排序方式: 共有11条查询结果,搜索用时 15 毫秒
1.
双重印迹法制备汞离子印迹聚合物及其性能研究 总被引:3,自引:0,他引:3
采用双重印迹法,以N-3-(三甲氧基硅基)丙基乙二胺为功能单体,四乙氧基硅烷为交联剂,表面活性剂(十六烷基三甲基溴化铵)和Hg2+为模板,合成出Hg2+印迹聚合物.聚合物中的表面活性剂和Hg2+分别由乙醇萃取和HCl洗涤除去,利用平衡吸附法研究了聚合物的吸附性能和选择识别能力,且探讨了实验条件对印迹聚合物吸附性能的影响.结果表明,在竞争离子Cu2+(或Cd2+) 存在下,印迹聚合物具有较高的吸附能力和选择识别能力,最大相对选择系数k′>200,且可以循环使用. 相似文献
2.
人工神经网络应用于维生素B族4组分同时测定 总被引:7,自引:0,他引:7
应用人工神经网络原理,采用Levenberg-Marquardt BP算法,对于吸收光谱严重重叠的维生素B1,B2,B6和烟酰胺4组分同时进行含量测定。四者的平均回收率分别为100%,98%,96%,100%。该方法用于复合维生素B片剂中B1,B2,B6和烟酰胺的同时测定,获得较满意的结果。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,有望能成为多组分分析的有效方法之一。 相似文献
3.
4.
人工神经网络用于光度法同时测定铜钴镍 总被引:14,自引:0,他引:14
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。 相似文献
5.
用3,6-双[(2-胂羧基苯)偶氮]-4,5-二羟基-2,7-萘二磺酰苯胺改性硅胶富集、分离痕量元素的研究 总被引:1,自引:0,他引:1
本文介绍了3,6-双[(2-胂羧基苯)偶氮]-4,5-二羟基-2,7-萘二磺酰苯胺(偶氮胂-DAL)改性硅胶的制备方法,研究了它的性质及其富集,分离Ti(Ⅳ),Zr(Ⅳ)、Hf(Ⅳ)的工作。研究结果表明,偶氮胂-DAL改性硅胶在6mol/L HClpH4.0的溶液中是稳定的;其对Zr(Ⅳ)的最大吸附量为20.9μmol/g;在1mol/L HCl介质中,经偶氮胂-DAL-SG柱预富集处理后,可将Zr(Ⅳ)、Hf(Ⅳ)与Ti(Ⅳ)、贵金属、常见过渡元素,稀土元素等金属离子直接分离,用普通分光光度法测定人工水样中Zr(Ⅳ)的下限可达10~(-9)g/g。 相似文献
6.
催化动力学分光光度法同时测定铜和铁 总被引:1,自引:0,他引:1
研究发现 :在硫酸介质中Cu(Ⅱ )和Fe(Ⅲ )能同时催化溴酸钾氧化酸性铬蓝K的褪色反应 ,但二者存在一定的速率差异 ,反应速率常数之比随时间而变化 ,且吸光度的加和性不佳。运用了三层Levenberg Marquardt优化BP神经网络处理实验数据 ,实现了Cu(Ⅱ ) ,Fe(Ⅲ )的催化动力学分析法同时测定。研究了最佳反应和测定条件。用于合成样品和人发中铜和铁的测定 ,结果满意 相似文献
7.
人工神经网络-荧光光谱法同时测定维生素B1,B2,B6 总被引:6,自引:0,他引:6
应用人工神经网络原理 ,以Levenberg MarquardtBP算法对荧光光谱严重重叠的维生素B1 ,B2 ,B6三组份混合体系同时进行了含量测定。在 390~ 5 2 0nm的范围内 ,以 15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 ,经网络训练和计算得出维生素B1 ,B2 ,B6 三者的平均回收率分别为 99 86 % ,99 6 0 % ,99 4 9% ,测定结果的相对标准偏差各为 1 7% ,1 6 % ,1 7%。 相似文献
8.
9.
酸性铬蓝K在蛋白质大分子上Langmuir吸附聚集及应用 总被引:1,自引:1,他引:0
用微相吸附 -光谱修正 (MPASC)技术研究蛋白质 (BSA)与酸性铬蓝K(ACBK)探针分子间的相互作用。通过pH3.5的介质中蛋白质与酸性铬蓝K反应的光谱研究 ,测定了结合产物的物理化学参数 :结合比为n(ACBK)∶n(BSA)=62∶1,平衡常数KBSA -ACBK=2.2×105。BSA -ACBK摩尔吸收系数ε584=3.9×105L·mol -1·cm -1。该吸附反应用于蛋白质样品测定 ,结果良好。 相似文献
10.
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 总被引:3,自引:1,他引:2
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。 相似文献