人工神经网络-近红外光谱法用于粉末药品扑热息痛的非破坏定量分析

研究了应用人工神经网络进行粉末药品的非破坏定量分析,使用扑热息痛粉末药品的近红外漫反射光谱数据建立人工神经网络模型,预测未知样品,讨论了影响网络的各参数,采用逼近度作为网络新的评价标准,由于人工神经网络好的非线性的多变量校正特点,预测结果是准确的。     

人工神经网络分类鉴别苦丁茶红外光谱

为了分类鉴别苦丁茶,采用竞争神经网络(CNN)和反向传播人工神经网络(BP网络)两种模式的人工神经网络(ANN)分别分析了各种苦丁茶的红外谱图。作者采用25个样本作训练集,11个样本作检验集,用两种网络进行了训练。结果表明,CNN网络和BP网络均能够有效地实现苦丁茶产地的鉴别,但CNN网络能够进一步地区分苦丁茶的级别。实验表明,CNN速度快,预测结果准确,可望用竞争神经网络(CNN)和红外光谱法结合分类鉴别苦丁茶。     

近红外光谱法在中药生产过程分析中的应用

应用近红外光谱结合不同化学计量学方法对同仁乌鸡白凤丸原料、辅料、半成品、制剂进行定性和定量分析.建立原料药材的近红外标准光谱库, 利用质量控制(QC) 比较检索方法鉴别未知样品.采用主成分分析-马式距离法鉴别乌鸡.建立半成品标准光谱库, 用相似度匹配算法筛查阴性(缺味)半成品.采用偏最小二乘法对主要原辅料、半成品和制剂进行了定量分析.采用近红外混合过程分析仪结合移动块标准偏差法在线判断同仁乌鸡白凤丸半成品混合终点.所建立的定性分析模型能够对样品做出准确的分类;定量分析方法结果准确可靠.方法准确、可靠、快速、简便、环保, 可通过在线或旁线方式用于工业现场的原位检测.     

三维荧光光谱结合Tchebichef矩快速鉴别掺伪芝麻油

应用FS920荧光光谱仪测定样品的三维荧光光谱数据,直接利用Tchebichef矩提取三维光谱灰度图的特征信息,然后对其进行聚类分析,最后通过逐步回归建立样本中各成分的线性模型。聚类分析能够准确识别掺伪芝麻油,并正确解析其组成成分,得到的线性模型相关系数R>0.99。研究表明,Tchebichef矩能够有效提取光谱的特征信息,应用于掺伪芝麻油鉴别可获得良好的定性和定量分析结果。     

主成分提取在遥感FTIR谱图解析中的应用

建立了基于人工神经网络(ANN)的遥感FTIR谱图解析方法。针对人工神经网络(ANN)训练时间过长和模型“过拟合”的问题,采用偏最小二乘法(PLS)和主成分分析法(PCA),对输入ANN的光谱数据进行了主成分提取,使ANN分析时间从30多分钟缩短为10多秒钟;模型传递技术的引入,克服了遥感FTIR谱图分析中反复建模问题。经过优化的方法,实现了用EPA数据建模,对大气中的四组分混合体系——丙酮、苯、三氯甲烷和甲醇的遥感、实时、准确测定,PLS-ANN模型得到的结果最好,对丙酮、苯、三氯甲烷和甲醇的预测误差分别为0.043,0.031,0.034,0.051,保证了遥感FTIR对大气中有毒气体混合物实时、准确、快速监测。     

不均匀场下基于分子间双量子相干核磁共振技术的果肉检测

核磁共振（NMR）谱图可在不破坏生物样品的状态下提供组织成分组成及其含量的信息,已被广泛应用于生物、医学和食品检测等领域.NMR谱图分辨率越高,提供的与组织成分相关的信息越丰富、越准确,也越有利于未知成分的定性和定量分析.传统的高分辨NMR谱图通常要在均匀磁场下采集.但在实际应用中,均匀的磁场较难获得.这就使得我们采集的NMR谱图的分辨率,以及由此获得的生物组织成分组成和含量等信息的准确性受到影响.源于远程偶极相互作用的分子间双量子相干（iDQC）技术对磁场均匀度不敏感,可在不均匀场下获得高分辨率NMR谱图.本文采用基于iDQC技术的IDEAL-Ⅱ序列对甲基丙烯酸丁酯、蕃茄和西瓜三种样品进行了NMR实验,结果证明基于iDQC技术在不均匀场下获得水果的高分辨NMR谱图是可行的,这对食品科学以及食品检测具有积极的意义.     

