλ＝１０２ｎｍ，表观摩尔吸光系数ε６１２ｎｍ＝２．８４×１０４Ｌ·ｍｏｌ－１·ｃｍ－１。铝（Ⅲ）浓度在０－０．６０μｇ／ｍＬ范围内遵守比耳定律。本法已成功地用于沸石分子筛中铝含量的测定，结果良好。该法具有稳定性高、准确度好的特点。     

染料激光泵浦Nd：S－VAP晶体激光特性研究

实验测定了Ｎｄ：Ｓｒ５（ＶＯ４）３Ｆ（简称Ｎｄ：Ｓ－ＶＡＰ）晶体的吸收光谱特性；在５８３．０ｎｍ和８０９．０ｎｍ处有强的吸收峰。用可调谐染料激光作泵浦源，实现了低阈值、高效率的激光运转。在透射率１５％的平面平行腔情况下，斜率效率为５０％，阈值为２ｍＪ。倍频光中心波长为５３６．０ｎｍ，线宽为１．４ｍｍ。本文还对Ｎｄ：Ｓ－ＶＡＰ晶体可作为ＬＤ泵浦的小型激光器的工作物质等问题进行了讨论。     

非晶PET纤维的分子链段取向分布的研究

用对称透射法,收集在室温下不同拉伸比的非晶聚酯（ＰＥＴ）纤维之二有Ｘ射线散射（ＷＡＸＳ）强度函数Ｉ（κ,α）,采用自编ＭＰＳ９６型全谱分峰程序,将不同方位角α测得的ＷＡＸＳ强度曲线上的４个非晶重叠峰进行分解,获得分子链间原子 射引起的２个峰为：ＫＡ＝０．１４１ｎｍ＾－１,ＫＢ＝０．１７２ｎｍ＾－１;分子链内原子 射引起的２个峰为;ＫＣ＝０．３１１ｎｍ＾－１,ＫＤ＝０．５５５ｎｍ＾－１,详细分析了     

MO—PVA与EO—PVA膜片双色光子存储

首次用ＭＯ－ＰＶＡ、ＥＯ－ＰＶＡ两种样品，在５１４ｎｍ波长光激发下，实现了６３３ｎｍ可擦除光存储，并研究了写入光束对预激发光的依赖关系，用四能级双色光子共振型对各种实验现象进行了解释。     

多波长线性回归分光光度法同时测定油中的铁、钴、镍

本文提出一种同时测定铁,钴,镍的新方法,即多波长线性回归分光光度法,利用铁与５－Ｂｒ－ＰＡＤＡＰ形成的络合物在７５０ｎｍ处吸收峰不受钴,镍干扰的特点,在７５０ｎｍ处于工作曲线法测定铁的含量,对于钴,镍在５５０－６００ｎｍ内采用多波长线性回归法测定。应用于合成样及油样中铁,钴,镍含量的测定,结果令人满意,回收率为９５．７％￣１０４．３％,相对标准偏差为１．４％￣３．８％。     

Spiro－Oxaziue染料掺杂高分子材料光致变色效应的研究

报道Ｓｐｉｒｏ－Ｏｘａｚｉｕｅ染料掺杂高分子（ＳＯ／ＰＶＡ）膜具有很强的可逆光致变色效应，通过对这种高分子膜吸收光谱的测试，证实ＳＯ分子具有二个特征吸收带，一个在３６０ｎｍ，另一个在５９５ｎｍ，分别对应于二个分子异构体ＳＯ１和ＳＯ２，有关这种ＳＯ／ＰＶＡ光致变色过程的研究给出了ＳＯ１对紫外光和ＳＯ２对可见光（波长在５１５ｎｍ）的吸收系数分别为１．２ｃｍ２／Ｊ和６×１０－２ｃｍ２／Ｊ，ＳＯ２的寿命为３８ｓ。最后本文给出了采用这种ＳＯ／ＰＶＡ膜实现紫外－可见光图像转换和空间光调制操作的实验演示结果     

A multi-target approach for isolated word recognition using artificial neural network

I.TntroductionStatisticalandneuralnetworkmcthodsforpatternclassiflcationusesignificantlydifTerentapproachesintrainingaclassificr.Inthestatistica1approach,thcformationofaclassifier1arge1ydependsonthestatisticsofthetrainingpatternsand,insomecases,theassumptionsaboutthedistributionofthepopulation.Theneuralnetworkmethodisnon-parametricandcanbeadaptivcinthetrainingprocessl'l.Becauseofitssimplicityandflexibility,theneuralnetworkhasbecnincreasing1yusedforpatternclassiflcation.Itisnowwe11knownthatan…     

