应用可见/近红外光谱技术快速检测果珍中二氧化钛的含量

为了实现快速检测果珍中的二氧化钛含量,提出了应用近红外光谱技术结合化学计量学的快速检测方法。研究采用了320份果珍样本进行光谱特性的检测,其中200个样本用来建模,120个样本进行预测。首先比较了标准正态变量校正(SNV)、变量标准化(Normalize)、多元散射校正(MSC)等6种不同的数据预处理方法对偏最小二乘法(PLS)建模预测效果的影响。然后将PLS模型与应用主成分(PC)建立的主成分-神经网络校正(PC-ANN)模型进行比较。结果表明,MSC预处理的效果最好,PLS模型的最佳主成分数为7,预测值与标准值的相关系数R2达0.900 8,预测标准误差RMSEP为0.05。PC-ANN模型预测值与标准值的R2为0.868 4,RMSEP为0.04。说明PLS模型比PC-ANN模型的预测效果好。同时本研究也说明能够应用可见/近红外技术对二氧化钛进行快速定量测定。     

毕竟PI—强rpp半群

定义了毕竟PI-强rpp半群,并刻划了这类半群的结构。     

聚醚树枝体线性聚(N-异丙基丙烯酰胺)不对称嵌段共聚物的 合成及自组装

采用原子转移聚合方法合成了聚N-异丙基丙烯酰胺和聚醚树技体的不对嵌段共聚物Dendr.PE-PNI-PAM。实验结果表明Dendr.PE-PNIPAM分子在水中能通过疏水缔合作用形成具有双分子膜结构的超分子聚集体。临界缔合浓度(CAC)、聚集体的大小及形貌对树枝体的代数具有明显的依赖关系。该聚集体对温度刺激具有响应性,并在人体体温温度(37.5℃)发生相转变。在高于相转变温度时,Dendr.PE-PNIPAM分子形成管状、带状等多重形态的超级结构的聚集体。     

Uniform machine scheduling with machine available constraints

1.IntroductionIntheclassicalparallelmachineschedulingareaweassumethatmachinesarealwaysavailable.However,aspointedin[1],inrealindustrysettingsthisassumptionmaynotbetrue.Forexample,machinesmaynotalwaysbeavailablebecauseoftheirpreventivemaintenanceduringtheschedulingperiod.Thatistosay,eachmachineiisunavailablefromsibuntilrib(05sib5rib),where0SkSm,withmbeingthenumberofunavailabilityperiodsformachineiduringtheplanninghorizon.Inotherwords,somepapersstatethatmachinesareavailableintimewindows,whichi…     

基于光谱技术的杨梅汁品种快速鉴别方法的研究

为了实现杨梅汁品种的快速无损鉴别,提出了一种用可见和近红外光谱技术快速鉴别杨梅汁品种的新方法。首先采用偏最小二乘法进行模式特征分析,经过交互验证法判别,确定最佳主成分数为9。完成特征提取后,将这9个主成分作为神经网络的输入变量,建立了三层BP神经网络,实现类别预测的同时也完成了数学建模与优化分析工作。3个品种的杨梅汁样本数均为20,共计60个样本。在神经网络学习中,将其分成训练集样本51个和预测集样本9个。对9个未知样本进行预测,准确率为100％。说明本文提出的基于光谱技术和模式识别的方法具有很好的分类和鉴别能力。     

一种基于可见-近红外光谱快速鉴别茶叶品种的新方法

提出了一种用可见-近红外光谱技术快速无损鉴别茶叶品种的新方法。应用可见-近红外光谱仪测定5个品种茶叶的光谱曲线,用主成分分析法对不同品种茶叶进行聚类分析并获得茶叶的可见-近红外光谱数据的主成分,再结合人工神经网络技术建立模型进行品种鉴别。主成分分析表明,以主成分1和2对所有建模样本的得分值做出的得分图,对不同种类茶叶具有较好的聚类作用,可以定性分析茶叶种类。把主成分分析得到的前6个主成分作为神经网络的输入,茶叶品种值作为神经网络的输出,通过5个茶叶品种共125个样本的训练和学习,建立了茶叶品种鉴别的3层BP人工神经网络模型,对未知的25个样本进行鉴别,品种识别准确率达到100%。说明本文提出的方法具有很好的分类和鉴别作用,为茶叶的品种快速鉴别提供了一种新方法。     

