木糖醇的红外光谱和拉曼光谱研究

实验测量了木糖醇的拉曼光谱和红外光谱,在相关文献的帮助下,对其谱带进行了初步指认。在拉曼光谱中,1000cm-1～1110cm-1之间的中等强度振动属于C-O伸缩振动和H-C-O弯曲振动。850cm-1到920cm-1之间的振动属于C-C伸缩振动。羟基面内弯曲振动在红外吸收光谱中出现在1300～1500cm-1,O-H的变形振动δO-H出现在1420～1380cm-1。     

基于大黄的红外光谱的人工神经网络鉴别研究

将傅里叶变换红外光谱法和人工神经网络用于鉴别正品和非正品大黄样品。在对神经网络训练前用小波变换对测量的红外光谱进行压缩,将原700个数据点的光谱压缩到44个变量,因此加速了神经网络的训练速度。52个大黄样品被用于网络模型的建立,其中包括25个正品大黄和27个非正品大黄的样品。文章还对隐含层神经元数目和动量参数的影响做了考察。结果表明,在优化的条件下用该方法对大黄样品的鉴别正确率达到98％。这种方法可被用于含大黄中药生产的质量控制。     

苯海拉明的拉曼光谱和红外光谱研究

测量并分析了盐酸苯海拉明的红外光谱和拉曼光谱。在Raman光谱中, 1001 cm-1出现一个极强峰, 在1030 cm-1和618 cm-1各有一个中等峰,此外,在红外光谱中, 714 cm-1和757 cm-1附近出现极强的吸收峰,认定这个化合物中存在单取代苯。C-N的对称伸缩振动出现在837 cm-1, 1433 cm-1和1470 cm-1分别为CH2和CH3的变形振动, 在红外光谱中, 1020 cm-1处明显的吸收峰属于C-O-C反对称伸缩振动。此外, 测量得到含量为25 mg苯海拉明药片的拉曼光谱与纯苯海拉明的拉曼峰比较一致, 可作为无损快速检测该药物的手段。     

输入层自构造神经网络用于红外光谱多元校正

为了解决多组分红光谱定量分析中的特征的取和校正建模问题，本文提出了一种输入层自构造神经网络。在应用这种网络之前的预处理过程首先对训练数据进行分析，获得关于问题的某些先验知识。在训练阶段，神经网络根据先验知识自动选择输入层神经元的个数，同时确定网络参数。这种网络模型将特征提取和参数学习过程融为一体，有利于提高建模效率。利用仿真红外光谱的定量分析实验表明，这种网络模型不仅能够对光谱数据实现高效率的波长选择，并具有抑制随机噪声和非线性干扰的能力。     

黑豆和牵牛子红外光谱的分析与鉴定

种子类中药材黑豆和牵牛子都含有大量的油脂和蛋白质,因此两种药材的一维红外光谱极其相似,为了区别科属不同的两种药材,采用红外光谱三级鉴定法对黑豆和牵牛子进行分析鉴定。经典红外光谱中,黑豆和牵牛子均有1 745 cm-1表征油脂类的特征吸收峰,以及1 656和1 547 cm-1表征蛋白质酰胺Ⅰ带和酰胺Ⅱ带的特征吸收峰。其中油脂特征吸收峰与蛋白质特征吸收峰的相对高度不同,说明二者的相对含量不同。同时,一维红外光谱对两种中药材主体成分的分析结果,即含有大量的油脂和蛋白质,与文献所报道的一致。在二阶导数红外光谱中,牵牛子中存在1 712 cm-1属于有机酸类的特征吸收峰,然而黑豆中却没有此吸收峰的存在。此外导数光谱中两种药材峰形和峰强度的差别更为明显。二维相关红外光谱中,黑豆和牵牛子自动峰的峰位置和峰强度等均具有显著差异。在1 500~1 700 cm-1波数范围内,黑豆有2个明显自动峰,牵牛子有3个明显的自动峰。在2 800~3 000 cm-1波数范围内,黑豆和牵牛子均有2个强自动峰,但最强自动峰的位置不同。运用红外光谱三级鉴定法,可以更直接快速简便的分辨出主体成分相同的两种种子类中药材,为今后的研究打下基础。     

红外光谱和拉曼光谱的联系和区别

文章综述红外光谱和拉曼光谱的基本原理、产生条件,讨论二者之间的联系和区别：（1）红外光谱常用于研究极性基团的非对称振动;拉曼光谱常用于研究非极性基团与骨架的对称振动;（2）拉曼光谱一次可以同时覆盖40-4000cm-1波数的区间,可对有机物及无机物进行分析;（3）拉曼光谱可测水溶液,而红外光谱不适用于水溶液的测定;（4）拉曼光谱中既有红外光谱解析中的定性三要素还有去偏度ρ,通过测定ρ,可以确定分子的对称性.这两者在应用中互补,掌握和运用这两种光谱技术在分子定性、定量、分子结构及表面形态等研究方面具有一定的指导意义.     

