排序方式: 共有30条查询结果,搜索用时 78 毫秒
21.
22.
表面等离子体共振(surface plasmon resonance, SPR)传感技术是生物化学分析领域常用的分析手段和研究工具,与其相关的研究不计其数,发展日新月异。本研究小组从事SPR传感技术研究近十年,从初期的理论研究、仿真计算、传感器设计以及全自动SPR生物分析仪开发与应用研究,到目前的传感器性能提高、应用拓展,时刻关注着该项技术的最新动态。本文系统综述了SPR传感技术和生物分析仪的原理、结构以及主要功能模块,SPR传感器的调制类型、耦合方式以及SPR成像传感器;介绍了结合局域表面等离子体共振(local surface plasmon resonance, LSPR)技术、改进金属膜系设计、优化数据处理算法等提高SPR生物分析仪性能的方法;阐述了SPR传感技术和生物分析仪的最新进展,包括SPR技术和微流控芯片、电化学技术、表面增强拉曼散射技术(SERS)的联用;列举了SPR生物分析仪在临床诊断、药物筛选、生物分子研究、食品安全和环境监测等领域的应用实例;最后,分析了SPR生物分析仪面临的主要问题以及未来的发展趋势。 相似文献
23.
基于紫外吸收光谱的COD测量方法,尽管具有快速、实时、免试剂、无污染等优势。但该方法对于组分多变的水样适应性不强,构建的单一计算模型不能适用于所有待测水样类型,导致其在复杂环境下测量准确度较低,从而限制了其应用领域。本研究提出一种基于水样类型识别的测量方法。其过程包括:动态识别水样类型→自动选择相应的"吸光度(Auv)-COD"算法模型→计算COD。该方法有效提高了紫外光谱法COD测量的准确度和适用性。该研究在传统的光谱识别技术的基础上,针对COD实际测量的特点加以改进。选取水样吸光度曲线的形貌特征作为水样类型的表征参数,利用LM-BP神经网络作为识别算法。并引入了"历史数据队列"、"历史识别因子"的概念,在此基础上形成了级联的神经网络结构。该算法实现了COD测量应用中的高准确度的光谱识别,进而提高了复杂环境下COD测量的精度。大量实验测试和结果表明,与传统的光谱识别技术相比,该方法在COD测量应用中具有更好的鲁棒性和准确性。水样类型识别准确率达98%以上。同时算法结构简单,计算量小,适用于资源受限的小型化COD测量仪。当仪器在复杂多变的水环境中进行测量时,采用该算法测量得到的COD精度有显著的提高。该方法的提出为光谱COD测量法在水体组分多变场合的应用及提高其测量精度提供了技术保证,可望解决传统紫外光谱COD测量法难以适应变化和复杂水环境应用的问题。 相似文献
24.
本文研究具反馈控制的多滞量Logistic增长模型的全局吸引性.所得结果改善井推广了一些已知定理. 相似文献
25.
本分析了高师数学系与人才培养模式改革的背景,提出了新的课程体系及人才培养模式,总结了新的培养模式在郴州师专数学系的实践过程。 相似文献
26.
27.
28.
为实现汽油中所含组分含量的快速测定,对93号、97号汽油,芳烃、烯烃、苯、甲醇、乙醇等几类物质,以及往汽油中添加几类物质后的410个汽油混合物进行拉曼光谱检测。将获取的原始拉曼光谱经过有效波段提取、平滑去噪、基线扣除、数据归一化等一系列预处理过程,最终提取出每个汽油混合样品光谱中所含的33个特征峰信息,依据现行的国标检测方法,以气相色谱法测定的汽油中各组分含量值为基础,结合化学计量学多重回归分析方法,建立了汽油组分含量测定模型。经过比较,使用多输出最小二乘支持向量回归机(MLS-SVR)建立的模型优于偏最小二乘(PLS)模型。MLS-SVR模型对汽油中芳烃、烯烃、苯、甲醇、乙醇测定精度均较好,预测均方根误差(RMSEP)分别为0.27%,0.30%,0.16%, 0.17%, 0.12%;相应的相关系数(r)为0.999 2,0.998 4,0.998 5,0.992 6,0.996 8。通过对未知混合汽油样品的测定,证明了该方法具有较好的推广预测精度,预测均方根误差不超过0.5%,能够满足工业中的测量需求。拉曼光谱结合多输出最小二乘支持向量机为汽油组分测定提供了一种高精确、快捷、方便的测定方法。 相似文献
29.
拉曼光谱和MLS-SVR的食用油脂肪酸含量预测研究 总被引:1,自引:0,他引:1
为实现食用植物油中饱和脂肪酸、油酸、亚油酸含量的快速预测,对一批纯食用油以及不同比例两两混合油共91个样品进行了拉曼光谱检测,在800~2 000 cm-1范围内,通过基于寻峰算法的自动确定支点的基线拟合方法,对获得的光谱数据进行预处理,提取八个特征峰作为拉曼光谱的特征值。以这些特征值为输入,以样品油中实际饱和脂肪酸、油酸、亚油酸含量为输出,运用偏最小二乘回归(PLS)和多输出最小二乘支持向量回归机(MLS-SVR)方法,分别建立了可以同时预测三种脂肪酸含量的数学模型,结果表明MLS-SVR方法具有较好的效果。将MLS-SVR模型的预测结果与气相色谱法结果相比较,可得到三种脂肪酸的预测均方根误差分别为0.496 7%,0.840 0%和1.019 9%,相关系数分别为0.813 3,0.999 2和0.998 1;对未知样品三种脂肪酸的预测均方根误差不超过5%。表明,拉曼光谱和MLS-SVR相结合的食用油脂肪酸含量预测方法,具有快速、简便、无损、准确等优点,为食用油脂肪酸含量分析提供了一种可行的方法。 相似文献
30.