应用荧光光谱和径向基函数神经网络定量检测三聚氰胺

实验发现三聚氰胺溶液在紫外光激发下产生较强荧光,测得其荧光峰在310～600 nm之间,荧光峰值波长为420 nm左右,荧光相对强度与三聚氰胺溶液浓度呈现复杂的非线性关系。提出了采用径向基函数神经网络结合荧光光谱对三聚氰胺溶液浓度进行测定的方法。对每个样本选取30个发射波长值所对应的荧光强度作为网络数据,训练、建立了径向基函数神经网络。应用训练好的径向基函数神经网络,对5种三聚氰胺溶液的浓度进行预测,结果相对误差分别为0.93%,0.09%,0.31%,1.55%,4.61%。该方法能快捷、准确地测定三聚氰胺在溶液中的含量,为三聚氰胺检测及食品安全监管提供了一种新方法。     

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。     

基于径向基函数神经网络的荧光光谱技术在菌种识别中的应用

对嗜酸乳杆菌、变异链球菌和保加利亚乳杆菌这三种菌的荧光光谱进行研究,发现在紫外光的激励下,益生菌溶液发出荧光.在最佳激发波长290　nm的激励下,荧光峰值在300—650　nm范围内.采用小波变换对测得的150组光谱数据进行压缩,压缩后每组数据由原来的1341个点减少为168个点,既保留了原图谱的特征,又提高了神经网络的处理速度.径向基函数神经网络方法对压缩后的数据进行研究,对每种菌的40组实验数据进行训练,在此基础上对30组未知数据进行识别.结果表明经过训练之后,径向基函数神经网络能够准确预测未知菌种.     

基于径向基函数神经网络的荧光光谱技术在菌种识别中的应用

对嗜酸乳杆菌、变异链球菌和保加利亚乳杆菌这三种菌的荧光光谱进行研究,发现在紫外光的激励下,益生菌溶液发出荧光.在最佳激发波长290　nm的激励下,荧光峰值在300—650　nm范围内.采用小波变换对测得的150组光谱数据进行压缩,压缩后每组数据由原来的1341个点减少为168个点,既保留了原图谱的特征,又提高了神经网络的处理速度.径向基函数神经网络方法对压缩后的数据进行研究,对每种菌的40组实验数据进行训练,在此基础上对30组未知数据进行识别.结果表明经过训练之后,径向基函数神经网络能够准确预测未知菌种. 关键词： 荧光光谱 径向基函数神经网络 数据压缩     

基于荧光光谱和径向基函数神经网络的合成食品色素测定和鉴别

以合成食品色素胭脂红、苋菜红溶液为例,提出了应用荧光光谱结合径向基函数神经网络对合成食品色素溶液进行浓度测定和种类鉴别的方法。应用SP-2558多功能光谱测量系统,测得胭脂红和苋菜红溶液分别在波长为300和400 nm的光激发下产生的荧光光谱。对每个胭脂红溶液样本选取15个发射波长值所对应的荧光强度作为网络特征参数,训练、建立用于浓度预测的径向基函数神经网络。据此,对3种胭脂红溶液样本的浓度进行预测,预测结果相对误差分别为1.42%,1.44%和3.93%。另外,以胭脂红和苋菜红溶液荧光波长值所对应的荧光强度作为特征参数,训练、建立了用于种类鉴别的径向基函数神经网络,进行合成食品色素溶液种类识别,准确率达100%。这些结果表明,该方法方便、快捷、准确度较高,可应用于合成食品色素检测及食品安全监管。     

基于BP神经网络的血液荧光光谱识别分类研究

光谱技术在生物和医学检测方面具有积极的应用前景。由于血液成分的复杂性和类同性,有关不同动物血液光谱识别分类的技术研究尚未出现较为完善的结论。基于机器学习理论, 以BP神经网络为工具, 建立了对不同动物血液荧光光谱进行特征提取和识别分类的方法。实验采用Cary Eclipse光谱仪分别采集了鸽、鸡、鼠、羊四种动物不同浓度(1%和3%)的全血与红细胞荧光光谱数据(每个类型样本各50组数据);基于移动平滑算法对原始数据进行了平滑处理,以减少实验仪器噪声对特征提取和识别分类的影响;进一步根据血液光谱数据的特性, 该文出了“组合放大”的特征提取方法, 并建立了BP神经网络分类器进行训练和识别。相比于常用的光谱数据(单一)特征, 提出的“组合放大”特征和所设计的BP神经网络能对不同动物、不同类型(全血与红细胞)、不同浓度(1%和3%)的血液荧光光谱实现100%的准确分类, 同时神经网络测试误差均远小于设定的允许误差值。研究的动物血液光谱特征提取及识别技术具有较好的普适性和可靠性, 在农业、食品检查、以及生物医学检测等方面均可发挥重要作用。     

