论文部分内容阅读
荧光分光光度法具有灵敏度高,取样量小等优点,已广泛地应用于无机、有机、生化、医药和临床检验等各个领域中。与分光光度法比较起来,荧光法的灵敏度要高2-4个数量级。但对多组分体系进行分析时,常因各组分发射光谱曲线相互重叠而变得十分困难,用荧光光度法不经分离同时测定多组分体系的报道较少。人工神经网络(Artificial NeuralNetworks,ANN)作为一种新的方法体系,具有非线性处理、自适应学习等特性,对于处理多组分同时测定中的非线性体系具有突出的优越性。本文将人工神经网络和荧光光度法结合起来,应用到多组分体系的同时测定中,结果令人满意。经BP网络处理得到样品的平均回收率在90.2%~109.4%之间,经GA-BP网络处理得到样品的平均回收率在95.8%~103.5%之间。结果表明:GA-BP网络比BP网络全局寻优能力更强,收敛速度更快、精度更高,在处理组分数更复杂的体系中有着更大的优势。本文的主要工作分为实验和数据处理两个部分:
实验部分,具体考察了每个实验体系中不同的实验条件对荧光强度的影响。按正交设计测量了不同浓度配比的混合样,并对苯酚、邻苯二酚、间苯二酚和对苯二酚四组分体系做了实际样品的测定。结果表明:对于Al<’3+>、Ga<’3+>、In<’3+>、TI<’3+>四组分体系,在pH=5.5和有表面活性剂CTMAB存在时,加入一定量的H<,2>QS荧光剂,在25分钟能达到最大的荧光强度值,并且在5个小时内很稳定:对于苯酚、邻苯二酚、间苯二酚和对苯二酚四组分体系,在PH=2~4时的荧光强度最大且在6小时内较稳定,并且以无水乙醇为溶剂时荧光强度有增敏:对于1-萘酚和2-萘酚二组分体系,在不加任何试剂和缓冲液的条件下,荧光强度大且稳定;对于色氨酸和酪氨酸二组分体系,加入pH=8的缓冲液荧光强度值大且稳定。
数据处理部分:对于四种不同体系,考察了BP网络和GA-BP网络的具体训练参数,得出各体系的最优网络模型,经所得出最优网络模型训练后对体系样品进行了预测,并分析了实际样品中各组分含量,同时比较了BP网络和GA-BP网络的处理结果。
1、Al<’3+>,Ga<’3+>,In<’3+>,Tl<’3+>四组分体系,BP网络训练参数:网络的拓扑结构34-25-4,目标迭代误差(mse)为0.01,初始权(阀)值的范围为[-1.0,1.0],学习速率为0.02,动量因子为0.75,各层传递函数分别为logsig,sigmoid,purelin,网络的训练函数为Traingdx。GA-BP网络训练参数:种群规模50,选择概率0.1,学习速率为0.03,终止迭代的误差为0.005,网络拓扑结构:34-25-4。Al<’3+>,Ga<’3+>,In<’3+>,Tl<’3+>的平均回收率预报结果分别为:BP网络98.95%,107.70%,94.54%,96.60%;GA-BP网络99.26%,103.47%,98.79%,95.84%。
2、对苯二酚、邻苯二酚、苯酚和间苯二酚四组分体系,BP网络训练参数:网络的拓扑结
为0.03,各层传递函数分别为logsig,sigmoid,purelin,网络的训练函数为traincgb。检测 集(人工合成样)对苯二酚、邻苯二酚、间苯二酚和苯酚的平均回收率预报结果分别为: 102.14%,107.68%,109.37%,106.14%;实际水样对苯二酚、邻苯二酚、间苯二酚和苯酚 的平均回收率分别为:99.24%,93.69%,90.17%,103.93%。
3、对于1-萘酚,2-萘酚二组分体系,BP网络训练参数:网络的拓扑结构40-26-2,目标迭代误差(mse)为0.01,初始权(阀)值的范围为[-1.0,1.01,学习速率为0.03,各层传递函数分别为logsig,sigmoid,purelin,网络的训练函数为trainlm。GA-BP网络训练参数:种群规模50,选择概率0.1,学习速率为0.03,终止迭代的误差为0.005,网络拓扑结 构:40.26-2。1-萘酚,2-萘酚的平均回收率预报结果分别为:BP网络103.94%,98.30%; GA-BP网络100.92%,101.49%。
4、对于色氨酸,酪氨酸二组分体系,BP网络训练参数:网络的拓扑结构30-18-2,目标迭代误差(msc)为0.01,初始权(阀)值的范围为[-1.0, 1.0],学习速率为0.02,各层传递函数分别为logsig,sigmoid,purelin,网络的训练函数为traincgb。GA-BP网络训练参数:种群规模50,选择概率0.1,学习速率为0.02,终止迭代的误差为0.005,网络拓扑结构: 30-18-2。色氨酸,酪氨酸的平均回收率预报结果分别为:BP网络102.99%;99.93%;GA-BP 网络101.03%,99.24%。