近红外光谱结合特征变量筛选方法用于农药乳油中毒死蜱含量的测定

为提高毒死蜱农药乳油中有效成分近红外光谱定量分析模型的精度和稳定性。采用联合区间偏最小二乘法(siPLS)结合遗传算法(GA)筛选特征变量,由交互验证法确定最佳主成分因子数及筛选的变量数。结果表明,从全光谱区优选出81个变量,主成分因子数为11时,能建立性能最优的模型,模型预测集的决定系数R_p~2为0.972,预测均方根误差(RMSEP)为0.353%。研究表明,利用siPLS结合GA方法优选特征变量,能大幅度地消除农药乳油光谱变量间的冗余信息和无关信息,降低模型的复杂度,提高农药有效成分预测模型的精度及稳定性。     

分子荧光-基于主成分分析优化输入变量的径向基函数神经网络法测定尿液中的诺氟沙星

将主成分分析用于优化径向基函数神经网络的输入变量,用于提高神经网络模型的预测能力。方法能有效地解决分子荧光光谱法测定尿液中诺氟沙星过程中尿液中内源性荧光物质的干扰。在优化条件下,径向基函数神经网络模型对尿液中诺氟沙星的平均预测误差为15.34%,神经网络结构为2∶3∶1。方法已用于测定尿液中的诺氟沙星。     

近红外光谱结合遗传算法快速检测红曲菌固态发酵生物量

该文研究了近红外光谱技术在红曲菌固态发酵生物量快速检测方面的应用。共采集了4个批次80个样本的光谱,采用氨基葡萄糖法测定生物量。为降低模型的复杂度和提高模型的预测性能,研究了遗传算法(Genetic Algorithm,GA)的光谱谱区选择方法,并建立所优选光谱变量的预测红曲菌固态发酵生物量的PLS模型。为说明遗传算法优选光谱变量的可行性,另外分别建立了全谱和相关系数法两种波长选择方法下的PLS定量模型,比较分析了3种方法所获模型的预测能力,并对GA方法优选的光谱波段信息与菌体成分中含氢基团的对应吸收进行分析。结果表明,遗传算法能在降低模型复杂度的同时提高模型的预测性能,其建模结果为Rc=0.998 3,RMSECV=3.580 2,Rp=0.993 1,RMSEP=3.643 7,参与建模的数据点由全谱的1 457个减少到585个,且模型预测精度相比FS-PLS模型提高了11.55%。研究表明近红外光谱技术结合遗传算法所建的PLS预测模型能够实现红曲菌固态发酵生物量的快速检测,从而为进一步实现在线发酵过程优化控制提供依据。     

遗传算法-贝叶斯正则化BP神经网络拟合滴定糖蜜中有机酸

分别用常规BP神经网络、贝叶斯正则化BP神经网络及遗传算法-贝叶斯正则化BP神经网络,对多组分有机酸的滴定数据进行主成分非线性拟合.结果显示,贝叶斯正则化能限制网络权值,避免过拟合;遗传算法则使网络的全局优化能力和稳健性提高.对26个测试样本中的乙酸、乳酸、草酸、琥珀酸、柠檬酸和乌头酸6种组分,以及柠檬酸和乌头酸的总量...     

基于遗传算法结合神经网络的航空润滑油粘度近红外光谱分析

研究了基于遗传算法(GA)的波长选择方法结合反向传播神经网络(BP-ANN)建模用于在用航空润滑油-40℃运动粘度的近红外光谱分析。采集样品光谱经均值中心化和SavitzkyGolay平滑求导法预处理后,通过分段组合建模初选最优波段,利用遗传算法进一步筛选了对粘度预测敏感的波长点建模。该波长选择方法与相关系数法相比,所建模型预测准确度高。在建模采用的非线性BP-ANN法中,先通过主成分分析(PCA)分解光谱数据,将得分矩阵输入3层神经网络训练,通过参数优化建立最优模型。所建模型对8个在用油进行分析,各预测值与标准值的相对误差均低于2%,并且经t检验不存在显著性差异,模型预测能力较强,应用于在用润滑油质量的快速分析效果好,为油品在线监控提供了参考。     