基于径向基函数神经网络的高光谱遥感图像分类

从径向基函数神经网络的理论出发,针对高光谱数据的特点,设计了有效的特征提取模型,再与径向基函数神经网络的输入层连接,建立了一个新的径向基函数神经网络的高光谱遥感影像分类模型,并用国产OMISII传感器获得的64波段数据进行试验。首先进行了最小噪声分离变换,提取了1～20个分量的数据,使用提取后的数据（20维）、提取后数据的纹理变换（20维）和主成分分析的前（20维）,组成了60维向量数据进行分类处理,这种分类器结构简单、容易训练、收敛速度快,其分类精度达到69.27%,高于BP神经网络分类算法(51.20%)以及常用的最小距离分类（MDC）算法(40.88%)。通过对结果和过程进行分析,实验证明径向基函数神经网络在高光谱遥感分类中具有较好的适用性。     

小波变换近红外光谱结合径向基神经网络快速分析异福片

应用小波变换(WT)处理近红外漫反射光谱结合径向基神经网络(RBFNN)建立快速分析异福片中利福平和异烟肼含量的模型(WT-RBFNN)。用小波变换的低频系数作为RBFNN的输入节点, 研究了网络参 数包括隐含层神经元数和径向基宽度(SC)对模型的影响。与经典的RBFNN和PLS相比较表明, WT-RBFNN模型压缩了原始光谱, 除去了噪音和背景的影响, 拟合效果很好。优选的WT-RBFNN模型对校正集样品 中利福平、异烟肼的交互验证均方根误差(RMSECV)分别为0.006 04和0.004 57;对预测集样品预测均方根误差(RMSEP)分别为0.006 39和0.005 87。同时预测集样品中利福平和异烟肼与RP-HPLC测定结果 的回归系数(r)分别为0.995 22和0.993 92, 相对误差在2.300%以下。这些结果显示了该方法建模的稳健性和模型的预测精度均很高, 同时此方法具有非破坏、无污染、可在线检测等优点, 对替代常规药物 分析方法有重要的意义。     

基于RBF神经网络的较低浓度下同步荧光光谱的溢油鉴别

针对海面溢油样品的含量难以确定,同时考虑到海水掺杂及风化等问题的影响,提出了在较低非线性浓度范围内采集溢油嫌疑样品的同步荧光光谱,获取其训练样本集,利用主成分分析法(Principal com-ponent analysis,PCA)提取其特征光谱,结合径向基函数(Radial basis function,RBF)神经网络对肇事样本和嫌疑样本进行模式识别的方法。通过对相近油源原油样品分类识别研究表明:该方法仅需单次对肇事样本同步光谱测量,再借助数据分析,就可以很好区分相近油源溢油样品,外扰对识别率影响也不大。RBF神经网络算法识别率在92%左右。该结论对海洋环境中溢油的实时检测及油指纹数据信息库的建立有重要意义。     

径向基函数神经网络和近红外光谱用于大黄中有效成分的定量预测

采用近红外光谱(NIRS)法和人工神经网络定量预测大黄样品中４种有效成分的含量,包括：蒽醌及其单糖甙类、水溶性蒽甙类、芪芪甙类、鞣质及其有关化合物。在1 100～2 500 nm波长范围内扫描大黄粉末样品,采用径向基函数神经网络(RBFNN)建立了近红外光谱与HPLC分析值之间的校正模型。上述四类化合物的交叉验证均方差(RMSECV)分别为2.572,0.442,2.794,9.438;预测均方差(RMSEP)分别为4.598,8.657,0.458 6,5.106。该方法快速,无损,结果令人满意,可作为中药材复杂体系中化学组分定量测定的方法。     

基于白术FTIR的径向基函数神经网络鉴别研究

为了鉴定白术及其伪品,采用径向基函数神经网络(RBF)分别测试了白术及其伪品的傅里叶变换红外光谱。采用36个样本作训练集,27个样本作检验集,用各种模式的BPF进行了监督性训练。当训练目标误差平方和定为0.01时,各类RBF对训练集中白术样本识别的正确率均为100%,但对检验集样本识别的结果各不相同,其识别的正确率与隐含层节点数S₁有关。发现当S₁较大时,识别正确率反而下降,可能此时网络的非线性程度过高,使其不适合于该类样本集的训练。线性—线性型RBF识别的结果随S₁的变化不是很大,但识别的正确率不高,基本在85%左右。非线性—线性型RBF识别的结果最佳。当S₁为3时,其识别正确率超过了97%。因此该法可用于简便、快速、准确地识别白术及其伪品。     