对乙酰氨基酚的拉曼光谱和红外光谱研究

文章用理论计算(DFT,密度泛函理论)和实验两种方法得到了对乙酰氨基酚的拉曼光谱(NRS)和红外光谱(IRS)。得到的理论值和实验值的基本符合。通过对其对比分析,再结合相关文献,对其拉曼光谱和红外光谱振动模式的归属分别进行了指认。     

基于径向基神经网络和BP神经网络对日落黄荧光光谱的分析

对食用合成色素日落黄的荧光光谱进行研究,发现在最佳激发波长370nm紫外光的激励下,荧光峰值波位于576nm;经分析认为,日落黄溶液之所以能产生荧光是因为分子中偶氮键将一个苯环和一个萘环连接在一起,形成大共轭结构,并且取代基与—SO3Na与—OH处于萘环的对位,大大增强了日落黄分子的共轭程度,使其具有强的吸光功能,发出强荧光。另外,结合径向基神经网络和BP神经网络对未知样本进行浓度预测,结果精确,平均相对误差分别为3.51%和5.45%,RSD分别为1.83%和2.95%。该方法有望成为对食用合成色素进行高效检测的有效方法。     

深度神经网络在红外光谱定量分析VOCs中的应用

鉴于浅层人工神经网络(ANN)需要依靠先验知识进行人工提取特征,同时较浅的网络结构限制了神经网络学习复杂非线性关系的能力,将深度神经网络(DNN)应用于利用傅里叶变换红外光谱(FTIR)对多组分易挥发性有机物(VOCs)进行的浓度反演研究,并利用仿真实验验证了算法的有效性。从美国环境保护署(EPA)的数据库中选取了包括苯、甲苯、 1,3-丁二烯、乙苯、苯乙烯、邻二甲苯、间二甲苯、对二甲苯在内的八种VOCs气体在8~12μm波长范围内的吸光度谱,每种气体有四种不同浓度下的谱线,依据Beer-Lambert定律从每种VOCs气体中选择一种浓度下的吸光度谱进行混合,得到65 536种不同的VOCs混合气体吸光度谱样本。随机选择5 000组混合气体的吸光度谱,其中4 000组作为训练样本, 1 000组作为预测样本。通过积分提取和主成分提取对光谱矩阵进行降维预处理,将光谱维度从3 457维降到30维。将光谱矩阵经过预处理后得到的新矩阵作为网络输入,对应八种VOCs的浓度矩阵作为输出,建立了30-25-15-10-8的深度神经网络回归预测模型来实现多组分VOCs浓度反演,反演得到样本的均方根误差为0.002 7×10-6,相比于前人利用非线性偏最小二乘拟合、人工神经网络等方法拟合的精度有了明显的提高。每种VOCs气体的均方根误差均不超过0.005×10-6,每个样本的均方根误差均不超过0.006×10-6,证明了深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性。当训练样本不足(典型值:小于500)时,深度神经网络无法充分地学习,网络误差较大,精度低于单隐藏层的人工神经网络,但随着训练样本数量的增加,深度神经网络的精度不断提高,当训练样本数充足时,相比浅层的人工神经网络,深度神经网络具有更强的非线性关系学习能力,预测精度更高,模型更为稳定。同时,由于训练前对光谱矩阵进行了降维处理,大大降低了算法的复杂度,有效提高了反演效率。分析表明,深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性,无需人工提取特征就能够充分学习数据特征,同时对多组分VOCs进行浓度反演并达到较高精度。     

对称点模式-深度卷积神经网络的红外光谱识别方法

红外光谱分析在自然科学、工程技术等诸多领域发挥着重要作用.随着计算机和人工智能技术的不断发展,对红外/近红外光谱分析提出了更高的要求.深度学习以人工神经网络为架构,通过对数据进行分层特征提取完成特征/表征学习,在解析数据细节特征方面具有独特的优势,在计算机视觉、语音识别、疾病诊断等多领域得到成功应用.尽管深度学习在图像...     

