人工神经网络光度法同时测定饮料中三种色素

用BP人工神经网络解析了日落黄、柠檬黄和胭脂红的吸收光谱,提出同时测定这三种色素的计算分析方法;并对饮料中的日落黄、柠檬黄和胭脂红进行了同时测定.日落黄、柠檬黄和胭脂红回收率分别为99.61%、103.45%和98.50%;使用了改进的BP算法,避免了神经网络学习过程中可能产生的麻痹现象;提出了目标向量的简单变换方法,与偏最小二乘法进行了比较.结果表明,BP神经网络法与偏最小二乘法一样能获得满意的分析结果.     

人工神经网络光度法同时测定饮料中三种色素

用BP人工神经网络解析了日落黄、柠檬黄和胭脂红的吸收光谱,提出同时测定这三种色素的计算分析方法;并对饮料中的日落黄、柠檬黄和胭脂红进行了同时测定.日落黄、柠檬黄和胭脂红回收率分别为99.61%、103.45%和98.50%;使用了改进的BP算法,避免了神经网络学习过程中可能产生的麻痹现象;提出了目标向量的简单变换方法,与偏最小二乘法进行了比较.结果表明,BP神经网络法与偏最小二乘法一样能获得满意的分析结果.     

人工神经网络光度法同时测定饮料中三种色素

用BP人工神经网络解析了日落黄、柠檬黄和胭脂红的吸收光谱，提出同时测定这三种色素的计算分析方法；并对饮料中的日落黄、柠檬黄和胭脂红进行了同时测定。日落黄、柠檬黄和胭脂红回收率分别为99．61％、103．45％和98．50％；使用了改进的BP算法，避免了神经网络学习过程中可能产生的麻痹现象；提出了目标向量的简单变换方法，与偏最小二乘法进行了比较。结果表明，BP神经网络法与偏最小二乘法一样能获得满意的分析结果。     

粮食及其制品中合成着色剂检测方法的改进

以甲醇-氨水-水作为提取液,对绿豆、小米、紫米等有色粮食及方便面、挂面等粮食制品中的色素进行提取,提取液经过浓缩、定容和过滤后进行高效液相色谱测定,以甲醇和0.02 mol.L-1乙酸铵溶液进行梯度洗脱,采用多波长(4284,822,54,5106,00 nm)同时测定提取液中的柠檬黄、日落黄、胭脂红、苋菜红、亮蓝.结果表明,该法对柠檬黄、日落黄、胭脂红、苋菜红和亮蓝的检出限分别为1.01,1.70,4.38,1.14,5.32 ng,平均回收率达到82%～102%,相对标准偏差为0.6%～5.3%.该方法操作简单,节省时间,同时采用多波长测定方法减少了其他组分的干扰,提高了测定的灵敏度.     

基于近红外光谱技术模拟测定真菌发酵过程中的红色素

应用近红外光谱技术,基于偏最小二乘法、支持向量机法、随机森林法和BP神经网络法建立了红色素含量的分析预测模型,通过对模型参数进行比较选取了最优预测模型,并利用实测样品对模型进行了验证.结果表明,利用随机森林模型进行发酵液中红色素的估算,其精度要高于利用偏最小二乘法,BP神经网络法和支持向量机法模型对于发酵液中红色素含量的估算.     

数据似合分析

在MEMS器件中,经常涉及到它的力学性能.对实验测得的数据,通过对非线性部分做基于Mtlab的最小二乘法的多项式拟合和BP神经网络逼近,得到如下结论：最小二乘法多项式拟合的误差较大,拟合精度低,而BP神经网络逼近误差小,精度高.同时最小二乘法拟合的多项式次数不同逼近的误差也有所不同.     

人工神经网络-紫外吸光光度法同时测定芴和苊

用人工神经网络 紫外吸光光度法不经分离同时测定芴和苊 ,并与偏最小二乘 紫外吸光光度法比较 .对合成样品进行分析 .结果表明 ,人工神经网络法同偏最小二乘法一样能获得满意的分析结果     

人工神经网络-紫外吸光光度法同时测定芴和苊

用人工神经网络-紫外吸光光度法不经分离同时测定芴和苊,并与偏最小二乘-紫外吸光光度法比较.对合成样品进行分析.结果表明,人工神经网络法同偏最小二乘法一样能获得满意的分析结果.     

一种基于最小二乘支持向量机的葡萄酒品质评判模型

对源自UCI数据库的葡萄酒数据进行预处理,选取径向基函数作为最小二乘支持向量机的核函数;然后,根据"一对一"算法设计出最小二乘支持向量机多元分类器,并应用交叉验证算法对参数寻优,建立葡萄酒质量评判模型.同时,用BP神经网络、标准支持向量机分类器对葡萄酒进行训练.对比实验结果表明:最小二乘支持向量机比BP神经网络、标准支持向量机的平均分类准确率高,最高分类准确率为100%.     

多组分混合物偏最小二乘分光光度分析方法研究

本文研究了偏最小二乘分光光度法同时测定多组分混合物的方法,探讨了偏最小二乘回归计算法有关参数对计算结果的影响.通过对三组分食用色素、四组分芳香醛模拟样和实际样品中食用色素含量的测定计算,结果表明偏最小二乘法计算结果稳定、精确度较高.     

高效液相色谱法测定葡萄酒中人工合成色素

建立了葡萄酒中柠檬黄、苋菜红、胭脂红、日落黄含量的高效液相色谱法测定方法.采用ODS-Cl8色谱柱,甲醇和0.02 mol/L乙酸铵的水溶液为流动相进行梯度洗脱,流速为0.8 mL/min,采用紫外检测器,检测波长为470 nm.该方法测定结果的相对标准偏差小于3%(n=6),平均回收率大于95%.     

