抑制型离子色谱法测定蔬菜中的NO2-和NO3-

用抑制型离子色谱法定量测定了NO2-和NO3-.两种阴离子在最佳色谱条件下,8 m in内达到基线分离.对于NO2-,检出限为0.002 mg/L,相对标准偏差为2.58%,线性范围0.2 mg/L~20 mg/L,相关系数0.999 6.对于NO3-,检出限为0.011 mg/L,相对标准偏差为2.01%,线性范围0.3 mg/L~30 mg/L,相关系数0.999 2.该法用于蔬菜中NO2-和NO3-的测定,结果良好.     

基于神经网络的黑莓果酒香气成分的定量结构色谱保留相关研究

采用人工神经网络(ANN)建立了36种黑莓果酒香气成分的结构与色谱保留时间之间的定量关系(QSRR)模型。以36种黑莓果酒香气成分的分子连结性指数和电拓扑指数作为输入、保留时间作为输出,采用内外双重验证的办法分析和检验所得模型的稳定性,所构建网络模型的相关系数为0.9993、交叉检验相关系数为0.9949、标准偏差为0.1100、残差绝对值小于0.47,应用于外部预测集,外部预测集相关系数为0.9833。为了便于比较,也采用多元线性回归(MLR)法建立了QSRR模型,模型的相关系数为0.9904、交叉检验相关系数为0.9905、标准偏差为1.4896、残差绝对值小于4.32,外部预测集相关系数为0.8973。结果表明,ANN模型获得了比MLR模型更好的拟合效果。     

醛酮化合物结构与保留指数关系的研究

以非氢原子自身及非氢原子之间的关系为分子结构描述符,对35个醛酮类化合物进行了结构表征。采用多元线性回归和偏最小二乘回归的方法建立了该类化合物结构与色谱保留指数之间的关系模型,两模型的复相关系数(R)分别为0.987和0.981,标准偏差(SD)分别为25.259和32.240。采用"留一法"交互检验和外部样本预测的方法对模型的稳健性和预测能力进行了评价,交互检验的复相关系数(RCV)分别为0.981和0.958,标准偏差(SDCV)分别为34.292和39.652;外部预测的复相关系数(Rtest)分别为0.991和0.990,标准偏差(SDtest)分别为25.749和26.776。结果表明所构建的分子结构描述符能够恰当表现该类化合物结构特征,所建模型具有良好的稳健性和预测能力。     

火焰原子吸收法测定大气飘尘中痕量铅铜锰铁钙镁

研究了用火焰原子吸收分光光度法测定大气飘尘中痕量铅、铜、锰、铁、钙、镁,回收率96%～104%,相对标准偏差在4%以内.六种元素的线性良好,相关系数在0.9997～0.9999之间.     

二元无机物标准熵 So298的拓扑研究

为了预测二元无机物的标准熵,基于分子图的连接矩阵和离子参数gi、qi,提出了一种新的连接性指数mQ, mG及其逆指数mQ’, mG’。 qi、gi定义为：qi=(1.1+Zi1.1) /(1.7+ni), gi=(1.4+Zi) /(0.9+ri+ri-1),其中Zi 、ni和 ri分别代表离子i的电荷数、最外层主量子数和半径。从0Q, 0Q’, 1G,和1G’,利用多元线性回归分析方法和人工神经网络方法,可以构建优良的QSPR模型。对371个二元无机物,其多元线性模型及神经网络模型的相关系数、标准偏差和平均绝对偏差分别是：0.9905, 8.29 J.K-1.mol-1, 6.48 J. K-1.mol-1, 0.9960, 5.37 J.K-1.mol-1 和 3.90 J.K-1.mol-1。留一法交叉验证表明,其多元线性模型具有良好的稳定性。两个模型对187个未进入模型的二元无机物的标准熵的预测值和实验值之间的相关系数、标准偏差和平均绝对偏差分别是：0.9897, 8.64 J. K-1.mol-1, 6.84 J. K-1.mol-1, 0.9957, 5.63 J.K-1.mol-1, 和 4.18 J.K-1.mol-1。研究表明,本文方法在预测二元无机物标准熵时比文献方法更有效,两种模型均能较精确的预测二元无机物的标准熵,且神经网络模型的预测结果更精确。     

利用分子路径指数矢量对烷烃摩尔响应值的估计与预测

 利用分子路径指数矢量表示烷烃分子结构方法 ,结合多元线性回归算法及反传神经网络算法 ,对烷烃摩尔响应值进行处理 ,获得了比文献更佳的预测效果 ,交互校验的相关系数达 0 96 8以上。     

溴离子选择电极法测定有机化工产品中四丁基溴化铵的残留

建立了有机化工产品中四丁基溴化铵残留测定的新方法。该法线性范围为0.01~0.10 g/L,检出限为0.4 mg/L,相对标准偏差为2.4%(0.05 g/L,n=11),相关系数为0.998,用于实际样品测定,结果令人满意。     

用分子子图对烷烃摩尔响应值的估计与预测

提出了一种新的烷烃拓扑子图表示方法,并结合多元线性回归算法和反传神经网络算法,对烷烃摩尔响应值进行处理,获得了比文献更佳的预测效果,交互校验的相关系数ｒ＝０．９８９。     