食品色素日落黄与诱惑红荧光特性的研究

应用英国Edinburgh FLS920P型稳态和时间分辨荧光光谱仪,对日落黄与诱惑红溶液进行荧光光谱的实验测量,得到日落黄荧光峰在420 nm,诱惑红荧光峰在432 nm。进一步,应用Gaussian 09W软件构建日落黄分子与诱惑红分子的基态和激发态的几何构型,基于密度泛函理论和含时密度泛函理论,完成对两种分子基态和激发态的优化和计算。优化过程中,采用MPWK泛函和6-31g(d)基组;计算过程中,采用B3LYP泛函和6-311g(d,p)基组。考虑到溶剂效应对计算结果的影响,因此在计算过程中引入了极化连续介质模型,最后计算得到日落黄的荧光峰在435 nm,与实验所得有3.57%的相对误差;计算得到诱惑红荧光峰在443 nm,与实验所得有2.55%的相对误差,两种分子荧光峰的相对误差都在允许范围之内,说明计算合理。在分析光谱特性时,发现两种分子荧光峰的产生与分子内电荷转移有关。     

基于BP神经网络的PID控制器

利用神经网络和反馈控制理论, 提出了一种基于神经网络PID控制器的伺服控制系统结构. 在高精度仿真试验转台的应用中证实, 该方法避免了PID参数的整定难以匹配的问题, 减小了干摩擦对低速运动的影响. 实验表明：方法自适应能力强, 调节品质好, 具有较高的应用价值.     

基于BP神经网络和遗传算法的光伏功率预测的研究

随着光伏发电在社会的大规模应用,加之其波动性和间歇性等特点,使得光伏发电功率预测对微电网控制策略研究、电网电能调度和提高电网电能质量显得更加重要。遗传算法(GA)被运用来对建立的BP神经网络模型的初始权值和阈值进行优化,不仅加快了BP神经网络的收敛速度而且提高了BP神经网络的的预测准确度,实验结果显示采用的预测方法获得了较好的预测效果。     

基于二维相关近红外谱参数化及BP神经网络的掺杂牛奶鉴别

将二维相关近红外谱参数化方法与BP神经网络结合,建立掺杂牛奶与纯牛奶的判别模型。分别配制含有尿素牛奶(1～20 g·L-1)和三聚氰胺牛奶(0.01～3 g·L-1)样品各40个。研究了纯牛奶、掺杂牛奶的二维相关近红外谱特性,在此基础上,分别提取了各样品二维相关同步谱的5个特征参数。将这5个特征参数作为BP神经网络的输入,分别建立掺杂尿素、掺杂三聚氰胺、两种掺杂牛奶与纯牛奶的判别模型,采用这些模型对未知样品进行预测,其预测正确率分别为95%,100%和96.7%。研究结果表明：该方法有效地提取了牛奶中掺杂目标物的特征光谱信息,同时又减少了BP神经网络输入变量的维数,实现了掺杂牛奶与纯牛奶的鉴别。     

基于改进BP神经网络的航空液压油软测量

BP 神经网络越来越多地被应用于软测量建模中,与传统方法相比,BP神经网络进行信息处理可以减少数据的分析和建模工作,但也存在易于陷入局部最小值和初始权值随机选取的缺陷问题。为了解决传统BP神经网络存在的缺陷,论文中在数据预处理过程中引入主成分分析法（PCA）,在BP网络输入权值时引入遗传算法（GA）,最终达到弥补BP神经网络缺陷的目的;详细介绍了改进算法的流程与步骤,将改进的BP神经网络应用于航空液压油的软测量,先是对航空液压油软测量参数进行分析,包括辅助变量的选择和数据预处理,然后进行基于改进型BP神经网络的建模与仿真实验。实验结果表明,基于改进BP神经网络的航空液压油软测量效果优于传统神经网络,具有更强的泛化能力,因此可进行更广泛的应用。     

基于径向基神经网络的太阳能电池缺陷检测

为了检测太阳能电池的缺陷,建立了太阳能电池板的电致发光(EL)图像与其缺陷类型间的神经网络预测模型,可以对太阳能电池板不同类型缺陷进行自适应检测。首先,采用主成分分量分析(PCA)算法对电致发光(EL)图像训练样本集降维;然后,将降维后得到的数据输入神经网络预测模型进行学习,对模型的参数进行优化选取;最后,将训练好的网络对测试样本集进行仿真。仿真结果表明:在采用相同的训练样本集和测试样本集条件下,与反向传播神经网络(BPNN)相比,径向基神经网络(RBFNN)具有全局最优特性,结构简单,最高识别率达96.25%,计算时间较短,能满足在线检测的要求。