紫罗兰酮的气相色谱-质谱分析法

采用GC-MS气质联用仪、HP-5MS毛细色谱柱和SIM扫描，对紫罗兰酮进行分析。在选定的气相色谱-质谱条件下紫罗兰酮检出限为0．1μg/g，线性范围为0．5—100μg/g，方法的回收率为89.2％-93．2％，RSD为5．6％-14．1％（n=6）。该方法准确度和灵敏度高，样品用量少，前处理简单，可满足生产企业测定紫罗兰酮含量的要求。     

紫罗兰酮的气相色谱-质谱分析法

采用GC-MS气质联用仪、HP-5MS毛细色谱柱和SIM扫描,对紫罗兰酮进行分析.在选定的气相色谱-质谱条件下紫罗兰酮检出限为0.1 μg/g,线性范围为0.5-100 μg/g,方法的回收率为89.2%-93.2%,RSD为5.6%-14.1%(n=6).该方法准确度和灵敏度高,样品用量少,前处理简单,可满足生产企业测定紫罗兰酮含量的要求.     

基于模糊自适应推理系统的非线性信道参数辨识

当前对高速通信的需求导致对信道资源的利用已经超出了可以采用线性模型建模的范围,必须采用适当的非线性模型进行描述.为了实现对高速通信中非线性信道的辨识,提出采用自适应神经模糊推理系统进行信道辨识的方法.利用减法聚类法实现对 ANFIS 网络结构识别,在此基础上采用误差反传和最小二秉相结合的混合学习算法训练网络,从而实现对非线性信道的辨识.仿真结果表明,该方法与 BP 网络相比具有更高的收敛速度和识别精度,与基于网格划分的 ANFIS 相比,吴有更高的运算效率.     

基于模糊自适应推理系统的非线性信道参数辨识

当前对高速通信的需求导致对信道资源的利用已经超出了可以采用线性模型建模的范围,必须采用适当的非线性模型进行描述。为了实现对高速通信中非线性信道的辨识,提出采用自适应神经模糊推理系统进行信道辨识的方法。利用减法聚类法实现对ANFIS网络结构识别,在此基础上采用误差反传和最小二乘相结合的混合学习算法训练网络,从而实现对非线性信道的辨识。仿真结果表明,该方法与BP网络相比具有更高的收敛速度和识别精度,与基于网格划分的ANFIS相比,具有更高的运算效率。