光电光谱法测定钢中酸溶硼

叙述了用光电光谱法测定钢中酸溶硼的方法,探讨了影响结果稳定性和准确性的因素.用本法测定钢中酸溶硼,具有良好的准确度和精密度,结果令人满意.     

普碳钢中含铝量对直读光谱法测定碳的影响

本文介绍了直读光谱仪快速分析碳钢的生产过程，并通过对光谱分析取样中加入铝量的研究，使碳含量分析数据更加准确，试样更具有代表性。     

应用DV－5 2000型直读光谱仪分析钢中的酸溶和酸不溶铝

本文描述了用火花原子发射光谱分析的方法，应用美国Ｂａｉｒｄ公司ＤＶ－５２０００（ＨＲ－４００光源）直读光谱分析钢中的酸溶和酸不溶铝。实验中采取虚拟酸溶铝分析通道、二次积分的方法进行测定。本法快速简便，所得分析值与标准值吻合，结果令人满意。     

光电直读光谱法测定铝合金

介绍了用光电直读光谱仪测定铝合金的方法。该方法简便、快速，具有良好的精密度和准确度，结果令人满意。     

用直读光谱仪测定铝青铜中铝,铁,锰

本文介绍了直读光谱仪直接测定铝青铜中铝，铁，锰三元素的方法，选择和确定了最佳工作条件，通过一套铜合金国家标准样品作出校准曲线，此法快速，准确，简便，分析结果令人满意。     

激光诱导击穿光谱分析钢中酸不溶铝含量

激光诱导击穿光谱(LIBS)具有分析速度快、非接触测量、表面微区分析以及易于实现在线实时监控分析等优点。通过LIBS对块状钢铁样品表面进行扫描分析,实现了钢中酸不溶铝含量的定量表征。铝的异常信号采用Nalimov迭代法剔除,以剩余信号强度的平均值加三倍标准偏差作为阈值强度,高于阈值强度的信号认为由酸不溶铝产生,反之由酸溶铝产生。在用含量校准曲线获得钢中总铝的含量后,分别根据酸不溶铝信号总强度或信号总个数与总铝信号之比,计算钢中酸不溶铝的含量。几种钢铁标准样品及实际生产板坯样品中酸不溶铝含量的对比分析结果表明,根据铝信号总强度获得的分析结果与传统湿法分析结果吻合得更好,可用于快速定量表征钢中酸不溶铝的含量。     

SPECTRO M8光谱仪测定中低合金钢中酸溶铝

叙述了 SPECTRO M8光谱仪测定中低合金钢中酸溶铝的方法 ,探讨了影响结果稳定性和准确性的因素。实验结果表明 ,通过使用类型标准化样品、控制样品制备条件等手段 ,试样分析可获得良好的精密度和准确度 ,完全能满足生产工艺的要求     

光电直读光谱法分析钢中硫影响因素的探讨

本文探讨了影响光电直读光谱法测定钢中硫元素的因素。在分析过程中,通过控制相关因素,可应用光电直读光谱准确测定钢中硫。     

光电直读光谱法分析钢中微量的La和Ce

本文报道了光电直读光谱法测定钢中 La、Ce含量的方法。并对光源的激发方式及工作参数进行了选择。本法简便、快速、准确度和精密度高 ,解决了化学方法操作烦琐、不易掌握的难题。     

人工神经网络分光光度法同时测定钼和铬

在钼,铬－二溴羟基苯基荧光酮－ＣＴＭＡＢ显色体系中,应用三层ＡＮＮ－ＢＰ网络解析钼和铬的吸收光谱,不经分离分光光度法同时测定钼和铬。钼和铬的表观摩尔吸光系数分别为ε５３０＝１．４×１０＾５Ｌ·ｍｏｌ＾－１·ｃｍ＾－１,ε５１２＝３．７×１０＾４Ｌ·ｍｏｌ＾－１·ｃｍ＾－１。以合金钢中钼和铬进行了同时测定,结果满意。使用改进的ＢＰ算法,避免了神经网络学习过程中可能产生的麻痹现象,提出了目标向量的简单     

