RBF网络光度法与BP网络光度法的比较

目的：探讨神经网络光度法用于复方制剂的含量测定。方法：训练集为按L25（5^6）正交表制备的25组标准混合液的吸光度数据和各组分的浓度数据，混合液中各组分的5个浓度水平分别为80％、90％、100％，110％和120％。预报集采用复方制剂的吸光度数据。网络的输入为混合物的吸光度，网络的输出为各组分的浓度。分别用径向基函数网络和Levenberg-Marqurdt优化算法的BP网络处理数据。结果：复方阿司匹林片和联磺甲氧苄啶片的紫外分光光度法测定结果表明，径向基函数网络在网络训练时间和测定精度等方面好于Levenberg-Marqurdt优化算法的BP网络。结论：径向基函数网络光度法测定复方制剂简便，准确。     

磺胺甲基异噁唑的流动注射分析研究

磺胺甲基异(口恶)唑(SMZ)是一种应用较广的磺胺类药物,主要用于脑膜炎球菌、肺炎球菌、溶血性链球菌及某些革兰氏阴性杆菌引起的感染。其含量测定方法报道较多,如重氮化法、TLC—紫外分光光度法、荧光光度法、高效液相色谱法、核磁共振波谱法及银离子选择电极法等。本文以磺胺甲基异(口恶)唑——十六烷基三辛基铵为活性物质,研制成磺胺甲基异(口恶)唑流通型传感器,以该传感器作为流动注射分析电化学检测器,用于SMZ 原料药及其制剂的含量监测,并对测定条件及其影响因素进行了探讨。当载流流速为3.5ml/min,进样量为400μl 时,其线性响应范围为5×10~(-5)～10~(-2)mol/L,pH 适用范围     

径向基函数神经网络用于复方氯丙嗪的含量测定

用径向基函数神经网络分光光度法测定了复方氯丙嗪中二组分盐酸氯丙嗪和盐酸异丙嗪的含量,回收主分别为：１００．２％和９９．９６％,变异系数分别为０．７８％和１．１２％,结果稍好于普通ＢＰ神经网络,但收敛速度大大加快。     

萘甲唑啉选择性电极的研制

以萘甲唑啉－雷氏盐为电化学活性物制成ＰＶＣ膜电极和石墨涂膜电极。测定了电极的性能，并按直接电位测定萘甲唑啉，试验表明，ＰＶＣ膜电极的性能稍优于石墨涂膜电极，平均回收率均达９９．２％标准偏差分别为０．８６％与１．０６％。     

连续波长紫外分光光度的定量分析方法

提出了一种对多组分混合物的紫外连续光谱进行数据处理实现定量分析的方法。该方法将待测浓度和吸光系数同时作为决策变量,把分析问题表示为一个有约束优化问题,建立多组分定量分析数学模型,采用广义简约梯度算法求解。通过对典型的2—5组分食用色素混合物的紫外连续光谱数据进行分析,分析结果是平均和最大相对误差分别为2．075％、7.800％,说明本文方法具有较高的准确度,是一种方便、准确的多组分定量分析方法。     

好多元分辨-交替最小二乘法研究姜黄素的性质及降解过程

采用多元分辨-交替最小二乘法(MCR-ALS)和紫外可见分光光度法研究了姜黄素在不同pH条件下的吸收光谱变化,及其在酸性、中性、碱性条件下的降解过程。光谱数据分辨结果显示了姜黄素在不同pH条件下以及降解过程的所有纯组分光谱和浓度分布曲线,并推测了姜黄素随pH值改变的结构,解析了姜黄素降解过程的动力学曲线。     

小波神经网络测定复方苯甲酸酊中主要成分的含量

依据小波函数的非线性逼近能力和神经网络的自学习能力,用Morlet小波基函数代替传统的神经网络传递函数Sigmoid函数,克服BP神经网络易陷入局部极小等缺陷,建立了小波神经网络算法,用于紫外分光光度法不经分离同时测定复方苯甲酸酊中的苯甲酸和水杨酸。苯甲酸和水杨酸的平均加标回收率和RSD分别为101.1%,1.7%;102.1%,1.8%。结果表明,该方法不需要物理化学分离,分析速度快,精确度较高,适用于该制剂的含量测定。     

