基于不同模型的土壤有机质含量高光谱反演比较分析

以新疆奇台县为研究区域,选取该县40个土壤样本,采用多元线性逐步回归法和人工神经网络法两种方法分别建立了土壤有机质含量的反演模型,并对模型进行了检验。结果发现：不同模型的精度值各异,其拟合效果从高到低依次为人工神经网络(ANNs)集成模型＞单个人工神经网络(ANNs)模型＞多元逐步回归(MLSR)模型。人工神经网络的线性和非线性逼近能力较强,而其集成模型作为提高反演模型精度的重要手段,相关系数高达0.938,均方根误差和总均方根误差最小,分别仅为2.13和1.404,对土壤有机质含量的预测能力与实测光谱非常接近,分析结果达到了较实用的预测精度,为最优拟合模型。     

基于人工神经网络的傅里叶变换中红外光谱法对食用油油烟种类识别研究

随着餐饮业的发展,餐饮烟气已经成为某些城市三大空气污染源之一。由于餐饮烟气对人体健康威胁很大,近年来对餐饮烟气的研究愈来愈热。餐饮烟气中包含有大量食用油加热过程中裂解而产生的不饱和烃类,危害着人类健康。不同食用油裂解出来的成分以及含量有所不同,通过构建一定的分类识别数学模型,从而实现对食用油分类识别。采用自主研发的傅里叶变换红外光谱仪,采集了不同食用油油烟烟气红外光谱数据。同时构建了主成分分析(PCA)分别结合概率神经网络(PNN)以及误差反向传播人工神经网络(BPANN)的分类识别算法。将两种分类识别算法对不同食用油油烟烟气的傅里叶变换红外光谱数据进行分析。通过样本数据对数学模型进行训练,将训练好的数学模型对未知光谱数据进行分析,来确定产生油烟烟气的食用油种类。实验结果表明,两种算法都能对不同的油烟种类进行较好地分类识别。在全波段识别时,识别率分别达到90.25%和97.0%。通过对烟气光谱数据的吸收波段进行分析,提取大气窗口并且具有较强可挥发性有机物(VOCs)吸收特征的波段(1 300～700 cm-1以及3 000～2 600 cm-1);将吸光度数据分成两个分离的吸收波段,两种算法在3 000～2 600 cm-1波段都有较好的识别效果,PCA-PNN算法识别率为90.25%,PCA-BPANN算法识别率为92.25%。可见,两种人工神经网络算法都能有效对食用油烟种类进行识别。     

基于无机元素分析对地理标志五常大米鉴别技术的研究

五常大米是我国著名地理标志产品之一,品质高、产量低,导致制假售假的现象严重。为维护五常大米的品牌形象和消费者利益,急需一种有效鉴别五常大米的方法。应用电感耦合等离子体光谱及电感耦合等离子体质谱测定大米中无机元素含量,结合主成分分析(PCA)、Fisher判别、人工神经网络(ANN)对五常大米鉴别模型进行研究。结果表明：PCA法对样品的分类效果较差,采用Fisher判别和ANN则可准确识别五常地区的大米样品和其他地区的大米样品。Fisher判别法对校正集和验证集样品平均准确识别率分别为93.5%,而ANN法对同样的校正集和验证集样品的平均准确识别率为96.4%,优于Fisher判别法。可准确对五常大米进行鉴别,为该产品的地理标志保护提供了一种技术手段。     

Pattern recognition and data mining software based on artificial neural networks applied to proton transfer in aqueous environments

In computational physics proton transfer phenomena could be viewed as pattern classification problems based on a set of input features allowing classification of the proton motion into two categories： transfer ＇occurred＇ and transfer ＇not occurred＇. The goal of this paper is to evaluate the use of artificial neural networks in the classification of proton transfer events, based on the feed-forward back propagation neural network, used as a classifier to distinguish between the two transfer cases. In this paper, we use a new developed data mining and pattern recognition tool for automating, controlling, and drawing charts of the output data of an Empirical Valence Bond existing code. The study analyzes the need for pattern recognition in aqueous proton transfer processes and how the learning approach in error back propagation （multilayer perceptron algorithms） could be satisfactorily employed in the present case. We present a tool for pattern recognition and validate the code including a real physical case study. The results of applying the artificial neural networks methodology to crowd patterns based upon selected physical properties （e.g., temperature, density） show the abilities of the network to learn proton transfer patterns corresponding to properties of the aqueous environments, which is in turn proved to be fully compatible with previous proton transfer studies.     

