基于优化策略的不确定数据流预测方法

为解决不确定数据流的预测问题,根据数据流高速、无限和动态不确定性的特点,在复杂人工智能预测和时间序列预测的基础上,提出一种基于优化策略的预测方法。综合考虑数据流中元组的不确定性与不确定异常性,以降低预测计算代价。同时考虑不确定的统计特性对卡尔曼滤波预测的影响,对Q和R进行异步优化估计,以形成最佳状态预测。实验结果表明,该方法的预测性能较好。     

高效液相色谱法测定止痛养胃软胶囊中延胡索乙素的含量

测定止痛胃软胶囊中延索乙素的含量,可用高效液相色谱法。选用甲醇—磷酸缓冲溶液(40∶60)为流动相,测定波长280nm。结果:延胡索乙素浓度在0.02140～1.37mg/mL范围内,与峰面积线性关系良好,y=(8.390×106)x+7.505×103(r=0.9997)。结论:该法操作简便、快捷、特异性强,可用于控制止痛养胃软胶囊的质量。     

AB-8大孔树脂对黄连解毒汤不同药物组合物理化学参数影响的初步研究

探索大孔树脂分离技术对中药复方不同药物组合物理化学参数的影响。以黄连解毒汤为实验体系,测定AB—8大孔树脂分离前后该复方不同药物组合原液及醇洗脱液的pH值、电导率、浊度、粘度等指标。黄连解毒汤不同药物组合在AB—8大孔树脂分离前后的pH值、电导率、浊度、粘度等方面表现出不同的变化。大孔树脂分离技术可改变中药复方不同药物组合的物理化学参数。     

不同材质及孔径的无机陶瓷膜精制黄芪水提液

目的:考察不同材质、不同孔径无机陶瓷膜精制黄芪水提液的适用性,优化工艺参数.方法:为能精确观察指标性成分透过率的动态变化,将实验设为分多次取样.以黄芪水提液为研究对象,从渗透通量、指标性成分透过率、固含物去除率等角度考察膜材质、膜孔径对微滤过程的影响.结果:0.2μm ZrO2较适用于本体系,其稳定渗透通量达273L/(m2.h),黄芪甲苷的透过率达64.56%,固含物的去除率在19%左右.结论:采用无机陶瓷膜对黄芪水提液进行精制分离是可行的,且在适当膜工艺条件下可取得较好精制效果,从而为陶瓷膜分离用于中药精制领域的共性问题提供了依据.     

几种碘化树脂的制备及性能分析

制备了数种不同的强碱型阴离子磺化化树脂。测试了它们在水中的余磺释放性性能和杀菌能力，研究了反应待人接物后处理方式对余碘释的影响。     

面向中药复杂体系的陶瓷膜污染机理研究思路与方法

针对制约陶瓷膜精制中药技术的膜污染关键问题,依据现代分离科学基本原理,建立可科学表征中药水提液复杂体系的物理化学特征的标准技术规范,以具有代表性的中药及其复方为实验体系,采集膜过程相关参数,建立膜污染基础数据库,综合运用模式识别、人工智能、支持向量机等方法进行数据挖掘、知识发现.应用中药制剂学、物理化学、计算机化学、化学工程学,跨学科交叉研究中药水提液膜污染的规律,为类似复杂体系的膜污染机理与防治提供了一种全新的研究模式.用测试集进行预测,6种中药水提液膜污染度实际值、拟合值的均方误差为0.6%,所得模型拟合精度高,可满足拟合要求.     

不同方法提取荜茇挥发油的GC/MS分析

采用气相色谱-质谱联用技术(GC/MS)对水蒸气蒸馏法(SD)和超临界CO2萃取法(SFE-CO2)所提取的荜茇挥发油化学成分及其含量进行分析。两种方法所提取的挥发油在外观，得率，化学成分及含量等方面均存在一定差异。用SFE-CO2法提取的挥发油得率高、提取时间短，是荜茇挥发油提取的理想方法。     

无机陶瓷膜分离技术对中药药效物质基础研究的意义

中药药效物质基础研究是中药现代化战略的重中之重 ,其本质是寻找一种可以发挥综合药理作用的特殊的化学药物整体 ,以煎服的汤剂为主的中药剂型表现了水溶性成分的重要性 .无机陶瓷膜技术因其耐高温、机械强度高、化学稳定性好等特点 ,可在基本保持水提取这一传统工艺的基础上 ,依据中药有效成分的分子量特征 ,对中药及其复方进行“集群筛选” ,既符合中医药理论的核心“整体观念” ,又与当今药学学科前沿“天然组合化学库”研究思路不谋而合 .     

用支持向量机预测中药水提液膜分离过程

为了找出中药水提液膜过程中影响膜污染的主要原因和预测膜污染的程度以防止膜污染,研究用支持向量机分类、遗传神经网络于中药水提液膜中属性筛选。以筛选出的主要属性用支持向量机回归建模预测,讨论确定模型参数、模型优化等关键问题,并与神经网络运行结果对比分析。分析结果表明支持向量机回归算法对膜污染度的拟合效果和预测能力均好于对该问题分析的其他方法。     

基于模糊神经Petri网的网络入侵检测方法

针对传统的入侵检测方法存在检测速度慢、不易收敛、检测准确率低等问题,提出了一种新的适用于网络入侵检测的模糊神经Petri网(简称为FNPN)。文中首先给出了模糊神经Petri网的定义及其引发规则,然后给出了一种学习算法。该FNPN结合了模糊Petri网和神经网络各自的优点,既可以表示和处理模糊产生式规则的知识库系统,又具有学习能力,可通过对样本数据学习来调整模型中的参数以获得系统内部的等效结构。实验证明,该方法具有更高的识别精度和更高的学习速率。