排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
针对铬矿主次组分同时测定中存在的问题,建立了熔融制样-X射线荧光光谱法同时测定铬矿中Cr_2O_3、Fe、MgO、SiO_2、Al_2O_3、CaO、P、S、K_2O、Ni、Co、Ti、Mn、V等14种主次组分的分析方法。以Li_2B_4O_7-LiBO_2(m∶m=67∶33)为熔剂,稀释比1∶20,定量加入氧化-脱模混合溶液(500g/L NaNO_3溶液-70g/L LiBr溶液),在700℃预氧化5min,在1100℃熔融20min,制得透明的熔片。使用铬矿标准物质与钒钛铁精矿标准物质,光谱纯试剂氧化镍按不同比例混合制备合成校准样品系列,拓展了校准曲线含量范围。方法的检出限为10~748μg/g。采用理论α系数法和经验系数法相结合的方法校正基体效应。对1个铬矿样品进行精密度考察,测定结果的相对标准偏差(RSD,n=12)均小于5%;采用实验方法对1个铬矿标准物质进行分析,测定结果与认定值相符,能满足铬矿中各成分的检测要求。 相似文献
2.
3.
4.
5.
基于主成分分析和人工神经网络的近红外光谱大豆产地识别 总被引:1,自引:0,他引:1
为了准确、快速地识别大豆产地,通过近红外光谱技术(NIRS)结合主成分分析(PCA)和人工神经网络技术(ANN)研究不同国家大豆内含特征,建立进口大豆产地识别模型。采用箱型图校正法,剔除阿根廷、巴西、乌拉圭、美国等4个国家166组大豆样本中12组异常样本。采用多元散射校正(MSC)、标准正态变量(SNV)、Savitzky-Golay(SG)平滑滤波等方法进行光谱数据预处理,结果表明,采用SG(3)平滑结合MSC预处理效果最好。主成分分析表明,前10个主成分的累积贡献率达到99.966%。选取主成分分析得到前10个主成分为输入向量,4个产地作为目标向量,分别采用支持向量机(SVM)、邻近算法(KNN)与人工神经网络法(ANN)建立识别模型。结果表明,采用BP-ANN建模效果最好,总体测试集准确率为95.65%,其中阿根廷准确率为100%,巴西准确率为100%,乌拉圭准确率为80%,美国准确率为100%,该模型能够实现对进口大豆生产国别的识别。 相似文献
1