基于近红外光谱的汽油辛烷值预测与模型优化

在波长12000~4000 cm-1范围内采集了60组汽油样品的近红外光谱数据,并基于此数据研究汽油辛烷值预测过程中的模型优化问题:采用五折交叉验证法,比较了最小均方二乘法(PLS)、神经网络(ANN)和支持向量机(SVM)的辛烷值预测模型,发现SVM算法较稳定可靠,更适合于小样本情况下的光谱分析;SVM模型下分别采用网格寻优(Grid)、遗传算法(GA)和粒子群算法(PSO)进行惩罚参数C和RBF核函数参数gamma两个参数优化,总体最佳M SE分别为0.00444,0.0038和0.03262,GA优化参数能力最强;基于GA参数优化下SVM模型,研究了主分量分析(PCA)和连续投影算法(SPA)的特征优化方法,发现PCA泛化能力优于SPA,采用4个主分量(PCs)已经能达到原始光谱相当的预测性能。优化得到组合模型:PCA-GA-SVM,基本上满足工业级辛烷值预测的需要,方法对石油组分精确解析具有积极意义。     

有机酸对卷烟感官风格和品质的影响研究

测定了25种成品卷烟的15种有机酸含量,采用逐步回归分析法建立了卷烟感官风格品质与有机酸之间的关系模型。根据逐步回归模型选择的变量,评价影响卷烟香韵表现与感官品质的关键有机酸成分。将回归模型成功地应用于试制卷烟香韵表现和感官品质得分预测,证明了模型的有效性及有机酸对卷烟香韵表现和感官品质的解释能力。研究结果表明,异戊酸、丙二酸、苯乙酸和柠檬酸等有机酸对卷烟香韵表现或感官品质存在正面或负面的不同影响。     

超声衰减谱测量电池浆料的粒度分布

电池浆料中颗粒状活性物质的粒度大小和分散均匀性对电池的内阻、 电压、 局部表面电流和总极化程度等性能有直接影响, 实现对其的在线实时测量对电池的质量控制具有重要意义. 基于电池浆料的高固含量、 高黏度和低透光性的特点, 本文利用超声衰减谱的方式测量了其粒度分布(PSD). 应用于电池浆料的粒度分布测量的最大难点是其利用超声衰减谱法预测粒度分布的模型需要难以获得的分散相和连续相的物性参数. 本文采用主成分分析(PCA)结合误差反向传播(BP)神经网络建立预测模型解决了超声衰减谱法的难点, 并引入遗传算法(GA)优化BP神经网络的初始阈值和权值. 通过以LiCoO₂为活性物质的电池浆料进行了验证, 结果表明, PCA-GA-BP神经网络能够有效对不同固含量电池浆料的粒度分布进行预测, 预测值与真实值的峰形重合度高, 峰高偏差小, 两者的均方误差为0.1358, 拟合度(R²)为0.9816, 说明超声衰减谱法可作为测量电池浆料粒度分布的重要方式.     

基于混沌自适应粒子群人工神经网络的气体在聚合物中的溶解模型

为提高溶解预测模型的效率和关联度, 建立基于混沌理论、自适应粒子群优化(PSO)算法和反向传播(BP)算法的混沌自适应PSO-BP神经网络模型, 并对二氧化碳(CO₂)在聚苯乙烯(PS)和聚丙烯(PP)中、氮气(N₂)在PS中的溶解度进行预测试验. 模型选用压力和温度作为输入参数, 使用试探法确定隐含层结点个数为8, 输出为预测的溶解度. 模型融合混沌理论、自适应PSO和BP算法各自的优势, 提高了训练速度和预测精度. 结果表明, 混沌自适应PSO-BP神经网络有很好的预测能力, 预测值与实验值相当吻合, 通过与传统BP神经网络和PSO-BP神经网络的比较可知, 其预测精度和相关性均明显较优, 预测平均绝对误差(AAD), 标准偏差(SD)和平方相关系数(R²)分别为0.0058, 0.0198和0.9914.     

神经网络方法在血管紧张素转换酶抑制剂定量构效关系建模中的应用

对20个ACEI化合物用量子化学方法进行结构优化并计算出10个参数,用9种不同隐含层节点数的BP神经网络研究了ACEI的定量构效关系,建立了节点为10/6/1的三层BP神经网络模型。结果表明:以量化理论计算所得参数可以构建合理的ACEI定量构效关系模型,神经网络模型M6的r2=0.995,S=0.050,6个验证集化合物的残差平方和为0.002,预测能力明显强于多元线形回归模型,亦优于同类文献报道,可作为ACEI研发领域中预测先导化合物活性的理论工具。     

Monitoring storage time and quality attribute of egg based on electronic nose

The objective of this study was to investigate the potential of an electronic nose (E-nose) technique for monitoring egg storage time and quality attributes. An electronic nose was used to distinguish eggs under cool and room-temperature storage by means of principal component analysis (PCA), linear discriminant analysis (LDA), BP neural network (BPNN) and the combination of a genetic algorithm and BP neural network (GANN). Results showed that the E-nose could distinguish eggs of different storage time under cool and room-temperature storage by LDA, PCA, BPNN and GANN; better prediction values were obtained by GANN than by BPNN. Relationships were established between the E-nose signal and egg quality indices (Haugh unit and yolk factor) by quadratic polynomial step regression (QPSR). The prediction models for Haugh unit and yolk factor indicated a good prediction performance. The Haugh unit model had a standard error of prediction of 3.74 and correlation coefficient 0.91; the yolk factor model had a 0.02 SEP and 0.93 correlation coefficient between predicted and measured values respectively.     