基于径向基神经网络的太阳能电池缺陷检测

为了检测太阳能电池的缺陷,建立了太阳能电池板的电致发光(EL)图像与其缺陷类型间的神经网络预测模型,可以对太阳能电池板不同类型缺陷进行自适应检测。首先,采用主成分分量分析(PCA)算法对电致发光(EL)图像训练样本集降维;然后,将降维后得到的数据输入神经网络预测模型进行学习,对模型的参数进行优化选取;最后,将训练好的网络对测试样本集进行仿真。仿真结果表明:在采用相同的训练样本集和测试样本集条件下,与反向传播神经网络(BPNN)相比,径向基神经网络(RBFNN)具有全局最优特性,结构简单,最高识别率达96.25%,计算时间较短,能满足在线检测的要求。     

基于神经网络的火灾烟雾识别方法

提出了一种基于神经网络的火灾烟雾识别方法，以波长为670nm、1060nm、1550nm的三束激光的三对消光系数比作为网络的输入，网络的输出为“火灾烟雾”和“非火灾因素”，从典型火灾烟雾和非火灾因素对多波长激光的衰减实验中选取数据，组成26种网络样本模式定义表，经391次仿真训练后，输出误差小于0．0001，并经验证实验表明，本方法对火灾烟雾和非火灾因素能进行有效的识别，是处理烟雾识别等非结构问题的一种行之有效的方法。     

Identification of tartrazine and sunset yellow by fluorescence spectroscopy combined with radial basis function neural network

The fluorescence spectra of synthetic food dyes of sunset yellow and tartrazine are analyzed. The fluorescence peak wavelengths of sunset yellow and tartrazine are 576 and 569 nm, respectively, while the fluorescence spectra widths are 480-750 and 500 750 nm induced by ultraviolet light between 310-400 nm. The fluorescence spectra of sunset yellow overlap heavily with those of tartrazine, so it is difficult to distinguish them. Based on the principle of radial basis function neural network, a neural network is obtained from the training of the 14 groups of experimental data. The results show that the species of sunset yellow and tartrazine could be recognized accurately. This method has potential applications in other synthetic food dyes detection and food safety inspection.     

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。     

基于BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著。从传感器信息融合的角度看,神经网络就是一个融合系统。通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求。     

Development of fast deep learning quantification for magnetic resonance fingerprinting in vivo

PurposeA deep neural network was developed for magnetic resonance fingerprinting (MRF) quantification. This study aimed at extending previous studies of deep learning MRF to in vivo applications, allowing sub-second computation time for large-scale data.MethodsWe applied the deep learning methodology based on our previously published multi-layer perceptron. The number of layers was four, which was optimized to balance the model capacity and noise robustness. The training sets were obtained from MRF dictionaries with 9000 to 28,000 atoms, depending on the desired T1 and T2 ranges. The simulated MRF undersampling artifact based on the k-space acquisition scheme and noise were both added to the training data to reduce the error in estimates.ResultsThe neural network achieved high fidelity (R2 _ 0.98) as compared to the T1 and T2 values of the ISMRM standardized phantom. In brain MRF experiment, the model trained with simulated artifacts and noise showed less error compared to that without. The in vivo application of our neural network for liver and prostate were also demonstrated. For an MRF slice with 256 _ 256 image resolution, the computation time of our neural network was 0.12 s, compared with the _ 28 s-pre-slice for the conventional dictionary matching method.ConclusionOur neural network achieved fast computation speed for MRF quantification. The model trained with simulated artifacts and noise showed less error and achieved optimal performance for phantom experiment and in vivo normal brain and liver, and prostate cancer patient.     

基于PCA和BP神经网络的硝酸盐氮浓度检测方法

针对紫外分光光度法（UV法）检测混有干扰物质的硝酸盐氮溶液浓度精度不高的问题，提出一种基于主成分分析（principal component analysis，PCA）和BP神经网络的硝酸盐氮浓度检测方法。通过微型光谱仪物质成分检测系统测得硝酸盐氮试剂在196 nm～631 nm波段的吸光度数据，分为测试集和训练集。通过PCA计算训练集，得到主成分。根据BP算法搭建三层人工神经网络。将所得主成分除以8后输入网络展开训练。训练过程中采用留一法交叉验证。用该模型计算训练集和测试集，所得值与真实浓度的平均相对误差分别为2.411 5%和1.553%。实验结果表明，该方法能较好检测出混有干扰物质的硝酸盐氮溶液浓度。     

输入层自构造神经网络用于红外光谱多元校正

为了解决多组分红光谱定量分析中的特征的取和校正建模问题，本文提出了一种输入层自构造神经网络。在应用这种网络之前的预处理过程首先对训练数据进行分析，获得关于问题的某些先验知识。在训练阶段，神经网络根据先验知识自动选择输入层神经元的个数，同时确定网络参数。这种网络模型将特征提取和参数学习过程融为一体，有利于提高建模效率。利用仿真红外光谱的定量分析实验表明，这种网络模型不仅能够对光谱数据实现高效率的波长选择，并具有抑制随机噪声和非线性干扰的能力。