基于傅立叶变换的人工神经网络近红外光谱定量分析法

将原始光谱进行一定的预处理后,以其快速傅立叶变换FFT的前N个系数作为人工神经网络(ANN)的输入量,不仅确保了大量有用信息参与模型的建立,同时实现了优越的滤波功能。以汽油的辛烷值和煤粉干燥基高位发热量(Qgr.d)的近红外光谱建模,当采用前20个FFT系数的傅立叶变换-径向基网络(FFT-RBF)时,辛烷值模型的预测误差均方根(RMSEP)可达0.152,相关系数为0.976,当采用前30个FFT系数时,快速FFT-RBF煤粉干燥基高位发热量模型的RMSEP为0.256,相关系数为0.923,说明FFT-RBF模型有着很好的预测能力。研究表明基于傅立叶变换的人工神经网络近红外光谱定量分析法,特别是FFT-RBF具有良好的预测能力。     

小波变换用于近红外光谱性质分析

以汽油研究法辛烷值分析为例,研究了小波变换在近红外光谱分析中的应用。对近红外光谱的小波特性、小波变换参数以及变量提取方法进行了详细研究。研究结果表明：光谱噪音、有用信息和背景分别分布在小波高、中和低频区域;母小波函数对性质分析结果影响很大;小波变换可以同时扣除光谱背景、去除噪音和压缩变量,具有运算速度快、分析精度高以及无需去噪后处理等优点,在近红外光谱分析中具有很好的应用前景。     

支持向量回归建立成品汽油通用近红外校正模型的研究

针对目前采用偏最小二乘法建立成品汽油分析模型存在的问题,采用近几年新兴的支持向量回归方法建立了多种汽油标号通用的校正模型,其预测能力优于对应的偏最小二乘法,对汽油研究法辛烷值、烯烃和芳烃的预测标准偏差分别为0.37、1.28%和1.38%,可应用于实际的汽油管道自动调合近红外光谱在线分析.     

抗生素效价测定仪校准用光谱中性滤光片的研制

根据浊度法抗生素效价测定仪吸光度的有效测量范围和液体培养基培养过程中吸光度逐渐降低的特点,选用中性灰色玻璃研制了吸光度标称值分别为0.3,0.5,0.7,1.0的光谱中性滤光片组标准物质。用紫外可见近红外分光光度计对研制的标准物质的均匀性、正反面和稳定性进行测试,吸光度均匀性最大值为0.002 0,吸光度正反面最大差值为0.000 4,吸光度稳定性最大值为0.002 5,符合二级标准物质要求,经评定标准物质吸光度的相对扩展不确定度为1%(k=2)。将该标准物质的定值结果与上一级计量标准中国计量科学研究院的校准结果进行比对验证,结果表明研制的标准物质定值准确,可用于抗生素效价测定仪吸光度准确性和溯源性校准。     

一种新的汽油辛烷值的气相色谱测定方法

建立了一种新的气相色谱结果关联计算汽油辛烷值的方法。采用高分辨毛细管柱对汽油的组成进行测定,根据汽油单体烃组分的含量和纯组分辛烷值乘积的大小,将单体烃组分分为两组,每一组为一个变量,建立实测辛烷值与两个变量间的回归模型。实际分析时,根据不同的样品类型选择不同的模型进行关联计算即可获得色谱分析样品的辛烷值。对模型建立和应用过程中已知结构的化合物的辛烷值数据采用文献值。对只知碳数和类型而不能确定其化合物结构的组分,通过对文献数据进行统计计算,得到平均辛烷值与组分的碳数和类型的关系曲线,据此得到其平均辛烷值用于计算。与采用标准方法测定催化裂化汽油辛烷值的结果相比,该方法测定辛烷值的偏差约0.5个单位。该方法操作简单,用样量少,模型建立过程快速、简便,适合于微型反应器产物评价或炼厂稳定工艺装置的汽油辛烷值的监测。     

专利

一种近红外光谱无损鉴别山参真伪的方法 ：一种近红外光谱无损鉴别山参真伪的方法,属于中药检测技术领域,目的在于解决现有技术鉴别山参鉴别结果不确定及鉴别过程破坏山参形体的问题。采集山参和工艺参的光谱数据,经主成分分析法提取出主成分变量作为输入变量,设定山参及工艺参的属性代码并将其作为目标变量,根据输入变量和目标变量训练网络,建立BP人工神经网络模型;采集待鉴别样品光谱数据,并经建立的BP人工神经网络模型进行仿真,输出待鉴别样品预测值,参照山参和工艺参的属性代码判断待鉴别样品。当待鉴别样品     

基于PLS-红外光谱的汽油辛烷值测定方法研究

辛烷值是反映汽油抗爆性的重要指标,现有的辛烷值测试方法具有分析周期长、测试成本高等缺点。本文以红外光谱法结合偏最小二乘法(PLS)建立了汽油辛烷值快速测定方法。实验采集了113个汽油样品的光谱数据,以研究法辛烷值(RON)测得的实际辛烷值为参数,建立了预测汽油辛烷值的PLS模型。结果表明:20个预测集的相关系数Rp~2为1.0184,预测均方根误差RMSEP为0.4639。说明此方法对汽油辛烷值具有较好的预测效果,且操作简单、分析速度快,具有一定的可行性。     