高效液相色谱法同时测定栀子黄、柠檬黄和日落黄色素

采用高效液相色谱法（HPLC）法同时测定栀子黄、柠檬黄和日落黄色素.色谱柱采用Symmetry Shield RP8柱（5μm,3.9 mm×150 mm）,流动相：乙腈：水（25：75）,检测波长：440nm,流速：0.8 mL/min,室温下检测,三者在5 min内达到基线分离.此方法具有简单、快速、准确以及灵敏度高等优点.     

分光光度法测定饮料中色素含量

采用紫外分光光度法对饮料中两种食用色素进行了同时测定。确定了各色素的最大吸收波长及最大吸收波长处的吸收系数和摩尔吸收系数。结果表明柠檬黄最大吸收波长分别为424 nm,吸收系数为32.22 L.g-1.cm-1,摩尔吸收系数为1.72×104L.mol-1.cm-1;胭脂红的最大吸收波长为507 nm,吸收系数为35.92 L.g-1.cm-1,摩尔吸收系数为2.17×104L.mol-1.cm-1。测定饮料中柠檬黄和胭脂红的含量分别为4.32×10-3mg.mL-1、3.36×10-3mg.mL-1,相对标准偏差分别为2.89%、2.57%,加标回收率分别为89.7%、90.6%。该方法操作简便,易于推广,可用于实际样品的检测。     

固体饮料中合成色素前处理方法的研究

测定固体饮料中合成色素柠檬黄、日落黄时分别以国标中聚酰胺吸附法和液-液分配法进行样品前处理,并通过精密度和样品回收率对检测结果予以比较,两种前处理方法检测结果无明显差异,液-液分配法在检测大批量样品时具有一定的优势.     

日落黄分子印迹电化学传感器的研制与应用

利用分子印迹技术,以日落黄为模板分子、邻氨基酚为功能单体,采用循环伏安法在石墨电极表面电聚合形成邻氨基酚聚合膜,经电化学方法在0.5mol/L H2SO4溶液中将模板分子去除,制得具有特异识别空穴的日落黄分子印迹修饰电极,然后,采用紫外可见分光光度法和电化学法对聚合薄膜进行表征.实验表明,该分子印迹修饰电极对日落黄有较高的结合速率、特异识别能力和灵敏度,-0.010V处微分脉冲伏安法的峰电流与日落黄的浓度在1.00×10-6～1.00×10-4 mol/L范围内呈良好的线性关系,且检出限为2.00×10-7 mol/L.运用该方法测定了饮料中的日落黄,回收率为95%～108%,为饮料中日落黄的选择性分析提供新的实验方法.     

洗衣粉和胭脂红对泥鳅红细胞核诱变的比较研究

采用急性毒性试验和红细胞微核测试法，研究洗衣粉与胭脂红对泥鳅的急性及遗传毒性的差异，泥鳅在洗衣粉、胭脂红试验液中染毒24h后，采血制片，结果表明三种胭脂红平均LC50。为14170．0mg／L是洗衣粉平均LC50 49．3mg／L的287．4倍；三种胭脂红LC50平均微核率为6．49％。是洗衣粉LC50平均微核率0．67％。的9．7倍，洗衣粉与胭脂红相比较，洗衣粉对泥鳅为高毒级、低诱变剂，胭脂红为低毒级、高诱变剂。     

卡尔曼滤波—分光光度法用于饮料中色素的同时测定

卡尔曼滤波(KF)是一种基于最小二乘法原理的线性估计递归(推)算法。本文用卡尔曼滤波—分光光度法实现了饮料中的苋菜红和胭脂红的同时测定,同国家标准方法比较,不仅结果有较好的一致性,而且又避免了繁琐的色层分离操作。     

主成分回归光度法对食用色素多组分同时测定的研究

由于胭脂红、苋菜红、日落黄３ 种食用色素的吸收光谱重叠严重，所以，研究采用主成分回归光度法解析谱峰重叠体系，并对由这３ 种色素合成的混合样品进行了三组分的同时测定，其误差ＡＳＲ％ ＜ ３．０％ ，回收率在９７％ ～１０３％ 范围内，结果令人满意。该法简便、快速、准确，无需预分离，可广泛用于其它混合色素多组分的同时测定     

紫外-可见光去浊度反演水体叶绿素a含量

城市景观水体的叶绿素a含量可直接反映其水质。紫外-可见光谱方法可快速低廉反演叶绿素a的含量,但城市水体水深较浅、浊度较高,容易对该波段光谱产生干扰。采用实验室培养的螺旋藻水样和浊度水样的混合水样来模拟城市景观水体环境,并使用UV—2600分光光度计获取混合水样的吸光谱数据;对吸光谱数据分别建立一元线性回归模型、偏最小二乘算法(PLS)模型和BP神经网络模型,以寻找降低水体浊度干扰的办法,为水体水质评价提供可靠参考数据。结果显示,BP神经网络预测模型可以同时预测混合水样中叶绿素a的浓度和浊度的浓度值,模型预测值与样本测量值之间的R~2为0. 997 2,并且模型的预测误差在5%以内。去浊度反演水体叶绿素a含量的能力最高;偏最小二乘算法模型测量值与预测值的R2为0. 999 4,模型的预测误差小于4%,但该模型在预测叶绿素a浓度时不能同时预测浊度值,去浊度反演叶绿素a含量的能力次之;一元线性回归模型的去浊度反演叶绿素a含量的能力最差。