基于可见光谱和卷积神经网络的贝类识别方法

目前卷积神经网络（CNN）在物体种类识别方面取得突破性进展。贝类作为农业经济的重要组成部分,种类繁多,特点复杂,大多贝类存在着相似度高,各类样本分布不均衡情况,以致CNN对贝类分类的准确率偏低。针对这一情况,提出了基于可见光谱和CNN的贝类识别方法,旨在提取更有效的贝类特征,从而提高贝类分类的准确率。首先,提出了一种包含输出熵度量和正交性度量的滤波器信息度量与特征选择方法,重新初始化修剪掉的滤波器并使其正交,捕获网络激活空间中的不同方向,使神经网络模型学习到更多有用的贝类特征信息,提升模型分类准确率;其次,提出了一种包含正则化项和焦点损失项的贝类分类目标函数,通过控制各类别样本对总损失的共享权重,来减少易分类样本的权重,以使模型注意力向预测不准的样本倾斜,均衡样本分布和样本分类难度,进一步提高贝类分类的准确率。贝类图像数据集由74类贝类组成,共11 803张图像。获取原始数据集后,对数据集图像进行水平翻转、垂直翻转、随机旋转、在[0, 30°]范围内旋转、在[0, 20%]范围内缩放和移动等数据增强操作,将图像数量从11 803张增加到119 964张。整个图像数据集按8∶1∶1的比例随机分为训练集95 947张图片、验证集11 996张图片和测试集12 021张图片。在建立贝类图像数据集的基础上进行了实验验证,达到了93.38%的分类准确率,将基准网络（Resnest）的准确率提高了1.18%,相较网络SN_Net和MutualNet,准确率分别提升了4.34%和0.85% ,并且训练时长为22 320 s,将基准网络（Resnest）的训练时长缩短了960 s,训练时长分别比SN_Net和MutualNet短3 180和2 460 s。实验结果证明了该方法的有效性。     

基于人工神经网络的淫羊藿红外光谱的研究

对于不同产地和不同栽培条件的药材, 其药效的不同是由于其所含化学成分和各成分含量的比例不同所造成的, 这种差异将造成红外图谱的差异。但这些差异非常细微,单纯地从谱图去区分其特征是非常困难的。文章利用傅里叶变换红外光谱,测定了42种来自吉林3个不同产地的淫羊藿样品的红外光谱,并对光谱数据进行了相应的预处理。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。实验表明,建立的模型能够正确地对42个淫羊藿样品进行产地鉴别,同时避免了传统光谱分析对药材的分离和提取,从而为中药质量的科学控制和现代化管理提供了可靠的依据。     

近红外光谱结合主成分分析和BP神经网络的转基因大豆无损鉴别研究

为探究无损鉴别转基因大豆的可行性,利用近红外光谱分析仪对大豆扫描得到反射光谱,应用主成分分析结合BP神经网络方法进行分析鉴别。首先应用主成分分析法,得到包含大豆99.03%的光谱信息的6个主成分,再将其作为BP神经网络的输入,对应的大豆种类作为输出,建立一个三层BP神经网络模型。该模型对于转基因大豆的正确识别率为100%,说明近红外光谱结合主成分分析和BP神经网络的方法能无损快速准确地鉴别转基因大豆。     

Research of Software Defect Prediction Model Based on Complex Network and Graph Neural Network

The goal of software defect prediction is to make predictions by mining the historical data using models. Current software defect prediction models mainly focus on the code features of software modules. However, they ignore the connection between software modules. This paper proposed a software defect prediction framework based on graph neural network from a complex network perspective. Firstly, we consider the software as a graph, where nodes represent the classes, and edges represent the dependencies between the classes. Then, we divide the graph into multiple subgraphs using the community detection algorithm. Thirdly, the representation vectors of the nodes are learned through the improved graph neural network model. Lastly, we use the representation vector of node to classify the software defects. The proposed model is tested on the PROMISE dataset, using two graph convolution methods, based on the spectral domain and spatial domain in the graph neural network. The investigation indicated that both convolution methods showed an improvement in various metrics, such as accuracy, F-measure, and MCC (Matthews correlation coefficient) by 86.6%, 85.8%, and 73.5%, and 87.5%, 85.9%, and 75.5%, respectively. The average improvement of various metrics was noted as 9.0%, 10.5%, and 17.5%, and 6.3%, 7.0%, and 12.1%, respectively, compared with the benchmark models.     

卷积神经网络和近红外光谱的土壤pH值预测

土壤pH值是影响土壤养分转化和土壤肥力的关键因素,使用近红外光谱技术对土壤pH值进行检测可为土壤资源的开发利用提供重要依据.卷积神经网络作为深度学习在人工智能方面的典型算法,由于其结构具备"局部感知,权值共享"的能力,因此不仅能够对复杂的光谱数据进行特征抽取,还能够减少网络的训练参数,提高网络的运算效率.将卷积神经网络...     

