光谱学与光谱分析
|
一种新的线性神经网络多组分分析法及其在VC银翘片NIR定量分析中的应用
白英奎1 ,申铉国2 ,冯 毅2 ,张铁强2 ,黄 芳2
1. 吉林大学通信工程学院,吉林 长春 130025 2. 吉林大学物理学院,吉林 长春 130025
A New Linear Neural Network Multi-Component Analysis Method and Its Application in the Analysis of VC Yinqiao Tablets Quantitative Analysis
BAI Ying-kui1 , SHEN Xuan-guo2 , FENG Yi2 , ZHANG Tie-qiang2 , HUANG Fang2
1. Jilin University, College of Communication Engineering, Changchun 130025, China 2. Jilin University, College of Physics, Changchun 130025, China
摘要 : 用红外光谱仪测量了VC银翘片的近红外谱图,然后将主成分分析法(PCA)和线性神经网络结合,分析VC银翘片中的对乙酰氨基酚和维生素C的含量。讨论了主成分数的选择及影响神经网络的各参数。为了比较算法的性能,作者又分别采用了偏最小二乘法、主成分分析结合BP神经网络进行数据处理。实验及数据处理结果表明,在3种多组分分析方法中,主成分分析结合线性神经网络的方法具有最高的预测精度。
关键词 :主成分分析;线性神经网络;近红外光谱;VC银翘片
Abstract :We measured NIR spectrum of VC Yinqiao tablets with spectral instrument, analyzed the contents of acetaminophen and vitamin C in the VC Yinqiao tablets with principal component analysis(PCA) and Linear Neural Network, and discussed the choice of principal component number and ANN’s parameters affecting the network . To compare arithmetic performance, the authors also processed the spectral data with partial least squares and PCA-BP neural network. Compared with other two data process methods, the experiment and the result of data process showed that the PCA-linear neural network possess the best forecasting precision.
Key words :Principal component analysis(PCA);Linear neural network;NIR spectrum;VC yinqiao tablet
收稿日期: 2003-11-28
修订日期: 2004-04-15
通讯作者:
白英奎
引用本文:
白英奎1 ,申铉国2 ,冯 毅2 ,张铁强2 ,黄 芳2 . 一种新的线性神经网络多组分分析法及其在VC银翘片NIR定量分析中的应用[J]. 光谱学与光谱分析, 2005, 25(06): 898-901.
BAI Ying-kui1 , SHEN Xuan-guo2 , FENG Yi2 , ZHANG Tie-qiang2 , HUANG Fang2 . A New Linear Neural Network Multi-Component Analysis Method and Its Application in the Analysis of VC Yinqiao Tablets Quantitative Analysis . SPECTROSCOPY AND SPECTRAL ANALYSIS, 2005, 25(06): 898-901.
链接本文:
https://www.gpxygpfx.com/CN/Y2005/V25/I06/898
[1] YANG Nan-lin, CHENG Yi-yu, WU Yong-jiang(杨南林, 程翼羽, 吴永江). Acta Chim. Sinica(化学学报), 2003, 61(3): 393. [2] YANG Jiao-lan, LUO Tian(杨娇兰, 罗 添). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2002, 22(4): 610. [3] Dempster MA,Mc Donald B F,Gemperline P J, et al. Anal. Chem. Acta,1995,310(1):43. [4] REN Rui-xue, TANG Zhen, LIU Fu-qiang, GOU Yu-hui, REN Yu-lin(任瑞雪,汤 真, 刘福强,苟玉慧,任玉林). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2001, 21(4): 521. [5] LI Yan, SUN Xiu-yun, WANG Jun-de(李 燕, 孙秀云, 王俊德). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2000, 20(6): 773. [6] WEN Xin, ZHOU Lu, et al(闻 新, 周 露, 等). Emulator and Application of MATLAB Newtral Network(MATLAB 神经网络仿真与应用). Beijing: Science Press(北京:科学技术出版社),2003. 237.