油菜叶片的光谱特征与叶绿素含量之间的关系研究

叶绿素是作物生长中的重要因素,是植物营养胁迫、光合作用能力和生长状况的良好指示剂。实时、可靠的作物营养诊断是进行科学施肥管理的基础,也是实践精细农业的关键技术之一。采用便携式可见-近红外光谱仪,在室外自然光照条件下对不同氮肥水平下油菜叶片的光谱特性进行了研究,并根据作物特有的光谱特征,采用逐步回归分析方法建立了油菜叶片的叶绿素含量与红边位置和绿峰位置之间的定量分析模型。结果表明,将红边位置、绿峰位置二者作为自变量时,建立的模型效果优于采用单一的红边位置为自变量时建立的模型效果。其相关系数分别为0.863和0.848;校正标准偏差SEC分别为5.273和5.459, 说明采用红边位置和绿峰位置这两个参数更能很好地预测叶片的叶绿素含量。     

可见光/近红外光谱技术快速测定橙汁柠檬酸含量

为了快速无损测定橙汁的柠檬酸含量,提出了一种用可见光/近红外光谱技术进行检测的新方法。选用高效液相色谱法作为光谱柠檬酸测定的标定方法。采用平滑点数为5的移动平滑法对原始光谱进行预处理消除噪声。由于采集的光谱数据量非常大,为了减少建模时间,建模之前采用小波变换对经过预处理的大量光谱数据进行降维压缩,并在Matlab7.01中通过自编程序实现此变换。利用光谱专用分析软件Unscrambler 9.5,对压缩后的新变量进行分析,建立偏最小二乘(PLS)校正模型。考虑到不同小波基及分解尺度对数据压缩的影响,采用预测平方和PRESS值最小的评价标准,选择最佳的小波基Db4及分解尺度5。用于本实验的样本总数为40,其中30个样本进行建模,10个用于预测。用校正集相关系数(r)和标准偏差(SEC)作为校正模型的评价指标,预测结果采用预测相关系数(r)和预测标准偏差(SEP)来评定。文章将基于小波变换的PLS模型与直接建立的PLS模型进行了比较,偏最小二乘法结合小波变换的模型预测相关系数为r=0.901, 预测标准偏差SEP=0.937;而由PLS建立的模型其预测相关系数r=0.849,预测标准偏差SEP=1.662。由此可见,由偏最小二乘法结合小波变换所得模型效果优于单独使用偏最小二乘法的结果。     

二芳酮-可聚合胺紫外光引发1,6-己二醇二丙烯酸酯聚合的动力学研究

用Photo-DSC(光差热扫描)研究了一种可聚合胺助引发剂乙二醇-3-吗啡啉丙酸酯甲基丙烯酸酯(EGMPM)分别与二苯甲酮(BP)、4-(4-甲苯硫基苯基)苯基甲酮(BMS)、4-氯二苯甲酮(CBP)、4-氯甲基二苯甲酮(CMBP)、4-羟甲基二苯甲酮(HMBP)等二芳酮组成的光引发体系引发以1,6-己二醇二丙烯酸酯(HDDA)为单体的紫外光聚合动力学.考察二芳酮质量分数、聚合温度、光照强度对其光聚合动力学影响,并评价其引发效果;同时计算出了EGMPM/BP引发HDDA聚合体系的活化能.结果表明,二芳酮的质量分数增加时,反应达到最大反应速率的时间减少,单体的转化率也相应增加,单体聚合速率相应增大;相同质量分数(0.1%)的不同二芳酮,BMS体系达到最大反应速率的时间最短,单体转化率也最高;随着温度和光强的增加,单体最终转化率、最大反应速率增大,达到最大反应速率所需的时间减少.     

基于独立组分分析和BP神经网络的可见/近红外光谱蜂蜜品牌的鉴别

提出了一种基于独立组分分析的可见/近红外光谱透射技术快速鉴别蜂蜜品牌的新方法。用独立组分分析方法获取蜂蜜的可见/近红外光谱载荷图,将载荷图中相关性最大的波段,作为人工神经网络的输入建立蜂蜜品牌的鉴别模型。建立了一个三层的BP神经网络模型,各层传递函数采用S型(Sigmoid)函数,并设置网络输入层节点数为9,隐含层节点数为10,输出层节点数为3。每个品牌25个样本,3个品牌共75个样本,用来建立BP神经网络模型,剩余的3个品牌各５个样本用于预测,鉴别准确率达100%,模型的拟合残差为8.245 365×10-5。说明基于独立组分分析的方法具有很好的鉴别效果,为蜂蜜的品牌鉴别提供了一种新方法。