偏最小二乘-速差动力学分光光度法同时测定杀虫剂残杀威和异丙威两组分

采用速差动力学分光光度法对氨基甲酸脂类杀虫剂残杀威和异丙威进行同时测定，这两种化 的能在碱性条件下水解生成酚盐，进而与对氨基苯酚及高碘酸钾的反应产物醌亚胺发生偶联反应，生成蓝色化合物。反应的速率适中，可用于动力学分析。实验采集了多个时间点下538－700nm间的动力学－吸光度数据，构成量测矩阵，并采用偏最小二乘（PLS）法对量测数据进行解析。本文还对合成样品和环境水样中的残杀威和异丙威含量进行测定，获较好的结果。     

含CexZr1-xO2三效催化剂设计的神经网络仿真与优化

提出一种含CexZr1-xO2的三效催化剂的设计方法,即利用人工神经网络来进行辅助设计.首先考察了影响三效催化剂性能的一些重要因素,确定了所研究的三效催化剂模型.然后采用共沉淀方法制备了一系列铈锆固溶体,并将它们作为三效催化剂的助催化剂.采用传统的催化剂制备方法制备了一系列负载贵金属的三效催化剂,所制备的催化剂在模拟尾气中进行评价,得到的数据作为神经网络的训练样本和测试样本,建立了神经网络模型,并初步进行了预测和优化.     

多元非线性荧光校正的人工神经网络方法

由实验测定得知罗丹明Ｂ，丁基罗丹明Ｂ，曙红Ｂ组成的三组分混和荧光分析体系存在严重的荧光熄灭现象，其混和物的荧光光谱呈非线性，ＰＬＳ难以校正。本文成功地将ＢＰ－ＡＮＮ应用于此多元非线性荧光校正问题，完成了三组分的同时测定，得到了满意的结果。     

基于支持向量机的羰基化合物红外光谱研究

设计了一个4层分等级分类系统，通过支持向量机技术对羰基化合物的红外光谱成功地进行了信息分类和提取，并与人工神经网络进行比较，结果表明：支持向量机对羰基类化合物红外光谱分类效果优于人工神经网络；另外详细探讨了表征酰胺类化合物的特征光谱峰片段对识圳伯仲叔酰胺的影响，证明了酰胺的N-H伸缩振动峰对识别伯仲叔酰胺贡献最大，为构建红外光谱智能解析系统提供了定量依据。     

电分析化学中的化学计量学方法及其应用进展

本文综述了电分析化学领域中化学计量学方法的应用进展，引用文献65篇。     

自组织神经树用于判别氟化物非晶态形成条件

1人工神经网络──自组织神经树模型人工神经网络（ANN）是八十年代中期迅速兴起的一门非线性科学．它力图模拟人脑的一些基本特性，如自适应性、自组织性、容错性等，已在模式识别、数据处理及自动化控制等领域得到了初步应用，取得了相当好的效果［1，2］．1993年，Tao－Li等提出了自组织神经树网络．它是一个多层树状网络（见图1），每个输入节点与所有神经树的节点（神经元）通过权W相联系，实现对输入信号的非线性降维映射．映射中保持拓扑不变性，即把拓扑意义下相似的输入（即在高维空间中距离较近的输入向量）映射到相同子树的节…     

用人工神经网络方法测量生物组织光学参数γ

提出了一种利用亚扩散空间分辨漫反射预测生物组织约化散射系数μ_s'和相函数参量γ的人工神经网络方法 .采用蒙特卡罗方法得到光子经生物组织漫反射的数据样本,利用这些数据样本训练反向传播神经网络,用于从亚扩散散射光中预测γ的信息.为了解决同时预测μ_s'和γ两个参数时会产生较大误差的问题,分段数据训练两个BP网络,依次识别μ_s'和γ.研究发现3.64l_(th)(l_(th)表示平均输运自由程)是对γ的不敏感点,可用该点附近的数据样本训练网络用于预测μ_s',用2l_(th)范围内的数据样本训练网络用于预测γ.蒙特卡罗仿真结果表明,在1.3≤γ≤1.9范围内,预测结果与真实值的相对均方根误差在1%以内.与现有的测量方法相比,所提的人工神经网络方法更加简单,且提高了预测精度.     

近红外光谱法用于纯化过程中鞣花酸含量的监控

采用近红外光谱技术结合遗传算法优化的小波神经网络,对大孔树脂纯化过程中橄榄果中的鞣花酸含量进行监控。通过小波变换对光谱进行去噪、压缩,作为人工神经网络的输入,同时以遗传算法优化神经网络的权值与阈值,并与常用的偏最小二乘(PLS)线性模型的建模效果进行比较。实验结果表明,两者都能够较准确的预测鞣花酸的含量,相对而言,人工神经网络(ANN)效果较好。     

多组件学习器实现有机分子沸点的精准预测

沸点(BP)是有机分子液体的基本物理化学量, 也是化学工业生产中的重要参数. 有机分子的沸点由分子结构决定, 呈现复杂的结构-沸点关系, 函数法(Function Method)、基团贡献法(Group Contribution Method)等传统方法无法应对复杂多样有机分子结构的预测, 应用范围狭窄, 预测精度低. 本研究中, 我们利用基于人工神经网络(ANN)和支持向量机(SVM)的多组件学习器实现有机分子沸点的精准预测. 我们构建了基于可解释性描述符的ANN、基于相关性描述符的ANN及基于复合分子指纹的SVM三个异质模型, 并通过包含4550个各种类别的有机分子沸点的数据集进行训练得到了三个异质性学习器, 最后集成三个学习器对有机分子沸点进行预测. 相比于传统方法和此前的定量结构性质关系(QSPR)模型, 多组件模型结合了三种模型的优点, 展现出很好的预测精度和泛化能力以及低的过拟合, 实现了对多种类型有机分子的沸点的有效预测.     

基于神经网络的核电厂设备易损性分析

核电结构的易损性分析是核电厂地震安全评估中至关重要的一环, 但是由于核电结构的复杂性以及考虑土?结相互作用SSI时较大的计算规模, 使得计算核电厂设备易损性曲线十分耗时. 为发展高效的核电厂设备易损性分析方法, 本文采用核电结构土?结相互作用分析的分区计算方法, 并利用有限的SSI分析结果建立神经元模型ANN代替有限元模型, 分别基于对数正态假定的回归法和蒙特卡洛法进行了设备易损性分析. ANN数值模拟包括了以下内容: (1)基于半偏相关系数选择最相关的地震动参数作为ANN输入, 并通过交叉检验建立神经元模型; (2)量化研究ANN数值模拟的预测不确定性, 其中包含了由于简化地震动输入引起的随机不确定性和训练样本缺失引起的认知不确定性; (3)基于ANN模型预测结果分别采用蒙特卡洛法和基于对数正态假定的回归法进行设备的易损性分析. 本文探讨了不同的地震强度指标以及土层材料的不确定性对易损性曲线的影响, 同时验证了回归法中对数正态模型假定的基本合理性, 为核电厂设备易损性分析提供了一种可能方向.