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。     

人工神经网络在超声无损检测中的应用

人工神经网络对于超声无损检测的发展具有重要的意义，本文对国内外人工神经网络在超声无损检测中应用研究做了较为详细的介绍和分析，指出人工神经网络是实现超声无损检测测定量化的有效途径。     

人工神经网络用于荧光分析法同时测定苯酚和间苯二酚的含量

本文应用人工神经网络原理，以Levenberg-Marquardt BP算法对荧光光谱严重重叠的苯酚、间苯二酚的混合体系进行同时测定，在290－345nm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，并通过均匀设计安排样本进行网络训练和计算，网络训练8次即达到误差精度要求（误差平方和小于0.01）。苯酚、间苯二酚的平均回收率分别为100.2%，９９.99%，相对标准偏差分别为０.４％，１.3％。     

人工神经网络对VOCs的自动识别

利用人工神经网络(ANN)对严重混叠的傅里叶变换红外光谱图进行了定性和定量解析。通过大量模拟数据训练神经网络后,引用了新的评价标准——逼近度来选择最优网络模型。利用此优化网络对两类光谱图进行了解析,考察了网络的泛化能力。结果表明：该网络不仅能够对两组分同时存在时的样本进行准确解析,而且对于未知单组分光谱图,也能够进行准确鉴别和定量分析。可见, 该研究为人工神经网络在单组分和多组分未知物的定性和定量分析方面提供了一种新思路。     

人工神经网络用于光度法同时测定三组分染料混合物

应用人工神经网络原理,以快速BP算法,对紫外可见吸收光谱严重重叠的三组分的染料溶液同时进行含量测定。在200～590nm的范围内,以7个特征波长处的吸收值作为网络特征参数,通过网络训练,复品红、结晶紫、藏红T的相对标准偏差分别为0.34％,0.67％,1.03％,三者的回收率在95.5％～104％之间。实验表明,该算法速度快,预测结果准确,可望用人工神经网络和光度法结合定量测定混合染料。     

人工神经网络用于光度法同时测定铜钴镍

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。     

人工神经网络法对多组分大气污染物的同时监测

用 18 7 8的反向传播人工神经网络 (BP ANN)模型 ,对FTIR光谱图存在着严重混叠干扰的八种有毒易挥发有机化合物 (VOCs)组成的大气污染物进行了同时定量测定 ,得到了各污染物的浓度。所测定的八种VOCs为苯乙酮 ,苯酚 ,三氯甲苯 ,1,3丁二烯 ,氯苯 ,甲醇 ,三氯代乙烷和二氯甲烷。用标准预测误差 (%SEP) ,平均预测误差 (MPE)和平均相对误差 (MRE)来评价其预测能力。结果表明 ,本方法对多组分大气污染物定量分析 ,能够得到较为满意的结果。     

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。     

Interpretation of FTIR Spectra by Principal Components–Artificial Neural Networks

In order to improve the training speed and increase the predictive ability of artificial neural networks, principal component analysis (PCA) and partial least squares (PLS) were introduced to compress the original data. The principal components (PCs) of FTIR spectroscopic data matrix were obtained by PCA and PLS methods respectively, which were used as the inputs of neural networks. Results indicated that improvement was achieved in three aspects when the PCs instead of the original data were input to the networks. First, iterations were distinctly decreased from 8000 to less than 10. Second, computation time was shortened from 34.95 s to less than 1 s. Third, standard error of prediction (%SEP), mean relative error (MRE), and the root mean square error of prediction (RMSEP) decreased by 35% for the singular value decomposition–artificial neural network (SVD‐ANN) and 80% for the nonlinear iterative partial least squares–ANN (NIPALS‐ANN) or so, which means that the predictive ability was improved significantly. In addition, F‐test was introduced to compare the performance of PCA and PLS for compression of original data, and it was shown that the latter model was more efficient. The presented methodologies of variable selection provide a simple and rapid technique for ANN to interpret FTIR spectra accurately and are advantageous to the widespread use of artificial neural networks.