人工神经网络用于有机环境污染物紫外光谱库检索

本文将人工神经网络（ＡＮＮ）用于有机环境污染物紫外光谱库检索。对该神经网络的参数优化作了讨论。并用ＡＮＮ对噪声、杂质等因素的影响作了详细的考察。为了提高紫外光谱的分辨，本文提出用导数光谱作ＡＮＮ训练和检索，使网络的收敛速度明显加快，对检验光谱中杂质的容允程度明显增加。本文还将ＡＮＮ与传统的相关系数法作了比较。结果表明，ＡＮＮ法在抗噪声和杂质等方面明显优于相关系数法。     

有机环境污染物紫外光谱检索的神经网络方法

详细讨论了网络优化参数、模拟的测量过程中噪声及杂质对网络收敛性能及预测误差的影响。为加速网络收敛,提高紫外光谱检索的正确率,采用了导数光谱对反向传播的人工神经网络(BP-ANN)进行训练和检索,该方法对检索光谱中噪声、杂质,尤其是斜坡背景的允许程度明显提高。文章还将ANN方法与普通的相关系数法的识别结果进行了比较。结果表明,优化参数下的人工神经网络的库检索法在抗噪、容杂等方面都明显地优于普通的相关系数法,是一种很有效的紫外库检索方法。     

温度限制串联相关网络用于有机环境污染物紫外光谱的识别

本文将温度限制串联相关网络用于有机环境污染物紫外光谱的识别。紫外光谱的库检索比红外光谱检索更困难 ,因为紫外光谱的重叠更为严重。此外 ,光谱测量的漂移和噪声也会影响紫外光谱库检索的正确率。因此 ,采用具有模糊性质的神经网络是一个很好的选择。温度限制串联相关网络 (TCCCN)是一种与通常所用BP网络不同结构的网络模型 ,它采用串联相关的神经元连续方式 ,且引入温度参数 ,因而可以减少网络的过度训练和加快训练速度。本工作采用TCCCN进行紫外光谱的库检索 ,对有关参数进行了优化 ,并对光谱测量噪声的影响做了研究。结果表明 ,采用TCCCN方法明显优于在谱库检索中常用的相关系数法。     

人工神经网络法校正ICP—AES中重叠光谱干扰

本文将反向传播人工神经网络（ＢＰ－ＡＮＮ）用ＩＣＰ－ＡＥＳ中重叠光谱干扰的校正，利用模拟的Ｃｅ４１３．３８０ｎｍ和Ｐｒ４１３．３６１ｎｍ光谱对神经网络的训练方式，输入值范围，噪声影响等作了较详细的讨论。     

人工神经网络法校正ICP┐AES中重叠光谱干扰

本文将反向传播人工神经网络（ＢＰ－ＡＮＮ）用于ＩＣＰ－ＡＥＳ中重叠光谱干扰的校正。利用模拟的Ｃｅ４１３．３８０ｎｍ和Ｐｒ４１３．３６１ｎｍ光谱对神经网络的训练方式、输入值范围、噪声影响等作了较详细的讨论。     

人工神经网络法鉴别红外光谱

本文将反向传播人工神经网络（ＢＰ－ＡＮＮ）用于ＦＴＩＲ,鉴别未知化合物。结果表明,当训练集样本不含噪声时,纯光谱的预测结果很好。而当训练集样本有少量噪声干扰时,预测结果随预测集样本的不同,而得到不同的改善。     

利用分支比方法作真空紫外光谱仪的强度校准

托卡马克等离子体中存在C、N、O、Fe、Mo、Ni等杂质,这些杂质的存在对等离子体的特性有着重要的影响。在高温等离子体中,尤其是在中心区,杂质辐射主要在真空紫外光谱区。所以,对托卡马克等离子体的真空紫外光谱研究是十分重要的。它常用于测定杂质的种类、含量,也能测量等离子体参数如电子温度、离子温度等。这就需要对光谱强度进行定量的测量。为此必须对整个测量系统、包括谱仪及探测器等进行绝对标定。目前可见光区光谱的绝对校准已经解决,使用的黑体辐射源和次级标准源如钨带灯和碳弧等都是比较好的标准源。但是,在真空紫外光谱区尤其是在小于100nm的波段里,在国内还缺少比较好的方便的标准源。虽然迄今已建成电子同步辐射加速器,其高能电子发射从远红外线到X射线区的     

ICP—AES光谱模拟和谱线选择

本文采用Ｖｏｉｇｔ线形函数对ＩＣＰ－ＡＥＳ中谱线重叠和结构背景的干扰作了模拟。结果表明，模拟的光谱与实测的光谱基本一致，因而利用模拟光谱对谱线选择具有一定的指导意义。     

配位微环境对Hg(Ⅱ)-血清白蛋白结构的影响

详细研究了等点附近Ｈｇ－ＨＳＡ或ＢＳＡ体系的紫外光谱。与生理ｐＨ时的谱图相比较，Ｈｇ－ＢＳＡ的２５０ｎｍ附近谱带消失或变弱，而２９０ｎｍ谱带及Ｈｇ－ＨＳＡ的光谱基本不变。这一差异进一步支持了Ｈｇ离子在ＨＳＡ或ＢＳＡ中最可能的结合位置在７对相邻的二硫桥处，金属中心有四面体型ＭＳ４结构的推断。     

基于小波多尺度分解的红外光谱谱图比对检索方法研究

谱图比对检索是指计算提问谱和数据库中标准谱图的相似度,以查出与提问谱相同或近似的谱图,其中,提问谱的质量是影响谱图比对检索结果的一个重要因素.从削弱谱图的无关信息对谱图比对检索的影响、提高检索准确性出发,以提问谱噪声为例,分析了谱图噪声对相似度计算结果的影响;针对红外光谱谱图经过小波多尺度分解后,其有用信息主要集中在低频部分,高频部分主要是噪声的特点,提出了基于小波多尺度分解的红外光谱谱图比对检索方法;分析了小波分解层数对相似度计算结果的影响;选择去噪整波形比对检索作为参照方法,利用MATLAB 7.0分别设计了这两种比对检索程序,实验结果证实了基于小波多尺度分解的红外光谱谱图比对检索方法的可行性.     