[1]
高 峰, 邢雅阁, 罗华平, 张远华, 郭 玲. 基于可见/近红外光谱与化学计量学的杏品种无损鉴别方法 [J]. 光谱学与光谱分析, 2024, 44(01): 44-51.
[2]
鲍 浩,张 艳. 基于改进哈里斯鹰优化算法的光谱特征波段选择模型研究 [J]. 光谱学与光谱分析, 2024, 44(01): 148-157.
[3]
王彩玲,张 静,王洪伟,宋晓楠,纪 童. 一种波段聚类和多尺度结构特征融合的高光谱图像分类模型 [J]. 光谱学与光谱分析, 2024, 44(01): 258-265.
[4]
白雪冰,宋昌泽,张倩玮,代斌秀,靳国杰,刘文政,陶永胜. “赤霞珠”葡萄叶片缺磷胁迫的VIS/NIR光谱快速无损诊断方法 [J]. 光谱学与光谱分析, 2023, 43(12): 3719-3725.
[5]
王琦标,何余锴,罗雨诗,王淑君,谢 波,邓 超,刘 勇,庹先国. 基于卷积神经网络和近红外光谱的酒醅酸度分析方法研究 [J]. 光谱学与光谱分析, 2023, 43(12): 3726-3731.
[6]
胡彩平,何成遇,孔丽微,朱优优,武 斌,周浩祥,孙 俊. 模糊线性判别QR分析的茶叶近红外光谱鉴别分析 [J]. 光谱学与光谱分析, 2023, 43(12): 3802-3805.
[7]
刘鑫鹏,孙祥洪,秦玉华,张 敏,宫会丽. 基于Wasserstein散度的t-SNE相似性度量方法研究 [J]. 光谱学与光谱分析, 2023, 43(12): 3806-3812.
[8]
骆 立,王静仪,徐兆军,那 斌. 基于近红外光谱技术建立木材产地鉴别模型 [J]. 光谱学与光谱分析, 2023, 43(11): 3372-3379.
[9]
张淑芳,雷 蕾,雷顺新,谭学才,刘绍刚,严 军. 近红外漫反射光谱的茉莉花产地溯源 [J]. 光谱学与光谱分析, 2023, 43(11): 3389-3395.
[10]
杨 群,凌琪涵,魏 勇,宁 强,孔发明,周艺凡,张海琳,王 洁. 基于可见-近红外光谱的柑橘叶片功能性氮含量无损监测模型研究 [J]. 光谱学与光谱分析, 2023, 43(11): 3396-3403.
[11]
方 正,王涵博. 基于X射线吸收光谱法的塑料薄膜厚度测量 [J]. 光谱学与光谱分析, 2023, 43(11): 3461-3468.
[12]
黄孟强,匡文剑,刘 向,何 良. 基于1D-CNN的近红外光谱定量分析棉/涤纶/羊毛混纺纤维含量方法研究 [J]. 光谱学与光谱分析, 2023, 43(11): 3565-3570.
[13]
黄招娣,陈再良,王 琛,田 彭,章海亮,谢潮勇,刘雪梅. 比较用可见/短波近红外光谱结合机器学习算法测量土壤性质的不同多元校准方法分析 [J]. 光谱学与光谱分析, 2023, 43(11): 3535-3540.
[14]
康明月,王 成,孙鸿雁,李作麟,罗 斌. 基于改进的WOA-LSSVM樱桃番茄内部品质检测方法研究 [J]. 光谱学与光谱分析, 2023, 43(11): 3541-3550.
[15]
黄 华,刘 亚,库尔班古丽·都力昆,曾繁琳,玛依热·麦麦提,阿瓦古丽·麦麦提,买地努尔汗·艾则孜,郭俊先. 融合分数阶微分与PIMP-RF算法的集成学习模型预测成熟期苹果可溶性固形物含量 [J]. 光谱学与光谱分析, 2023, 43(10): 3059-3066.