近红外光谱法测定成品汽油中的芳烃和烯烃含量

介绍了近红外光谱测定90#汽油及93#汽油中芳烃和烯烃含量。选择1100～1300nm的近红外光谱域,在荧光指示剂吸附法的基础上,采用偏最小二乘法建立了适合测定90#汽油及93#汽油中芳烃和烯烃含量的分析模型,通过大量试验对所建分析模型的可靠性进行了验证。近红外光谱法的测定结果与荧光指示剂吸附法的测定结果具有很好的一致性。与荧光指示剂吸附法相比,近红外光谱法可以提高分析效率,降低分析成本,具有较高的分析精密度。     

毛细管气相色谱测定改进费-托法合成汽油辛烷值的研究

采用高分辨毛细管气相色谱法对改进费－ 托（ ＭＦＴ） 法合成汽油馏分进行了组成分析, 按其化学类型和各组分的辛烷值特性分组, 并与标准方法测定的辛烷值进行关联和线性回归分析, 获得了每组的有效辛烷值及计算ＭＦＴ合成汽油辛烷值的研究法辛烷值（ＲＯＮ） 和马达法辛烷值（ ＭＯＮ） 方程。该法的建立, 对正在研究开发中的ＭＦＴ合成汽油的工艺、动力学研究、催化剂评价等具有现实意义。     

基于自组织映射神经网络的中药注射剂质量快速鉴别方法

将近红外光谱分析技术与人工神经网络相结合,研究提出一种基于自组织映射神经网络的近红外光谱神经元分类模型,用于对中药注射剂产品的近红外光谱进行计算分析,可实现对注射剂质量的快速鉴别。以3个不同厂家生产的参麦注射剂为研究对象,考察本方法的分类能力,其分类正确率达到96.4%,优于参与比较的判别式偏最小二乘法(90.5%)、反向传播神经网络(88.1%)和支持向量机(90.5%)。     

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。     

ICA方法与NIR技术用于药片中活性成分含量的测定

用独立分量分析(ICA)方法提取药片近红外光谱数据矩阵的独立成分和相应的混合矩阵, 再用BP神经网络对混合矩阵和药片中活性成分的浓度矩阵进行建模, 提出了新的药片活性成分含量测定的基于独立分量分析-神经网络回归(ICA-NNR)的近红外光谱分析方法. 通过分析独立分量数和网络中间隐层的神经元数对模型性能的影响, 分别建立三类药片定量分析的最优模型. 该方法用于实测的三类药片中活性成分含量的测定, 测试样品集的化学检测值与近红外预测值的相关系数分别达到0.962, 0.980及0.979. 结果表明, 基于ICA-NNR的近红外光谱分析方法对制药业的药片进行定量分析是可行的.     

盐湖水化学类型的人工神经网络判别方法

研究了作为典型径向基函数网络之一的概率神经网络在盐湖水化学类型分类预测中的应用，验证了该方法的可靠性，得到了满意的分类预测结果。实验结果和网络结构分析表明，概率神经网络方法比熟知的反向传播算法(BP)网络要好。概率神经网络的研究应用为化学模式识别提供了一个新工具。     

饱和醇结构-保留定量相关的人工神经网络模型

以拓扑指数为结构描述符，用基于Levenberg-Marquardt优化的BP神经网络建立了醇类化合物的结构与色谱保留值的相关性模型，用于未知醇类化合物在SE－30和OV－3两根色谱柱上保留指数的同时预测，其学习速率优于文献中普通BP神经网络法，预测准确度与普通BP神经网络法接近，但优于多元线性回归法，因而是一种较好的预测有机化合物气相色谱保留指数的方法。     

The predicting study for chromatographic retention index of saturated alcohols by MLR and ANN

A QSRR method was followed to relate the observed Kovats retention indexes of saturated alcohol compounds with their molecular connectivity indices by means of multilinear regression analysis and artificial neural networks technique. The alcohols included linear, branched with hydroxyl group on a primary, secondary, or tertiary carbon atom. At first, models were generated for six OV (Ohio Valley) series columns separately, with high value of R and F statistics. Then a combined model, added a polarity term of stationary phase (M), was also developed for all these columns, and the result was satisfactory. For comparison, the neural network of BP algorithm was applied, and it was found that the neural network could exceed the level of the multiple regression method. The stability and validity of both models were tested by cross-validation technique and by prediction response values for the prediction set.     

基于改进BP神经网络的煤催化气化预测模型研究

采用改进的三层BP神经网络建立了煤催化气化反应失重率、气化初始温度和最大气化速率所对应温度的预测模型。结果表明,采用改进BP神经网络模型在此研究中可达到较高的精度,其最大预测误差分别为5.18% 、5.65% 、2.33%,明显小于归回公式的预测误差。
     

人工神经网络在溶解度预测方面的应用

溶解度作为一项重要的物化指标,一直是化学学科的研究重点。然而,通过实验测量获得数据耗时费力,因此,科研人员建立了多种理论方法来进行估算,其中,人工神经网络因其能够关联复杂的多变量情况而受到广泛关注。本文综述了人工神经网络在物质溶解度预测方面的应用,介绍了应用最广泛的3种神经网络(BP神经网络、小波神经网络、径向基神经网络)的模型结构、预测方法和预测优势,探讨了神经网络的不足以及改进方法。文章最后对神经网络在物质溶解度预测方面的发展前景进行了展望。与其他方法相比,人工神经网络技术在物质溶解度预测方面具有预测结果精确度高、操作简单等特点,具有广阔的应用前景,但输入变量选择、隐含层节点数确定、避免局部最优等问题还需逐步建立系统的理论指导。     

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.