基于神经网络的航天光学遥感器在轨信噪比测试方法

提出一种基于神经网络的航天光学遥感器在轨信噪比的的测试方法。通过模拟得到了大量的包含有不同信噪比等级的遥感图像,并将其作为网络训练和测试的样本。通过对遥感图像进行分析,找到了分别与景物结构和噪声有关的特征向量,并将其作为神经网络的输入。在对大量样本图片进行训练后,可完成对由遥感器传输下来的任意一幅地面景物图像进行信噪比的测试,从而避免了传统方法对特定地面景物目标在成像测量中的诸多弊端,平均测量误差约为10%。     

云计算的蚕豆虫害可见-近红外光谱分类

利用蚕豆叶片可见-近红外反射光谱结合导数光谱对健康、少量、大量虫害三种等级的实验样本进行光谱特征分析,并选择虫害检测最优波段。采用Hadoop,Spark和VMWare虚拟机搭建云计算平台,使用MLlib机器学习库实现人工神经网络(ANN)和支持向量机(SVM)分类算法,并对三种等级蚕豆叶片全波段和最优波段光谱进行分类建模与预测。结果表明ANN虫害光谱分类模型准确率优于SVM虫害光谱分类模型,并且在云平台上运行效率更高,同时全光谱波段的预测准确性高于最优波段。通过扩展光谱数据集,云计算技术在光谱数据挖掘中的计算效率有显著提升。云计算分类检测可以为作物生物胁迫光谱识别提供新的技术和方法。     

Quantification of human brain metabolites from in vivo 1H NMR magnitude spectra using automated artificial neural network analysis

Long echo time (TE=270 ms) in vivo proton NMR spectra resembling human brain metabolite patterns were simulated for lineshape fitting (LF) and quantitative artificial neural network (ANN) analyses. A set of experimental in vivo 1H NMR spectra were first analyzed by the LF method to match the signal-to-noise ratios and linewidths of simulated spectra to those in the experimental data. The performance of constructed ANNs was compared for the peak area determinations of choline-containing compounds (Cho), total creatine (Cr), and N-acetyl aspartate (NAA) signals using both manually phase-corrected and magnitude spectra as inputs. The peak area data from ANN and LF analyses for simulated spectra yielded high correlation coefficients demonstrating that the peak areas quantified with ANN gave similar results as LF analysis. Thus, a fully automated ANN method based on magnitude spectra has demonstrated potential for quantification of in vivo metabolites from long echo time spectroscopic imaging.     

基于拟线性局部加权法的煤样光谱散射校正

利用近红外光谱分析技术的诸多优势,可实现煤质多项指标的快速分析。煤样光谱数据的采集易受到噪声散射的干扰,在建模分析前常用多元散射校正方法对其予以恢复去噪。而传统的多元散射校正方法存在以线性表达式描述非线性关系的局限性,以及盲目追随“理想”光谱而导致的失真问题,为此提出基于拟线性局部加权法的煤样光谱散射校正。该法先选取二次曲线、三次曲线和增长曲线等三种拟线性函数,代替原线性函数;再分别引入均值核函数、高斯核函数、Epanechnikov核函数、二次权重核函数及三次权重核函数等五种核函数,在原评估函数中构造局部加权函数,利用局部加权函数精确表述各波长点处的依赖关系;最后,分析不同模式下校正光谱的准确性,确定拟线性函数与核函数的最佳组合。为验证方法的适用性,对0.2,1和3 mm等三种粒度等级下的煤样光谱数据进行散射校正。结果表明：改进多元散射校正方法在消除光谱中散射干扰的同时,放大了特征谱峰信息,校正光谱与煤样各项指标的相关性得到了显著增强,有效地提高了煤质近红外光谱分析模型的预测精度和稳定性。     

三维荧光结合自组织映射神经网络考察自来水厂有机物去除效果

三维荧光光谱在水体监测和水处理领域日益引起广大研究者的关注。自组织映射神经网络(SOM网络)作为一种非监督、自学习的神经网络,具有自稳定性高、抗噪声能力强等特点。使用SOM网络对某自来水厂处理流程中水样的荧光光谱进行解析,可以将三维荧光光谱聚类成三类,分别对应为络氨酸类蛋白有机物、色氨酸类蛋白有机物、紫外富里酸类物质。整个自来水处理工艺能够有效的去除水体中的有机物,其中络氨酸类、色氨酸类、紫外富里酸类物质的去除率分别为84.6%,79.9%,69.1%。研究结果表明,SOM网络可以作为一种有效的水体荧光光谱分析工具,有助于优化水处理工艺参数,提高水处理工艺性能、以及自来水厂的监测和管理。