近红外光谱和人工神经网络的金苦荞氨基酸快速测定

荞麦籽粒中富含谷类作物比较缺乏的赖氨酸,使其不同于其他作物,具有较高经济价值。传统氨基酸测定费时且昂贵,为满足金苦荞育种工作的需要,选用近红外光谱技术结合人工神经网络的算法建立快速检测金苦荞叶片中氨基酸含量的近红外模型。使用氨基酸含量差异较大的样品255个,扫描光谱后测定其化学值。研究发现样品苏氨酸(Thr)含量范围是5.307~14.374 mg·g-1;缬氨酸(Val)含量范围是6.137~16.204 mg·g-1;甲硫氨酸(Met)含量范围是0.308~3.049 mg·g-1;异亮氨酸(Ile)含量范围是5.259~14.134 mg·g-1;亮氨酸(Leu)含量范围是9.730~26.061 mg·g-1;苯丙氨酸(Phe)含量范围是5.936~17.223 mg·g-1;赖氨酸(Lys)含量范围是6.640~17.280 mg·g-1;谷氨酸(Glu)含量范围是10.984~27.740 mg·g-1;天冬氨酸(Asp)含量范围是6.437~17.280 mg·g-1;丝氨酸(Ser)含量范围是3.467~8.312 mg·g-1;精氨酸(Arg)含量范围是4.937~14.772 mg·g-1;丙氨酸(Ala)含量范围是3.329~6.885 mg·g-1;组氨酸(His)含量范围是1.946~4.798 mg·g-1;甘氨酸(Gly)含量范围是4.196~9.264 mg·g-1;脯氨酸(Pro)含量范围是1.024~5.672 mg·g-1;酪氨酸(Tyr)含量范围是0.176~1.173 mg·g-1;半胱氨酸(Cys)含量范围是0.422~1.926 mg·g-1。每次随机选取50个样品建设模型,以4∶1的比例随机分为训练集和测试集。数据进行归一化处理后,使用神经网络结构1102-9-1进行模型建设。利用多次学习的方式建立了较优模型,其中Arg和Asp近红外模型的仿真测试结果最好,预测值与真实值的相关系数(R2)均大于0.97,平均相对误差(RSD)也小于10%;另外Leu,Val,Tyr,Ile,Ser,Ala,Thr,His,Phe,Gly和Lys模型的R2均大于0.90,模型仿真测试数据的RSD小于10%,模型均可用;Met与Cys的模型进行仿真测试时,其预测值与真实值的R2均大于0.78,但RSD大于10%,模型不可用。结果表明,金苦荞叶片的氨基酸含量高,有极高应用价值,近红外光谱技术结合人工神经网络的分析方法可应用于金苦荞氨基酸含量的预测,为高品质荞麦育种工作提供了便利。     

专利

一种近红外光谱无损鉴别山参真伪的方法 ：一种近红外光谱无损鉴别山参真伪的方法,属于中药检测技术领域,目的在于解决现有技术鉴别山参鉴别结果不确定及鉴别过程破坏山参形体的问题。采集山参和工艺参的光谱数据,经主成分分析法提取出主成分变量作为输入变量,设定山参及工艺参的属性代码并将其作为目标变量,根据输入变量和目标变量训练网络,建立BP人工神经网络模型;采集待鉴别样品光谱数据,并经建立的BP人工神经网络模型进行仿真,输出待鉴别样品预测值,参照山参和工艺参的属性代码判断待鉴别样品。当待鉴别样品     

应用人工神经网络预测氢化可的松的溶解度

以量子化学方法在密度泛函B3LYP/6-31G(d)水平上计算得到含有电负性原子的溶剂水、醇类、酮类、酯类、氯代烷烃共17种溶剂的结构参数：最高占用轨道能(EHOMO)、分子最低空轨道能(ELUMO)、分子偶极矩(μ)、分子总能量(Etotal) 、最正原子净电荷(q+)、最负原子净电荷(q-)。采用误差反向传播(BP)算法的三层人工神经网络,确定隐含层节点数为7,建立了EHOMO、ELUMO、μ、Etotal、q+、q-、摩尔体积(VM)、介电常数(ε)、温度(T)共9个参数与氢化可的松在不同温度下不同溶剂中的溶解度之间关系的模型。运用此神经网络模型可预测不同分离条件下氢化可的松的溶解度,平均预测相对误差为7.0%。     

原子三角法在定量结构/活性相关分析中的应用

分子相似度;回归分析;人工神经网络;原子三角法在定量结构/活性相关分析中的应用     

人工神经网络法预测炸药组分的色谱保留值参数

 以分子拓扑指数作为炸药组分的结构描述符 ,利用反向传播算法 (BP)人工神经网络 ,以Sigmoid函数为传递函数 ,分子连接性指数0 χ ,1χ ,2 χ与边邻接指数 (ε)为输入向量 ,反相高效液相色谱保留值参数logkw 和S为输出向量 ,将输入向量归一化至 - 3～ 3区间 ,输出向量归一化至 0～ 1区间 ,网络精度取 0 5 ,学习步长 η的初始值取0 2 ,动量因子α取 0 5 ,通过对 2 0种炸药的网络模型进行训练 ,建立了炸药分子结构与logkw 和S之间的定量模型。结果表明 ,该模型较好地反映了炸药分子结构与保留值之间的关系。     

同时测定粮谷中痕量锰铁铜锌的人工神经网络辅助分光光度法

在pH 9.5时,Mn(Ⅱ )、 Fe(Ⅲ )、 Cu(Ⅱ )和 Zn(Ⅱ )均与 2-(5-溴-2-吡啶偶氮 )-5-二乙氨基苯酚和非离子表面活性剂聚乙二醇辛基苯基醚发生高灵敏的显色反应,生成稳定的三元胶束络合物 ,其λ max分别为 566、 560、 562和 559 nm,表明吸收光谱严重重叠 ; 在相应λ max处,其表观摩尔吸光系数分别为 1.13× 105、 7.32× 104、 1.02× 105和 1.04× 105 L· mol－ 1· cm－ 1。用模拟退火－误差反向传播人工神经网络辅助分光光度法,不经分离,同时测定了模拟样和粮谷样中的痕量锰、铁、铜和锌。详细研究了该算法的最佳计算条件。虽然体系的加和性较差,但由于该算法的优良性能,仍然取得了满意结果。