化学计量学结合拉曼光谱在生物材料检测中的应用

综述化学计量学结合拉曼光谱在生物材料检测中的应用。报道利用基线校正方法(导数、曲线拟合、小波变换)、归一化方法(矢量归一化、峰高归一化)、复合预处理等方法,可以提高信噪比,恢复失真的信号,实现谱图峰位的正确识别;基于主成分分析、偏最小二乘、聚类分析、目标因子分析、人工神经网络、支持向量机等算法构建化学计量模型,利用模型对拉曼光谱定性或定量分析,分别得到可信的结果;提出未来化学计量建模的方向。     

气相色谱-红外光谱联用技术及应用研究进展

气相色谱-红外光谱联用技术结合了气相色谱法良好的分离能力和红外光谱法结构鉴定的优势,适合复杂未知物成分分离及其定性定量分析。本文综述了气相色谱-红外光谱联用技术（GC-IR）、数据处理方法及其应用研究进展。介绍了GC-IR同其他检测器联用的连接方式。重点综述了GC-IR谱图和数据处理方法及其在石油化工、日用化工、有机反应等领域的应用研究进展,并对气相色谱-红外光谱联用技术及应用进行了展望。     

茶叶定性和定量近红外光谱分析方法研究

分别采集了茉莉花茶、苦丁茶、龙井和铁观音4个种类茶叶共120个样本,利用NIRSystems6500型近红外光谱分析仪对样本进行光谱测量,应用近红外光谱分析技术对茶叶进行定性和定量分析。采用主成分分析法,结合聚类分析法,对4种类别的茶叶进行定性鉴别,通过对不同光谱数据预处理方式和不确定因子系数进行比较,确立了最优定性判别定标模型。同时,采用修正的偏最小二乘法,比较不同光谱预处理方法对定标模型的影响,建立了茶叶中水分、茶多酚和咖啡碱含量的定量分析模型,并对未知样本进行预测。定性分析模型的种类识别准确率达到100％,定量分析模型的决定系数均大于0.91,相对分析误差RPD均大于3。结果表明,利用NIRS分析技术可以快速定性和定量分析鉴别茶叶的类别和成分含量。     

基于优化迭代算法的细胞荧光光谱解析

使用光谱测量方法进行细胞多色荧光分析时, 发射光谱会产生部分光谱重叠, 为定性和定量分析造成了一定的困难。为此, 提出基于优化迭代算法的细胞荧光光谱解析算法, 建立重叠峰模型并确定单峰顶点; 根据每次构造峰面积的大小, 重新确定构造峰的构造方式, 最终得到模拟峰的顶点及面积信息。利用该算法对高斯函数叠加形成的重叠峰进行解析, 并与常规方法进行对比, 结果表明优化迭代算法解析误差稳定在0.15%以内; 加入随机噪声后, 解析误差可稳定在0.85%以内, 均优于另外两种算法。此外, 计算了该算法下的迭代效率, 结果表明该算法较常规方法提高了32.2%。     

人工神经元网络在光谱识别中的应用

本文利用人工神经网络原理设计了一神经元网络,进行了光谱识别实验,当训练光谱与待识别光谱具有相同的定标情形下,网络具有较高的识别率,可以实用。     

The application of artificial neural networks to the inversion of the positron lifetime spectrum

A new method of processing positron annihilation lifetime spectra is proposed.It is based on an artificial neural network(ANN)-back propagation network(BPN).By using data from simulated positron lifetime spectra which are generated by a simulation program and tested by other analysis programs,the BPN can be trained to extract lifetime and intensity from a positron annihilation lifetime spectrum as an input.In principle,the method has the potential to unfold an unknown number of lifetimes and their intensities from a measured spectrum.So far,only a proof-of-principle type preliminary investigation was made by unfolding three or four discrete lifetimes.The present study aims to design the network.Besides,the performance of this method requires both the accurate design of the BPN structure and a long training time.In addition,the performance of the method in practical applications is dependent on the quality of the simulation model.However,the chances of satisfying the above criteria appear to be high.When appropriately developed,a trained network could be a very efficient alternative to the existing methods,with a very short identification time.We have used the artificial neural network codes to analyze data such as the positron lifetime spectra for single crystal materials and monocrystalline silicon.Some meaningful results are obtained.     

