共查询到19条相似文献,搜索用时 218 毫秒
1.
基于傅立叶变换的人工神经网络近红外光谱定量分析法 总被引:2,自引:0,他引:2
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。 相似文献
2.
3.
4.
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。 相似文献
5.
一种新的汽油辛烷值的气相色谱测定方法 总被引:6,自引:1,他引:5
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。 相似文献
6.
7.
8.
近红外光谱法测定成品汽油中的芳烃和烯烃含量 总被引:1,自引:0,他引:1
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。 相似文献
9.
10.
11.
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 总被引:18,自引:0,他引:18
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。 相似文献
12.
ICA方法与NIR技术用于药片中活性成分含量的测定 总被引:1,自引:0,他引:1
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. 相似文献
13.
14.
15.
16.
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. 相似文献
17.
18.
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。 相似文献
19.
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. 相似文献