人工神经网络-近红外光谱法用于粉末药品美的康的非破坏定量分析

1　引　　言 　　近红外光谱分析技术在药品分析中得到重视,这是因为该方法的非破坏性,样品不需预处理 ,不需分离,即可直接测定。但其各组分光谱重叠需采用一定的数据处理技术方能获得准确 分析结果。本文应用人工神经网络 进行粉末药品美的康的非破坏性快速定量分析。使用一组美的康粉末药品的近红外漫反射光 谱数据建立人工神经网络模型,预测未知样品。讨论了影响网络的各参数。采用了新的网络 评价标准——逼近度。 　　2　实验部分 　　2.1　仪器和试剂　日本岛津UV-3100型紫外可见近红外分光光度计,附件积分球。测量条件,狭缝为12 nm,扫描范围1100～2500 nm。所用试剂均符合药典标准 。     

有时间窗约束非满载车辆调度问题的节约算法

车辆调度问题(Vehicle Routing Problem,简称为VRP)是物流配送中广泛存在的一类问题,VRP属于强NP问题.在建立了带有时间窗的非满载的VRP问题的数学模型基础上,对启发式算法中的节约算法进行改进,设计出带时间窗的非满载的VRP问题的节约算法.通过对8个客户和13个客户算例的具体计算结果分析该算法的性能,研究表明:节约算法具有易于计算机实现,易于调整,方法易行、效果理想等优点,但在客户规模增加,解的空间增加后,其解的精度也随之下降.     

发展生物技术 重视生态安全

论述了生物技术是现代科学发展与应用的结果，分析了在激素生产，新药品的开发，转基因动植物的应用，物种扩散与交流等方面所取得的主要成就，探讨了发展生物技术时应注意普及生物技术知识，做好安全性试验，重视社会伦理道德，立法及外来物种影响等问题。     

《液相色谱质谱联用技术在食品和药品分析中的应用》

随着现代仪器分析的发展,液相色谱质谱联用技术（LC／MS）日趋成熟,并在科研与生产中发挥了重要作用。该书由三部分组成：第一部分基础理论,介绍了液相色谱和质谱的工作原理、仪器结构及工作条件、LC／MS接口、质谱信息解析;第二部分食品功能成分分析,介绍了LC／MS方法分析食品中的蛋白质和肽、低聚糖、皂苷、核苷、黄酮、维生素、甾醇等功能成分及有害残留物.     

大规模车辆配送/收集问题的求解框架

大规模车辆配送/收集问题是供应链末端的日常商品配送和逆向物流前端的废品收集过程中的典型问题,存在着车辆载重、工作时间和车辆服务区域固定等约束,属于扩展的有载重约束的车辆路径问题。该文对该类车辆问题进行了描述和特点分析,提出了一个3阶段的求解框架:采用基于主干道的网格法对客户进行区域化整合;采用车流模型和C-W、3-opt相结合的算法完成客户区域对车辆的分配;采用旅行商问题求解方法对区域内车辆路径进行优化。案例研究的结果证明了该求解框架的实用性和有效性。     

医院药品核算管理的几点思考

为消除医院经济运行依赖于“以药养医”的不良后果,切断医疗机构和药品营销企业之间的直接经济利益联系,医院必须彻底抛弃依靠药品结余求生存的幻想,重视药品收支的核算与管理,正确计算药品收支结余,本文就此再做探讨。     

基于期权契约的应急药品储备模型研究

突发灾害发生后,应急药品需求数量呈现爆发式增长,充足的应急药品对减少和控制人员伤亡、保障救灾效果及减少经济损失具有重要作用。由于应急药品的需求特性和自然属性,我国现行的应急药品储备模式很容易造成应急药品短缺或过期,也无法保证政府与医药企业长久的合作关系,因此如何科学合理地储备应急药品成为政府亟待解决的关键难题。为此,本文引入期权契约到政府与医药企业组成的两级供应链系统,构建了期权契约机制下应急药品储备模型,得出政企最优决策策略及双方成本收益,给出了实现供应链协调与政企双赢的条件。研究表明,应急药品储备模型提高了应急药品储备水平,降低了政府库存风险,有利于保障供应商合理收益及控制政府成本,为政企建立长久的合作关系提供了依据,为应急药品储备提供了可行的操作策略。     

深度卷积网络的多品种多厂商药品近红外光谱分类

近红外光谱（NIR）分析具有分析高效、样品无损、环境无污染以及可现场检测等优点,特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点,需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支,它通过逐层抽取数据特征并进行组合、转换,形成更高层的语义特征,具有极强的建模能力,广泛应用于计算机视觉、语音识别等领域,而在药品NIR分析方面尚未见报道。基于深度卷积网络模型,对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层,将特征图进行整体池化,形成一个特征点,用于解决全连接层存在的限制输入维度大小,参数过多的问题。同时,在网络模型中引入批处理操作和dropout机制,以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中,通过设计不同的卷积网络层数以及不同的卷积核尺寸大小,分析其对建模效果的影响,同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象, 建立药品的多品种、多厂商分类模型,该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中,当训练集与测试集比例为7∶3时,分类准确率为99.37±0.45,比SVM, BP, AE和ELM算法取得更优的分类性能。同时,深度卷积神经网络模型推理速度较快,优于SVM和ELM算法,但训练速度慢于二者。大量实验结果表明,深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。     

固相萃取-超高效液相色谱-串联质谱法测定饮用水中18种典型药品和个人护理品

取饮用水样1.0L,用0.2μm滤膜过滤。滤液以5mL·min~(-1)的流量通过活化后的HLB固相萃取柱(SPE),使18种被测物在柱上分离富集。先后用水10mL和15%(体积分数)甲醇溶液10mL淋洗HLB柱,随即用甲醇15mL洗脱吸附于柱上的被测物。收集洗脱液并于30℃下吹氮,使其体积蒸缩至200μL,加水定容至1.0mL,离心10min,取其上清液,用0.22μm针式过滤器过滤后,取其滤液在仪器工作条件下进行超高效液相色谱-串联质谱(UPLC-MS/MS)分析。选用Waters UPLCTMBEH C18色谱柱作为分离柱,用不同比例的(A)8mmol·L~(-1)甲酸铵溶液[含0.1%(体积分数,下同)甲酸]和(B)体积比为1∶1甲醇-乙腈混合液(含1%甲酸)的混合液作为流动相,将色谱柱上的被测物进行梯度洗脱,18种分析物可在34min内达到较好的分离。在MS/MS分析中选择电喷雾离子源正离子(ESI+)和多反应监测(MRM)模式进行测定。所涉及18种被测物的质量浓度均在15μg·L~(-1)内与其对应的色谱峰面积呈线性关系,其检出限(3S/N)为5～50pg·L~(-1)。以超纯水和自来水为基质进行加标回收试验,回收率分别为64.4%～113%和78.2%～116%,测定值的相对标准偏差(n=5)分别为1.6%～19%和2.8%～18%。对采自全国不同区域的7个水厂的实样按方法进行分析,其中有3份水样中检出4-乙酰氨基安替比林的含量高于1ng·L~(-1);在所测7份水样中均测得卡马西平和吡喹酮,其含量均低于1ng·L~(-1);还在3～5份水样中测得含量1ng·L~(-1)的四咪唑、磺胺甲恶唑、磺胺噻唑和磺胺二甲基嘧啶等化合物。     

浅析钢筋专业化加工与配送技术

介绍了钢筋专业化加工与配送技术的含义及其优势、目前面临的问题及发展的必然与前景。