排序方式: 共有209条查询结果,搜索用时 15 毫秒
31.
基于近红外光谱技术与化学计量学方法建立一种适合于假冒以及国内外不同品牌豆浆粉的无损鉴别方法。采集国内外不同品牌豆浆粉以及假冒豆浆粉共132个样本的近红外光谱,利用连续小波变换方法扣除光谱中的背景和基线干扰,基于标准偏差与相对标准偏差筛选出特征波长,并结合主成分分析方法对不同品牌与假冒豆浆粉进行鉴别。结果表明:连续小波变换能够有效消除基线的干扰,波长筛选方法可以大大提高鉴别的准确性。采用该方法,假冒豆浆粉、进口豆浆粉与国产豆浆粉之间的鉴别准确率达100%,而不同品牌豆浆粉之间的鉴别准确率达93.94%。采用近红外光谱技术与化学计量学方可有效实现对国内外不同品牌豆浆粉以及假冒豆浆粉的快速无损鉴别分析。 相似文献
32.
33.
提出了一种基于近红外光谱技术与化学计量学的燕麦无损鉴别方法。通过近红外光谱仪测定了5个品牌与劣质燕麦的光谱曲线,利用连续小波变换方法对光谱进行预处理,然后基于标准偏差与相对标准偏差的变量筛选方法筛选出具有代表的15个波数点,最后结合主成分分析法对不同燕麦样品快速鉴别。结果表明:连续小波变换可以有效地消除光谱中的背景干扰,提取光谱有效信息,波长筛选方法可以大大提高主成分分析结果的鉴别能力。通过结合近红外光谱分析技术与化学计量学方法,可对中国国产品牌、进口品牌和劣质燕麦进行准确鉴别。 相似文献
34.
为提高小样本量下火工品可靠性分析的精度,依据火工品感度试验与可靠性分析的特点,提出了一种基于广义线性模型的火工品可靠性分析方法。该方法通过函数变换,将样本似然函数转换为二项分布变量的广义线性表达式,由此,得到感度分布参数的极大似然估计及其相应算法,再根据极大似然估计的渐近正态性,对可靠度函数进行了logit变换,给出了火工品可靠度置信下限。通过某针刺雷管(γ=0.95,R≥0.999)和电雷管(γ=0.95,R≥0.9999)对该方法进行了实验验证,并与大样本试验数据分析结果进行对比,结果表明该方法合理可行,可利用约150个样本对可靠性要求为0.999以上的火工品进行有效评价。 相似文献
35.
36.
37.
目的 比较苎麻籽总黄酮含量的测定方法。方法 以芦丁和槲皮素为对照品, 比较直接测定法、NaNO2-Al3+-NaOH法、AlCl3法3种比色方法下苎麻籽(70%乙醇提取液)的紫外-可见光谱图, 并通过精密度、稳定性、干扰试验、加标回收率试验对所选方法进行评价。结果 芦丁和槲皮素均不适合作为直接测定苎麻籽总黄酮的对照品; NaNO2-Al3+-NaOH法最大吸收波长为500 nm, 但受某些非黄酮类物质干扰, 使得该方法下的总黄酮含量测定值虚高; AlCl3法以芦丁为对照品, 测定波长为401 nm, 在0.004~0.02 mg/mL范围内浓度与吸光度值成良好的线性关系, 相关系数r2=0.9998, 该法受干扰小, 精密度高, 平均回收率为(99.46±4.16)%, 显色后在20~60 min内吸光值稳定。结论 AlCl3法简单可行, 适用于苎麻籽提取物中总黄酮含量的测定。 相似文献
38.
农药残留导致的食品安全事件威胁人们的健康和生命。现阶段食品中的农药残留具有品类多、残留量低且施用未知等特点,检测难度较大。因此,开发食品中农药残留高通量非靶向检测技术具有重要意义。色谱-质谱联用技术因具有高分离、高鉴别、高通量、非靶向等优点,在农药残留检测领域得到了广泛应用。本文对近10年国内外基于色谱-质谱联用技术的食品中农药残留高通量非靶向检测相关报道进行归纳和总结,简要介绍食品中多农药残留检测的现状,重点从多维色谱及高分辨质谱技术的开发、吸附材料及样品前处理技术的改进、化学计量学方法的优化等方面阐述色谱-质谱联用技术在食品中农药残留检测中的应用进展,并对其存在的问题提出相关建议,以期为色谱-质谱联用技术在食品中多农药残留检测领域的相关研究应用提供新的参考依据。 相似文献
39.
为提升复杂环境中漂浮式风力机平台筋腱结构隐性损伤识别率,基于卷积神经网络(convolutional neural network,CNN),提出连续多尺度卷积神经网络(continues-multi-scale convolutional neural network,CMS-CNN),建立“端到端”的损伤识别模型。为验证CMS-CNN方法的有效性,以10 MW漂浮式风力机为研究对象,对损伤位置、程度进行故障诊断,结果表明:连续多尺度模型比传统多尺度的诊断结果更佳;横荡加速度受环境载荷影响较小,基于此响应信号所训练的CMS-CNN诊断模型更可靠;CMS-CNN模型可在筋腱结构微弱损伤时实现精准定位,亦能完成结构隐性损伤程度识别。 相似文献
40.
针对传统滚动轴承故障诊断方法在大噪声与变载荷环境下诊断困难的问题。基于混沌理论,通过卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)提出CCNN(Chaotic CNN)-BiLSTM智能故障诊断方法。采用相空间重构法将一维时间序列转化为二维混沌序列,学习并提取混沌序列中有效非线性信息,并输入Softmax层中完成分类。结果表明,较之现有方法,所提CCNN-BiLSTM方法在变载荷和大噪声(信噪比为-8 dB)环境下的准确率分别至少高出3.76%与5.21%,表明该方法具有良好的鲁棒性和泛化性能。 相似文献