基于BP神经网络的荧光光谱法农药残留检测

针对目前农药残留难以实现快速准确检测的问题,利用人工神经网络方法对啶虫脒农药残留测量中的荧光混合光谱进行分离,设计了能够快速检测固体表面啶虫脒农药残留量的荧光光谱测量系统。根据反向传播算法,应用三层人工神经网络原理,对荧光光谱严重重叠的啶虫脒和滤纸混合体系进行啶虫脒残留量检测。在340nm～400nm范围内,以20个特征波长处荧光强度值作为网络特征参数,经网络训练和测试,啶虫脒浓度为40mg/kg和90mg/kg的回收率分别为102%和97%,测定结果相对标准偏差分别为1.4%和1.9%。实验结果表明,BP神经网络辅助荧光光谱法测定滤纸上啶虫脒农药残留,具有网络训练速度快、检测周期短、测量精度高等特点。     

Artificial neural network method for determining optical properties from double-integrating-spheres measurements

<正>Accurate measurement of the optical properties of biological tissue is very important for optical diagnosis and therapeutics.An artificial neural network(ANN)-based inverse reconstruction method is introduced to determine the optical properties of turbid media,which is based on the reflectance(R) and transmittance (T) of a thin sample measured by a double-integrating-spheres system.The accuracy and robustness of the method has been validated,and the results show that the root mean square errors(RMSEs) of the absorption coefficientμ_a and scattering coefficientμ'_s reconstruction are less than 0.01 cm~(-1) and 0.02 cm~(-1),respectively.The algorithm is not only very accurate in the case of a lower albedo(~0.33),but also very robust to the noise of R and T especially for theμ'_s reconstruction.     

一种线性ARIMA基础上的非线性BP神经网络修正组合方法在粮食产量预测中的运用

对我国粮食产量预测工作作出了重大贡献.通过线性规律和非线性规律的区分,构建了自回归移动平均(ARIMA)和BP人工神经网络的组合预测模型,结论显示:ARIMA和BP算法能够各自对粮食产量序列中的线性和非线性规律实现充分挖掘,拟合精度几乎达到完美的程度,克服了以往单一预测和组合预测中信息挖掘能力不足的缺陷.     

北京谱仪III上利用神经网络方法进行粒子鉴别的研究

本文描述了一种多层感知器的神经网络系统在BESIII粒子鉴别技术中的应用。网络按照子探测器分别进行训练, 输出结果可以作为后续网络的输入或者可以为似然函数方法构建概率密度函数。蒙特卡罗模拟样本的检验结果表明, 利用神经网络方法可以在BESIII上获得较好的粒子鉴别效果。     

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。     

人工神经网络及模拟退火算法应用于原子吸收光谱法同时测定钙、磷

试验发现:原子吸收光谱法(AAS)在442.7 Nm波长处测定钙时受到大于0.10 mg·L-1磷共存的干扰,使钙的测定结果偏低,而且此负偏差降低的幅度随磷浓度的增加而增大.试验还发现:当共存磷的量在0.1～6.0 mg·L-1之间时,钙测量值的负偏差幅度与磷浓度之间存在明显的相关性.应用反向传播人工神经网络(BP-ANN)及模拟退火两种计算法对上述非线性干扰效应进行了研究,并提出了在单一波长检测的条件下,钙、磷两元素的原子吸收光谱法同时测定,此法应用于循环水中钙、磷的同时测定.两元素的检测范围依次为0.08～10.0 mg·L-1及0.10～6.0 mg·L-1,测得其回收率分别为100.5%和98.0%.     

基于人工神经网络和随机游走模型的汇率预测

由于金融数据具有随机性特征,使得建模和预测变得极其困难.提出一种组合预测方法,即假定任何金融时序数据由线性和非线性两部分组成,将其中线性部分的数据通过随机游走(RW)模型进行模拟,剩余的非线性残差部分由前馈神经网络(FANN)和诶尔曼神经网络(EANN)协同处理.从实证结果可知,该组合方法相比单独使用RW、FANN或EANN模型有更高的预测精度.     

人工神经网络方法用于肺癌的辅助诊断

根据人发和血清中微量元素的含量,将人工神经网络(ANN)用于正常人与癌症患者的分类预测.用独立预测样本作了检验,表明该方法可作为肺癌诊断的一种辅助手段.讨论了当预测样本中有元素缺损时ANN的分类预测情况,并研究了人发和血清样品中的元素对分类预测的影响.     

泛权网场结合的逻辑守恒性及其在人工神经网络中的应用

给出了泛权网场复合的几个定义,证明了泛权网场复合的一组有关逻辑守恒性的定理。结合均场模型,探讨了泛权网场在人工神经网络中的应用前景。     

人工神经网络法鉴别红外光谱

本文将反向传播人工神经网络（ＢＰ－ＡＮＮ）用于ＦＴＩＲ,鉴别未知化合物。结果表明,当训练集样本不含噪声时,纯光谱的预测结果很好。而当训练集样本有少量噪声干扰时,预测结果随预测集样本的不同,而得到不同的改善。