Bayes判别分析在基于儿茶酚胺的阿尔茨海默病预测研究中的应用

利用判别分析方法通过对测量的12个阿尔茨海默氏症(Alzheimer’s disease,AD)患者和12个健康者的尿液样本中儿茶酚胺(Catecholamines,CA)含量的测定及浓度作为训练集建立判别函数,进行疾病的诊断,交叉验证错误率为4.2%。采用随机余下的4个数据带入判别函数,进行预测,结果表明具有很好的预测能力,正确率达到了100%。此方法可以通过测量人体尿液中CA含量测定及浓度来诊断AD,对AD的尽早检测和早期治疗非常重要。2组线性判别函数分别为-19.91024+0.21873*E+0.23742*NE+0.11155*DOA+0.41789*L-DOPA-0.12661*DOPAC;-2.24864+0.03070*E+0.04914*NE+0 06892*DOA+0.01704*L-DOPA+0.01598*DOPAC。     

ITTFA-UV分光光度法同时测定3种共存的抗生素

用迭代目标转换因子分析法(ITTFA)辅助分光光度法不经分离同时测定了模拟样品和生化试剂实际样品中四环素、氯霉素和盐酸万古霉素的含量。当测量波长范围为(248~260)nm,波长点数为13,波长间隔为1nm,主因子数为3时计算结果最佳。模拟样中3组分的平均测出率均接近100%,生化试剂实际样品中3组分的加标回收率在96%~105%。与高效液相色谱法相比,本文方法简便快速,无需分离和添加任何分析试剂,只需对试样进行紫外-可见吸收光谱扫描,即可利用ITTFA法消除共存的其他未知组分的干扰,完成对试样中指定的多种抗生素的同时测定。     

因子分析─光度法同时测定合成食品色素

本文研究了使用目标因子分析─光度法对合成食品色素苋菜红、胭脂红、赤藓红的混合体系和亮兰、柠檬黄、胭脂红的混合体系的同时测定。在不需引进其它额外因子的情况下该法成功地确定了混合体系中的吸光物种数、种类及其含量（浓度范围４．３２─４ｐｐｍ，回收率为１００＋５．８１％），对连续波长范围及波长数目对计算结果的影响也做了探讨。     

基于分治法的神经网络修复方法

神经网络作为一种求解复杂问题的有效方法已经广泛应用于医学影像,自动驾驶等领域。然而,神经网络十分脆弱,对一个样本添加一点肉眼难以察觉的微小扰动就可能导致神经网络做出错误的判断。当神经网络出现了错误的行为,常用的修复方法是对神经网络进行重训练或者微调,然而这些方式需要较高的代价而且无法保证完全修复错误行为。在本文中,我们关注神经网络的完备修复问题,给定一个待修复的神经网络和一个目标样本集合,该问题要求修复后的神经网络在目标样本集合上表现出100%的正确率。在本文中,我们基于分治法的思想提出了一种神经网络修复方法。在该方法中,我们将目标样本集合不断划分为更小的集合,直到样本集合达到可接受的规模,之后对于划分得到的每一个集合逐个进行修复得到一个局部补丁,最后所有的局部补丁进行整合得到对于整个特征空间的补丁。在两个公开数据集上的实验表明我们的方法优于当前最先进的神经网络修复算法。针对对抗攻击和后门攻击生成的目标样本集合,我们的方法不仅完全修复了神经网络在目标样本集合上的行为,而且将网络在相同攻击方式生成的测试集上的准确率分别提高了55.79%和60.59%。同时,我们的方法可以避免修复后网络在标准测试集上的准确率大幅度降低。     

基于CNN的改进行人重识别技术

针对行人重识别研究中训练样本的不足,为提高识别精度及泛化能力,提出一种基于卷积神经网络的改进行人重识别方法。首先对训练数据集进行扩充,使用生成对抗网络无监督学习方法生成无标签图像;然后与原数据集联合作半监督卷积神经网络训练,通过构建一个Siamese网络,结合分类模型和验证模型的特点进行训练;最后加入无标签图像类别分布方法,计算交叉熵损失来进行相似度量。实验结果表明,在Market-1501、CUHK03和DukeMTMC-reID数据集上,该方法相比原有的Siamese方法在Rank-1和mAP等性能指标上有近3～5个百分点的提升。当样本较少时,该方法具有一定应用价值。     

基于黄金分割和BP网络的气体体积分数预测模型

研究基于黄金分割法的神经网络在红外光谱定量中的应用。通过黄金分割法对神经网络隐含层节点数进行优化,再将4组分混合气体预测集样本通过LM学习算法建立模型,用所得到的神经网络模型对10组混合气体光谱数据进行检验,平均相对误差为0.63%。使用该方法建立多组分污染气体定量分析模型的时间短,而且能够较精确地预测各组分的体积分数。     