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。     

The criteria for selecting a method for unfolding neutron spectra based on the information entropy theory

To further expand the application of an artificial neural network in the field of neutron spectrometry, the criteria for choosing between an artificial neural network and the maximum entropy method for the purpose of unfolding neutron spectra was presented. The counts of the Bonner spheres for IAEA neutron spectra were used as a database, and the artificial neural network and the maximum entropy method were used to unfold neutron spectra; the mean squares of the spectra were defined as the differences between the desired and unfolded spectra. After the information entropy of each spectrum was calculated using information entropy theory, the relationship between the mean squares of the spectra and the information entropy was acquired. Useful information from the information entropy guided the selection of unfolding methods. Due to the importance of the information entropy, the method for predicting the information entropy using the Bonner spheres' counts was established. The criteria based on the information entropy theory can be used to choose between the artificial neural network and the maximum entropy method unfolding methods. The application of an artificial neural network to unfold neutron spectra was expanded.     

基于光谱和神经网络模型的作物与杂草识别方法研究

利用光谱技术来识别作物与杂草是精细农业中一个非常重要的研究内容,但光谱数据中含有大量冗余数据,如何预处理以及建立识别模型,是决定识别准确率的关键。利用在325～1 075 nm波段的光谱识别了三种杂草（牛筋草、凹头苋、空心莲子草）与大豆幼苗。在幼苗生长的第三周与第六周分别采集杂草与作物的光谱,共378个样本。用其中的250个光谱样本,包括第一期和第二期采集的光谱样本,在采用db12小波经过三层分解后,将其小波系数作为输入数据建模,构造了一个径向基函数神经网络。然后,利用余下的光谱样本检验该模型的识别能力。结果表明,该模型对作物与杂草光谱具有极强的识别能力,只有3个第二期的牛筋草样本被判断为空心莲子草,其余的样本全部正确识别。这个结果表明,采用可见/近红外光谱识别大豆幼苗与三种伴随生长的杂草是可行的,同时也说明,随着作物的生长阶段的不同,其光谱的变化不会影响到种类识别。     

基于枸杞红外光谱人工神经网络的产地鉴别

应用红外光谱技术,快速鉴别枸杞药材产地。利用傅里叶变换红外光谱, 测定了45个来自青海省不同产地的枸杞样品的红外光谱。以常规预处理方法和小波变换对红外光谱原始数据进行了预处理。对比常用的窗口移动平滑预处理、标准正态变换以及多元散射校正, 小波变换是一种有效实用的光谱预处理方法。为了提高神经网络的训练速度, 在利用人工神经网络建立模型之前, 通过小波变换的方法对光谱变量进行了压缩, 同时对建立的模型的相关参数进行了详细的讨论。结果表明,红外光谱数据压缩到原来的1/8,其分析精度与原始光谱数据基本相当。以压缩了的光谱数据作为反向传播(BP)网络的输入变量,产地类别作为神经网络的输出变量,建立3层人工神经网络。其中隐含层神经元个数为5个,输出层神经元个数为1个。隐层的传递函数是tansig,输出层传递函数是purelin,网络训练函数trainlm,权阈值的学习函数是learngdm。net.trainParam.epochs=1 000,net.trainParam.goal=0.001。对10个未知枸杞产地类别进行了预测,预测结果准确率达100%。实验表明, 建立的模型能够正确地对枸杞样品快速地进行产地鉴别。红外光谱法结合人工神经网络可作为中药材产地分类鉴别的一种新的现代化方法。     

基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。选用七种常见的塑料作为实验样品,获得每种样品的170组LIBS光谱数据,利用主成分分析获得前五个主成分的得分矩阵。用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集,建立反向传播(BP)人工神经网络模型。将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别,其识别准确度达到97.5%。实验结果表明,通过采用主成分分析与BP人工神经网络相结合的方法,可以很好地进行塑料激光诱导击穿光谱的分类识别,对塑料的回收利用有重要价值。     

人工神经网络结合近红外光谱用于木材树种识别

测量了不同产地及品种的89个木材样品的近红外光谱,并分别使用反向传播人工神经网络(back propagation artificial neural networks,BPANN)与广义回归神经网络(generalized regression neural network,GRNN)建立了NIRS树种识别模型。通过方差分析分别选择两种神经网络所用参数,并采用最优参数进行网络训练。考虑到样品光谱的差异,对含不同水平白噪声与不同水平偏置的光谱进行模拟,并使用建立的模型对模拟光谱进行预测。发现两种神经网络模型均有较好的预测结果,其中BPANN模型,对含偏置水平不高于2％、噪声水平不高于4％的模拟光谱识别正确率在97％以上;GRNN模型,对含偏置水平不高于2％、噪声水平不高于4％的模拟光谱识别正确率在99％以上。