空气中O2和N2摩尔分数的拉曼散射多通道测量

开发了一套基于激光拉曼散射的多通道气体光学检测系统,应用于空气中主要组分的摩尔分数定量测量.针对性的设计了532 nm激光脉冲展宽器,能有效地避免脉冲激光在高能量状态下造成气体裂解、石英玻璃损伤等现象的发生,提高了气体拉曼散射的信噪比.在实验室环境压力和温度下,对气体样池内空气进行了长66 mm×直径1 mm激发区域同步10通道(每通道长约6.6 mm)的拉曼散射实验.得到了各通道下氧气(O2)和氮气(N2)的拉曼光谱和摩尔分数,及O2相对于N2的相对响应因子RO2.完成了26次重复性实验,每次为200个激光脉冲激发自发拉曼光谱的累加.结果表明,各通道间计算的平均的氧摩尔分数x-O2和相对于氮气的相对响应因子-RO2的标准偏差分别为0.015和0.024,但它们的平均值与10通道合并方式下的实验结果完全相同,准确率达98%,完全满足实时地并具有时空分辨力的定量测量混合气体摩尔分数的要求.该系统可满足于各种动态燃烧过程的光谱检测与分析.     

基于RBF神经网络的非色散红外SF_6气体传感器

利用波段为2~20μm的电调制红外宽谱光源和中心波长为3.95μm及10.55μm的双通道热释电探测器,采用单光源双波长光路结构设计了一种新型SF6气体传感器.运用径向基函数神经网络对传感器在检测过程中因环境温度变化所带来的测量误差进行补偿,结果表明:SF6气体传感器在环境温度10~35℃、气体浓度0~0.200%范围内的检测准确度小于±1.5%FS,相对标准偏差为1.56%,可以有效消除在测量气体浓度时环境温度变化引起的非线性影响.与传统经验公式法和温度控制法相比,该方法具有良好的测量准确度和稳定性,且无需增加硬件温度补偿模块,有利于传感器的小型化和低成本设计.     

基于偏最小二乘增量式神经网络的近红外光谱定量分析模型

提出了一种基于偏最小二乘增量式神经网络的近红外光谱定量分析模型。该模型采用典型三层反向传播神经网络(BPNN),不同波长吸光度和成分浓度是模型的输入和输出。在使用历史样本训练之前先进行偏最小二乘(PLS)回归,所得自变量和因变量的历史负荷矩阵分别用于确定模型输入层和输出层的初始权值,且自变量的主成分个数作为隐层的节点数。当获得新的样本时,对新数据与历史负荷矩阵组合后进行PLS回归,将所得新的负荷矩阵与历史负荷矩阵融合后作为模型输入层和输出层新的初始权值,接着使用新样本对模型进行训练来实现增量式更新。将所提模型与PLS、BPNN、基于PLS的BPNN、递归PLS在天然气燃烧烟气近红外光谱数据上测定后比较。对于烟气中二氧化碳浓度的预测,所提模型的预测均方根误差(RMSEP)分别降低了27.27%,58.12%,19.24%和14.26%;对于烟气中一氧化碳浓度的预测,所提模型的RMSEP分别降低了20.65%,24.69%,18.54%和19.42%;对于烟气中甲烷浓度的预测,此模型的RMSEP分别降低了27.56%,37.76%,8.63%和3.20%。实验结果表明,所提模型不仅通过PLS对BPNN结构和初始权重的优化,使模型具有较强的预测能力,而且能在已建模型信息的基础上,不访问旧数据而用新增样本即可完成自身的增量式更新,从而使模型具有较好的稳健性和泛化性。     

基于卷积神经网络特征提取的拉曼光谱分类研究

拉曼光谱物质定性识别已被广泛的应用于化工、安防、缉毒等行业和研究领域,但是传统的拉曼光谱分析技术依赖于光谱数据库,通过光谱特征提取进行识别。特征提取是拉曼识别的关键处理步骤,通常利用主成分分析,因子分析等方法进行特征提取,而后通过KNN,SVM和随机森林等方法进行光谱特征定性识别,当拉曼数据库不存在待定性物质时,易造成待检测物质的错误分类。针对此问题,提出一种基于卷积神经网络的对数据库缺少物质光谱识别方法。在实验过程中,采用九类,200余种精神类药品拉曼光谱作为测试对象,通过搭建卷积神经网络自动特征提取并利用Softmax分类器将200余种物质,按照Amphetamine, cathinone, cannabinoids等九种类别进行定性分析。通过与传统机器学习方法如K近邻,支持向量机等方法进行比较,基于卷积神经网络的模型识别准确性有显著提高,该方法可为拉曼光谱数据库的光谱识别检索提供一种新的识别方法。