Classification of Tieguanyin Tea with an Electronic Tongue and Pattern Recognition

Analysis of four Tieguanyin teas from different origins were performed using an electronic tongue, which has significant advantages in terms of accuracy and precision for pattern recognition. Hierarchical cluster analysis and principal component analysis were then applied to identify origins of these teas, and a distinct separation was observed. The back propagation neural network (BPNN) and the back propagation neural network with the Levenberg-Marquardt training algorithm (LMBP) were applied to build identification models. The Levenberg-Marquardt training algorithm model outperformed the back propagation neural network, as the identification performances of the former model were 100% in the training and prediction sets when four principal components were used. The results demonstrate that an electronic tongue with pattern recognition is suitable to classify Tieguanyin tea and shows broad potential in food inspection and quality control.     

对直接标准化算法的改进及其应用

由于各种仪器之间存在差异,主机上建立的定量模型用于从机会导致预测结果出现较大偏差。目前主要通过有标样方法和无标样方法来减小预测偏差。该文对现有标样方法中的直接标准化算法进行改进,在转移矩阵的建立过程中,对从仪器数据矩阵进行主成分分解,以预测均方差为判定标准,确定最终的转移矩阵。并以玉米和烟草数据为对象,测试了该法的有效性。玉米样品含有2种成分:水分和蛋白质;烟草样品含有4种成分:还原糖、总糖、总氮和总碱。结果表明,对于玉米样品中的2种成分,采用改进的方法可显著提高预测的准确度;对于烟草中的4种成分而言,采用改进的方法可获得稳健的预测结果。     

基于主成分分析和小波神经网络的近红外多组分建模研究

将小麦叶片原始光谱经过预处理后,采用主成分分析(PCA)对数据进行降维,取前3个主成分输入小波神经网络,建立了基于主成分分析和小波神经网络的近红外多组分预测模型(WNN);进一步研究了小波基函数个数的选取(WNN隐层节点数)对小波神经网络模型性能的影响,并将WNN模型与偏最小二乘法(PLS)和传统的反向传播神经网络(BPNN)模型进行了比较.结果表明,所建立的WNN模型能用于同时预测小麦叶片全氮和可溶性总糖两种组分含量,其预测均方根误差(RMSEP)分别为0.101%和0.089%,预测相关系数(R)分别为0.980和0.967.另外,在收敛速度和预测精度上,WNN模型明显优于BPNN和PLS模型,从而为将小波神经网络用于近红外光谱的多组分定量分析奠定了基础.     

基于主成分分析的彩色扫描仪光谱特性化

为了实现扫描仪在不同光源、不同观察者条件下准确获取颜色信息,最大程度的避免同色异谱现象,本文采用光谱的方法对扫描仪进行特性化处理,通过多项式回归和BP神经网络分别与主成分分析法结合,首先对检测样本的光谱反射率进行主成分分析,提取主成分与主成分系数,通过实验得到主成分系数与多项式回归、BP神经网络结构之间的转换模型,实现了扫描仪低维RGB信号对原始光谱反射率信息的重构,进而实现扫描仪的光谱特性化.实验结果表明,多项式项数为19项时,达到训练样本的均方根误差为1.7%,检测样本的均方根误差为1.9%.而包含15个隐层节点的单隐层BP神经网络结构为比较合理的网络结构,达到训练样本的均方根误差为1.3%,检测样本的均方根误差为1.5%.对彩色扫描仪的特征化处理,采用多项式回归法得到光谱特性化精度较低,采用BP神经网络模型能够实现更高的光谱特性化精度.     

主成分回归残差神经网络校正算法用于近红外光谱快速测定汽油辛烷值

根据汽油辛值预测体系本身的非线性特点,提出主成分回归残差神经网络校正算法（principal component regression residual artificial neural network,PCRRANN)用于近红外测定汽油辛烷值的预测模型校正,该方法给合了主成分回归算法（PC）,与经典的线性校正算法（PLS（Partial Least Square),PCR, 以及非线性PLS（NPLS,Non-linear PLS)等相比,预测明显的改善,文中还讨论了PCR主成分数及训练参数对预则模可能的影响。