基于近红外光谱技术的辛伐他汀片剂生产过程多参数的质量监控

利用近红外光谱（NIR）技术,并结合化学计量学方法,建立了辛伐他汀片剂制备过程水分含量、制片压力、片剂硬度、主药含量四参数的近红外定量分析模型。采用偏最小二乘法（PLS）建立校正模型,以相关系数（R）、校正均方差（RMSEC）、预测均方差（RMSEP）和内部交叉验证均方差（RMSECV）为模型性能评价参数。其中水分含量校正模型的RMSEC为0.682,R为0.99030,内部预测集的RMSEP为0.672,R为0.9906,模型的RMSECV为0.99050;制片压力校正模型的RMSEC为0.181,R为0.98540,内部预测集的RMSEP为0.165,R为0.9763,模型的RMSECV为0.46900;片剂硬度校正模型的RMSEC为0.158,R为0.99130,内部预测集的RMSEP为0.176,R为0.9894,模型的RMSECV为0.34000;主药含量校正模型的RMSEC为0.322,R为0.98878,内部预测集的RMSEP为0.473,R为0.9802,模型的RMSECV为0.55100。结果表明,所建模型具有良好的预测能力,能有效地应用于辛伐他汀固体制剂生产过程中上述各参数的监控。所建方法,对药物固体制剂生产过程的质量监测与控制具有指导意义。     

近红外光谱对市售黄芩饮片中黄芩苷含量的快速测定

应用近红外光谱技术(NIR)和OPUS数据分析软件,对市售黄芩饮片中黄芩苷的含量进行了快速测定.采用偏最小二乘法(PLS)对黄芩饮片的结果与NIR建立校正模型,最小最大归一化法为黄芩苷的最优预处理建模方法,优化校正模型中真实值与预测值之间的相关系数(R2)为0.896 1,内部验证均方差(RMSECV)为0.836,最佳主因子数为9,预测平均偏差为0.92%.NIR具有非破坏性、无污染、重现性好等优点,可以用于市售黄芩饮片中黄芩苷含量的快速测定.     

基于高光谱成像技术的马铃薯多种营养成分同时检测

利用高光谱成像技术对马铃薯淀粉、干物质、水分含量进行同时检测。采用多元散射校正方法(MSC)对原始光谱预处理,并通过竞争性自适应重加权算法(CARS)和连续投影算法(SPA)选择特征波长,分别建立两种特征波长下的偏最小二乘模型(PLS)和多元线性回归模型(MLR),并对比建模效果。结果表明,采用CARS选择的特征波长建模效果较好。淀粉的最优模型为CARS-MLR模型,其校正模型相关系数(RC)、校正模型的均方根误差(RMSEC)、预测模型的相关系数(RP)、预测模型的均方根误差(RMSEP)分别为0.965、0.376、0.950、0.361;干物质的最优模型为CARS-PLS模型,其RC、RMSEC、RP、RMSEP为0.954、0.386、0.947、0.383;水分的最优模型为CARS-PLS模型,其RC、RMSEC、RP、RMSEP为0.926、0.410、0.929、0.398。研究结果表明,CARS算法是一种有效的高光谱特征波长提取方法,利用CARS选择特征波长建立的预测模型可替代全波段建模。利用高光谱成像技术可以实现马铃薯多种营养成分同时检测。     

可见光谱结合偏最小二乘法对混合染料浓度的同时测定

采用偏最小二乘法建立测定混合染料浓度的可见光谱定量分析模型,应用多种光谱预处理方法对光谱进行信息提取和分析,分别建立定量分析模型;讨论了光谱的预处理方法和主成分数对PLS模型定量预测能力的影响;比较各个模型的内部交互验证均方根误差(RMSECV),校正均方根残差(RMSEC),校正相关系数R,预测均方根误差(RMSEP)选取最优模型.结果表明:所建立的校正模型稳健性好和预测精度高,为混合染料浓度的快速、准确和同时测定提供了新的途径,对于连续在线监测混合染料浓度具有指导意义.     