火焰原子吸收分光光度法测定饲料中的钙含量

采用硝酸锶作干扰制剂，不经分离，直接用火焰原子吸收分光光度法测定饲料中的钙含量。该方法的线性范围为0-7.0μg/ml。线性回归方程为A=37.5169C 1.1143，相关系数r=0.9998，相对标准偏差为0.59%-1.53%，回收率为98%-100.5%。该方法简便、快速。     

流动注射-氢化物发生-原子吸收光谱法测定香烟接装纸中的痕量铅

研究了流动注射-氢化物发生-原子吸收光谱法测定香烟接装纸中铅含量的分析方法.讨论了氢化物发生的最佳条件,方法的回收率为95%～104.5%,检出限可达0.22 ng/mL,线性范围在0～50 ng/mL,线性回归方程为y=0.012x 0.0106,相关系数γ=0.9997,相对标准偏差在1.2%～3.3%.     

Simultaneous Determination of Vitamin B Complex Using Wavelet Neural Network

A simultaneous determination of four components of B‐group vitamin, using a novel wavelet‐based neural network (WNN), combined with correlation coefficient and standard deviation approach for wavelength selection, was reported in this work. Eleven representative wavelength points were selected from each original UV spectrum, based on correlation coefficients and standard deviations of the observed data. A family of wavelet basic functions built from Morlet wavelet was adopted to improve the transfer quality of output data and solve the problems of training difficultly involved in neural networks. The predicted results, with fitting correlation coefficients (R = 0.9998–0.9999) and rooted mean squares errors (RMS = 0.0578–0.1478), are satisfactory.     

酚类污染物土壤吸收系数定量预测

本文将分子结构表征方法(MEDV)进行改进,得到按非氢原子间距离分类的分子电性距离矢量,将该矢量用于酚类化合物结构表征,并与其土壤吸收系数(lgKoc)建立定量结构与性质关系(QSPR)模型。利用逐步回归(SMR)得到的4变量模型复相关系数(R2)为0.970、标准偏差(SD)为0.198,留一法(LOO)交互校验(CV)预测值的复相关系数(R2cv)为0.916、标准偏差(SDcv)为0.337。结果表明该矢量具有较强的分子结构表达能力,模型具有良好的预测能力与稳定性。     

Structural Characterization and Toxicity Prediction of Some Organic Compounds

A new molecular structural characterization(MSC)method called molecular vertexes correlative index(MVCI)was constructed in this paper.The index was used to describe the structures of 45 compounds and a quantitative structure-activity relationship(QSAR)model of toxicity(–lgEC50)was obtained through multiple linear regression(MLR)and stepwise multiple regression(SMR).The correlation coefficient(R)of the model was 0.912,and the standard deviation(SD)of the model was 0.525.The estimation stability and prediction ability of the model were strictly analyzed by both internal and external validations.The Leave-One-Out(LOO)Cross-Validation(CV)correlation coefficient(RCV)was 0.816 and the standard deviation(SDCV)was 0.739,respectively.For the external validation,the correlation coefficient(Rtest)was 0.905 and the standard deviation(SDtest)was 0.520,respectively.The results showed that the index was superior in molecular structural representation.The stability and predictability of the model were good.     

偏最小二乘-反向传播-近红外光谱法同时测定饲料中4种氨基酸

偏最小二乘与人工神经网络联用对70个饲料样品建立起天门冬氨酸(Asp)、谷氨酸(Glu)、丝氨酸(Ser)和组氨酸(His)4种氨基酸含量的预测校正模型,以样品平行扫描光谱验证校正模型预测的准确性和重现性。用偏最小二乘法将原始数据压缩为主成分,采用单隐层的反向传播网络建模。取前3个主成分的12个数据输入网络,以Kolmogorov定理为依据,经过实验确定中间层的神经元个数为25,初始训练迭代次数为1000。偏最小二乘-反向传播网络模型对样品4个组分含量的预测决定系数(R2)分别为:0.981、0.997、0.979、0.946;样品平行扫描光谱预测值的标准偏差分别为:0.020、0.029、0.017、0.023。本研究为近红外快速检测在组分含量较低的样品实现多组分同时测定提供了思路。     

Structural Characterization and Retention Time Prediction for Components of Essential Oil of Meconopsis Integrifolia Flowers

A molecular structural characterization (MSC) method called reduced molecular electronegativity-distance vector (MEDVR) was used to describe the molecular structures of 55 components of meconopsis integrifolia flowers. By use of stepwise multiple regression (SMR) and partial least square (PLS) methods, a model with the correlation coefficient (R1) of 0.987 and the standard deviation (SD1) of 1.377 could be obtained. Then through multiple linear regression (MLR), another model with the correlation coefficient (R2) of 0.989 and standard deviation (SD2) of 1.395 could be constructed. Furthermore, in virtue of variable screening by the stepwise multiple regression technique (SMR), 8 vectors were selected to build up another model with its correlation coefficient (R3) and standard deviation (SD3) of 0.989 and 1.366, respectively. Then all the three models were evaluated by performing cross-validation with the leave-one-out (LOO) procedure, and the correlation coefficients (QCV) were 0.981, 0.976 and 0.979, respectively. The results show that the models constructed could provide estimation stability and favorable predictive ability.