模拟退火神经网络用于药物液相色谱梯度分离条件的优化

模拟退火神经网络用于药物液相色谱梯度分离条件的优化。使用均匀设计法以乙腈在线性梯度展开时的初始浓度和线性梯度的斜率为优化参数,对六种药物混合体系进行优化。采用退火神经网络方法建立了有效的分离条件预测模型。对神经网络模型所预测的最佳分离条件进行试验,分离结果满意。模拟退火神经网络可有效地用于药物液相色谱分离条件的优化。     

改进的人工神经网络分光光度法同时测定锆和钛

在锆(钛)-对氯苯基荧光酮-CTMAB显色体系中,应用改进的人工神经网络解析锆和钛的吸收光谱,不经分离分光光度法同时测定锆和钛。在经典的BP算法的基础上改进了传递函数,引用双冲量因子,并对学习速率、动量因子采用自适应调整法,确定了网络的最佳参数。此方法避免了网络陷入过饱和,提高了网络的收敛速度和预测精度,优于经典的BP算法。用于钢样中锆和钛的测定,结果满意。     

数据驱动下的声学器件音质优化

音质是声学器件声音表现的重要衡量标准.但音质的优化过程需要对大量频点的响应进行协同优化,造成优化问题的可求解性较差.该文提出了一种数据驱动下的声学通道拓扑优化设计方法,可实现声-结构系统中的声频响快速预测,进而借助显式拓扑优化技术实现声学器件的音质优化.通过人工神经网络对结构几何参数、激励频率与声频响之间的非线性关系进行建模,以可移动变形组件(moving morphable components, MMC)法中的结构几何参数、激励频率为输入变量,以声压频响作为输出变量,通过训练多层前馈网络建立了声频响的人工神经网络模型.所得结果可以有效地将目标频带内的声压级范围差从44.89 dB缩小至6.49 dB,相较于传统优化方法,求解速度约为之前的16.3倍,表明了当前方法对音质优化问题的快速求解具有明显效果.     

基于FBG反射谱特征的修补结构裂纹扩展监测

为了提高飞行器壁板裂纹修补结构的安全性,对基于光纤布拉格光栅(FBG)反射谱特征的航空铝合金修补结构疲劳裂纹扩展长度及角度监测方法进行了研究。修补结构在疲劳载荷的作用下,裂纹发生扩展,其尖端附近会产生不均匀应变场,在其作用下FBG传感器反射谱发生变形,通过检测反射谱变形达到监测裂纹扩展的目的。建立了实验样件的模型,使用有限元方法计算得到不同角度下裂纹扩展到不同长度时的应变分布,使用传输矩阵数值计算方法得到相应的FBG反射谱。提取反射谱的主峰偏移、反射谱面积、次峰峰值和三峰峰值等变形特征,建立并训练人工神经网络(ANN),通过ANN建立反射谱变形特征同裂纹扩展情况的关系,实现了对修补结构裂纹扩展的精确监测,监测裂纹长度误差在0.5 mm之内,角度误差在5°之内。解决了修补结构的裂纹扩展精确监测问题,对提高飞行器安全以及节约维护成本有着重要意义。     

基于BP神经网络的日落黄溶液荧光光谱的研究

对食用合成色素日落黄的荧光光谱进行了研究,发现在310~400nm紫外光的激励下,日落黄溶液发出强荧光,峰值荧光强度随浓度的增加先增强后减弱,且荧光谱峰位置出现明显红移。经分析认为,日落黄溶液能产生荧光是因为分子中偶氮键将一个苯环和一个萘环连接在一起,形成大共轭结构,并且取代基-SO3Na与-OH处于萘环的对位,大大增强了日落黄分子的共轭程度,使其具有强的吸光功能,发出强荧光。另外,结合BP神经网络,通过训练好的网络对4种不同浓度的样本进行浓度预测,结果表明相对误差分别为4.269%,6.078%,4.977%和5.308%,相对标准偏差分别为0.448%,0.375%,0.419%和0.414%。实验表明,该方法具有训练速度快、预测结果准确度高等特点,有望成为一种对食用合成色素进行高效、痕量检测的有效方法。     

基于人工神经网络的大量程光纤实时距离干涉测量仪

提出了一种基于人工神经网络的全光纤化大量程实时距离干涉测量仪.采用双正弦相位调制方法,即通过同时调制半导体激光器的波长和干涉仪的光程差实现外差测量.为了扩大干涉仪的测量范围和消除输出信号中的交叉敏感,采用人工神经网络进行信号处理,把两路经过初步解调的干涉信号作为输入样本,物体距离的实际值作为输出样本,对神经网络进行训练,以使其具有良好的推广能力.实验结果表明神经网络的使用不仅扩大了距离的测量范围而且提高了测量精度.     

人工神经网络应用于NO-3和NO-2两组分同时测定

应用人工神经网络原理,结合分光光度法,对吸收光谱严重重叠的硝酸根和亚硝酸根两组分进行同时测定,其结果令人满意。     

QSAR结合人工神经网络预测取代氯苯酚生物毒性

取代氯苯酚类化合物是有机化学工业中必不可少的重要原料,现已有邻氯苯酚等4种酚类化合物被美国环保局定为优先控制的有机污染物[1].对此,国内外有关专家对取代氯苯酚的生物毒性进行了广泛研究,但都没有得到有效的构效关系[2-3 ].因此,通过建立取代氯苯酚生物毒性与分子结构间的定量关系,对于预测其生物毒性有着实际的意义.     

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。