贝叶斯正则化神经网络预测金属晶体结合能的研究

采用贝叶斯正则化神经网络(BRNN)对61种金属晶体结合能进行了预测。对网络结构、训练集、预测集以及学习次数进行了优化，并用独立预测样本对贝叶斯正则化神经网络作了检验。预测结果表明，在推广能力方面，贝叶斯正则化神经网络优于熟知的反向传播(BP)神经网络和多元线性回归方法(MLR)。它可望成为元素和化合物构效关系研究的辅助手段。     

基于LVQ神经网络的改进覆盖算法

覆盖算法是一种具有高分类准确度和强泛化能力的构造性神经网络分类算法。针对其选择覆盖中心的随意性,结合竞争性神经网络方法对覆盖算法进行改进,在覆盖学习之前进行预学习,选择最佳覆盖球形中心,来优化覆盖。通过标准UCI测试数据实验的比较,从分类的准确性和覆盖个数方面进行对比,得到改进的覆盖算法有很好的效果。     

一种模糊神经网络的结构和参数的确定方法*

结合FGP(Fuzzy Grid Partition,模糊网格划分)和FNN(Fuzzy Neural Network,神经网络)提出一种有效确定模糊神经网络模型中结构及参数的方法.该方法首先从样本数据中采用模糊网格划分确定出最佳规则数,从而可确定神经网络的结构;然后采用BP算法对神经网络进行调节,从而确定出模糊神经网络的参数.采用这种方法构建我国经济增长的模糊模型.研究表明这种方法构建的模糊神经网络具有更高的精度.     

基于RS-CSA-ELM的WSN节点故障诊断

为及时发现WSN节点故障隐患,准确掌握WSN运行状态,本文利用粗糙集理论属性约简算法(简称RS)对WSN节点故障属性进行约简,以最优的故障属性决策表重构训练样本数据集,作为极限学习机(Extreme Learning Machine, ELM)神经网络的输入,建立一个数据驱动的WSN节点故障断模型.采用乌鸦搜索算法(Crow Search Algorithm, CSA)优化ELM神经网络的输入权值和隐含层阀值,改善网络参数随机生成带来的ELM模型输出不稳定、分类精度偏低的问题.通过对RS-GA-ELM模型进行仿真分析.结果表明, RS-GA-ELM模型能够在可靠性不同的数据集中,保持较高的故障诊断效率,符合WSN节点故障诊断的需求.     

基于降噪自编码神经网络的事件相关电位脑电信号分析方法

提出一种基于降噪自编码神经网络事件相关电位分析方法,首先建立3层神经网络结构,利用降噪自编码对神经网络进行初始化,实现了降噪自编码深度学习模型的无监督学习.从无标签数据中自动学习数据特征,通过优化模型训练得到的权值作为神经网络初始化参数.其次,经过有标签的样本进行网络参数的微调即可完成对神经网络的训练,该方法有效解决了神经网络训练中因随机选择初始化参数,而导致网络易陷入局部极小的缺陷.最后,利用上述神经网络对第3届脑机接口竞赛数据集Data set Ⅱ(事件相关电位脑电信号)进行分类分析.实验结果表明:利用降噪自编码迭代2500次训练神经网络模型,在受试者A和受试者B样本数据叠加5次、10次、15次3种情况下获得的分类准确率分别为73.4%, 87.4%和97.2%.该最高准确率优于其他分类方法,比竞赛第1名联合支持向量机(SVM)分类器(ESVM)提高了0.7%,为事件相关电位脑电信号提供了一种深度学习分析方法.     

Discrimination of quarry blasts and earthquakes in the vicinity of Istanbul using soft computing techniques

The purpose of this article is to demonstrate the use of feedforward neural networks (FFNNs), adaptive neural fuzzy inference systems (ANFIS), and probabilistic neural networks (PNNs) to discriminate between earthquakes and quarry blasts in Istanbul and vicinity (the Marmara region). The tectonically active Marmara region is affected by the Thrace-Eski?ehir fault zone and especially the North Anatolian fault zone (NAFZ). Local MARNET stations, which were established in 1976 and are operated by the Kandilli Observatory and Earthquake Research Institute (KOERI), record not only earthquakes that occur in the region, but also quarry blasts. There are a few quarry-blasting areas in the Gaziosmanpa?a, Çatalca, Ömerli, and Hereke regions. Analytical methods were applied to a set of 175 seismic events (2001-2004) recorded by the stations of the local seismic network (ISK, HRT, and CTT stations) operated by the KOERI National Earthquake Monitoring Center (NEMC). Out of a total of 175 records, 148 are related to quarry blasts and 27 to earthquakes. The data sets were divided into training and testing sets for each region. In all the models developed, the input vectors consist of the peak amplitude ratio (S/P ratio) and the complexity value, and the output is a determination of either earthquake or quarry blast. The success of the developed models on regional test data varies between 97.67% and 100%.