基于近红外高光谱成像技术的马铃薯淀粉含量无损检测

以马铃薯为研究对象,应用近红外高光谱成像技术(900¹ 700 nm)对马铃薯淀粉含量进行无损检测.采用多元散射校正法(MSC)对原始光谱进行预处理,并通过回归系数法(RC)和连续投影算法(SPA)选择特征波长.分别建立两种特征波长下的多元线性回归模型(MLR)和偏最小二乘回归模型(PLSR),并对比建模效果.结果表明,对于两种建模方法,采用连续投影算法选择特征波长建模的效果较好;SPA-MLR建模效果优于SPA-PLSR建模效果,其校正模型的相关系数(Rc)和均方根误差(RMSEC)分别为0.972、0.329;验证模型的相关系数(Rp)和均方根误差(RMSEP)分别为0.982、0.249.     

近红外光谱法快速测定三七总皂苷的方法研究

以中药为实例 ,提出用近红外光谱技术快速检测复杂物质分析体系中有效组分 .在 0 .133%～ 7.0 4 0 %浓度内 ,根据三七总皂苷在 75 0 0～ 4 0 0 0 cm- 1 的近红外吸收光谱 ,利用光纤远程传输技术 ,采用偏最小二乘算法建立校正模型 ,建立了在三七药材提取物中定量检测该物质的新方法 .交叉检验的最佳主因子数为 4 ,相关系数 R2 为99.4 3% ,交叉验证均方差为 0 .15 9% .该方法快速、准确、简便 ,适合于中药工业过程在线检测 .     

基于BP神经网络检测面粉中滑石粉含量的研究

利用近红外光谱技术对掺杂滑石粉的小麦面粉进行了检测,采用多元散射校正对谱图进行预处理,利用BP神经网络中的SCG反向传播算法训练函数建立了面粉中滑石粉的定量分析模型,并对校正集和预测集进行了定量分析,分析结果为R2=0.997 3,RMSEC=0.436 7,RMSEP=1.708 8.结果表明,BP神经网络结合近红外光谱技术检测面粉中滑石粉含量具有快速、精度高、泛华能力强的优点,可用于面粉中滑石粉含量的快速准确检测.     

BP神经网络在ATR．FTIR技术微量农药溶液检测中的应用

利用衰减全反射傅里叶变换红外光谱（ATR-FTIR）技术分别对毒死蜱、炔螨特的微量溶液进行了检测,采用差谱、基线校正和矢量归一化对谱图进行预处理,利用BP神经网络分别使用自适应调整学习率并附加动量因子的梯度下降反向传播算法训练函数和SCG反向传播算法训练函数建立了毒死蜱和炔螨特农药溶液的定量分析模型,并对校正集和预测集进行了定量分析．毒死蜱溶液模型的分析结果为：R=0．9986,RMSEC=0．1000．RMSEP=0．2201;炔螨特溶液模型的分析结果为：R=0．9974,RMSEC=0．3918,RMSEP=0．6241．结果表明,BP神经网络结合ATR-FT．IR技术检测微量农药溶液含量具有快速、精度高、泛化能力强的优点,可用于农药溶液含量的快速、准确鉴定．     

应用NIR高光谱成像技术检测羊肉脂肪和蛋白质质量分数

采用近红外高光谱成像技术(900～1 700 nm)对羊肉脂肪和蛋白质质量分数进行预测.通过近红外高光谱对72个羊肉样本进行高光谱图像采集,获取的光谱数据经过多元散射校正进行光谱预处理.通过回归分析选取对应的特征波长,利用BP神经网络结合脂肪和蛋白质的实测值,建立预测模型并对模型进行验证.结果显示,羊肉脂肪和蛋白质的预测模型效果较好.其中,脂肪模型的相关系数R和预测均方根误差RMSEP分别为0.91和0.73;蛋白质模型的相关系数R和预测均方根误差RMSEP分别为0.87和1.19.该研究表明,利用近红外高光谱成像技术预测羊肉脂肪和蛋白质质量分数是可行的.     

花生油中掺入大豆油的鉴别研究

利用气相色谱法(GC)结合化学计量学技术建立了花生油中掺入大豆油的鉴别模型以及掺伪定量分析模型.分别采用气相色谱法、主成分分析(PCA)、聚类分析(CA)和最小二乘支持向量机(LS-SVM)对脂肪酸色谱数据进行处理.结果显示,利用LS-SVM构建的花生油掺大豆油的鉴别模型准确率最高,达100%;运用偏最小二乘法(PLS)建立花生油掺伪定量模型,并通过交互验证考察所建模型的可靠性,PLS模型的相关系数(R2)、交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.996、1.59%和2.08%,优于经典的多元线性回归(MLR)和主成分回归(PCR).这表明应用化学计量学技术能够快速、准确地鉴别花生油的真伪和检测花生油中大豆油的含量,对其他油脂掺伪检测也具有一定的参考价值.     

近红外光谱法测定废水化学需氧量

为快速确定废水的污染程度，研究了运用近红外光谱法测量废水化学需氧量（COD）的可行性.实验用水样共180个，其中COD标准溶液（邻苯二甲酸氢钾标准溶液）水样22个,污水处理厂的废水水样158个.每一水样分成两组：一组测其800~2600 nm谱区近红外光谱，另一组测其COD，并把该化学值作为标定该水样光谱的“真值”.对水样近红光谱用偏最小二乘法（PLS）回归建模，分别建立标准液水样和废水样的COD预测模型.标准液水样的理论COD值与预测值之间的相关系数为0.9999,交叉验证均方差（RMSECV）为15.14 mg/L；污水处理厂废水水样的COD实测值与预测值之间的相关系数为0.9453,预测标准差（RMSEP）为35.4 mg/L.实验结果表明，用近红外光谱法测量废COD是可行的.     

污泥厌氧发酵过程中基于近红外光谱的COD定量分析

采用厌氧序批式反应器(ASBR)对污水厂剩余污泥进行的中温发酵处理,利用小波去噪对其上清液近红外光谱进行预处理,基于间隔偏最小二乘法(i PLS)建立COD值的校正模型。结果表明两者建立的校正模型线性相关性r=0.9786,校正均方根误差RMSECV=39.13。利用小波去噪与间隔最小偏二乘法进行建模不但可以减少变量数和运算过程,同时模型预测精度也较高,该研究为污泥发酵过程中COD的变化规律提供了一种快速检测的可行分析方法。     

Short-Term Traffic Flow Prediction Based on Road Network Topology

Accurate short-term traffic flow prediction plays a crucial role in intelligent transportation system (ITS), because it can assist both traffic authorities and individual travelers make better decisions. Previous researches mostly focus on shallow traffic prediction models, which performances were unsatisfying since short-term traffic flow exhibits the characteristics of high nonlinearity, complexity and chaos. Taking the spatial and temporal correlations into consideration, a new traffic flow prediction method is proposed with the basis on the road network topology and gated recurrent unit (GRU). This method can help researchers without professional traffic knowledge extracting generic traffic flow features effectively and efficiently. Experiments are conducted by using real traffic flow data collected from the Caltrans Performance Measurement System (PEMS) database in San Diego and Oakland from June 15, 2017 to September 27, 2017. The results demonstrate that our method outperforms other traditional approaches in terms of mean absolute percentage error (MAPE), symmetric mean absolute percentage error (SMAPE) and root mean square error (RMSE).     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

GA-LSTM模型在高速公路交通流预测中的应用

为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.     

基于长短时记忆网络的航线市场份额预测

当前主流航线市场的份额预测方法是服务质量指数（QSI）模型,但此方法需要模型线性化和大量人工经验. 提出基于长短时记忆网络的航线市场份额预测模型,利用该模型对航班市场份额进行预测,并通过在简化数据集上进行试验来验证模型的有效性. 以均方根误差为评价指标,对模型的参数进行优化,分别测试运力预测,QSI模型和提出的预测模型等3种方法的预测精度. 试验结果表明提出的模型能更好地预测航线市场份额,均方根误差在0.1左右.