人工神经网络应用于光谱分析:校正与辨识

应用科学学报 ›› 1995, Vol. 13 ›› Issue (2): 179-183.

人工神经网络应用于光谱分析:校正与辨识

李志良^1,2, 刘曙琼¹, 石乐明², 潘忠孝³, 楼蔓藤⁴, 李梦龙¹, 余般梅⁵

1. 湖南大学;
2. 中国科学院化学冶金所;
3. 中国科学技术大学;
4. 广州分析测试研究所;
5. 国防科技大学

收稿日期:1991-06-01 修回日期:1994-07-26 出版日期:1995-06-30 发布日期:1995-06-30
基金资助:
国家自然科学基金与国家教委及中科院机电部开放实验室资助课题

ARTIFICIAL NEURAL NETWORKS AS APPLIED TO QUANTITATIVE SPECTROSCOPIC ANALYSIS

LI ZHILIANG^1,2, LIU SHUQIONG¹, SHI LEMING², PAN ZHONGXIAO³, LOU MANTENG⁴, LI MENGLONG¹, YU BANMEI⁵

1. Hunan University;
2. Institute of Chemical Metallurgy, Academia Science;
3. Hunan University;Institute of Chemical Metallurgy, Academia Sinica;
4. Changsha Institute of Technology;
5. Guangzhou Institute of Anal

Received:1991-06-01 Revised:1994-07-26 Online:1995-06-30 Published:1995-06-30

摘要/Abstract

摘要： 将人工神经网络(ANN)用于光谱分析校正与定量分辨中。采用三层节点模型和反向传播学习算法对模拟与实测数据处理结果表明,人工神经网络对光谱分析校正与定量辨识是可行的,从而为光谱辨识与多元校正提供了一条新途径。

关键词: 多元光谱分析, 神经网络, 反传算法, 计量化学, 校正与分辨

Abstract: The artificial neural networks (ANN) method is utilized in the analytical calibration and quantitative resolution for spectroscopy. The simulated and practical data are proeessed by using the multilayered perceptrons model and backpropagation (BP) algorithm. The results show that is practicable to adopt artificial neural networks to calibrate and resolve the spectroscopie data and peaks.

Key words: multivariate spectroscopic analysis, chemometrics, artificial neural networks, backpropagution algorithm, calibration and resolution

李志良, 刘曙琼, 石乐明, 潘忠孝, 楼蔓藤, 李梦龙, 余般梅. 人工神经网络应用于光谱分析:校正与辨识[J]. 应用科学学报, 1995, 13(2): 179-183.

LI ZHILIANG, LIU SHUQIONG, SHI LEMING, PAN ZHONGXIAO, LOU MANTENG, LI MENGLONG, YU BANMEI. ARTIFICIAL NEURAL NETWORKS AS APPLIED TO QUANTITATIVE SPECTROSCOPIC ANALYSIS[J]. Journal of Applied Sciences, 1995, 13(2): 179-183.

[1]	王孟轩, 张胜, 王月, 雷霆, 杜渂. 改进的CRNN模型在警情文本分类中的研究与应用[J]. 应用科学学报, 2020, 38(3): 388-400.
[2]	马鑫, 吴云, 鹿泽光. 基于混合神经网络的协同过滤推荐模型[J]. 应用科学学报, 2020, 38(3): 478-487.
[3]	刘伟, 章琬苓, 项世军. 基于LBP-MDCT和CNN的人脸活体检测算法[J]. 应用科学学报, 2019, 37(5): 609-617.
[4]	王灿军, 廖鑫, 陈嘉欣, 秦拯, 刘绪崇. 基于卷积神经网络的面部图像修饰检测[J]. 应用科学学报, 2019, 37(5): 618-630.
[5]	吴韵清, 吴鹏, 陈北京, 鞠兴旺, 高野. 基于残差全卷积网络的图像拼接定位算法[J]. 应用科学学报, 2019, 37(5): 651-662.
[6]	魏巍, 全海燕. 基于单形进化的径向基网络训练算法[J]. 应用科学学报, 2019, 37(4): 459-468.
[7]	靳华中, 刘潇龙, 胡梓珂. 一种结合全局和局部特征的图像描述生成模型[J]. 应用科学学报, 2019, 37(4): 501-509.
[8]	赵云山, 段友祥. 基于Attention机制的卷积神经网络文本分类模型[J]. 应用科学学报, 2019, 37(4): 541-550.
[9]	袁红林, 陆小丹, 徐晨. 基于B-Spline神经网络的宽带通信发射机指纹估计[J]. 应用科学学报, 2019, 37(1): 12-23.
[10]	曾润华, 张树群. 改进卷积神经网络的语音情感识别方法[J]. 应用科学学报, 2018, 36(5): 837-844.
[11]	姜雪莹, 苏成利, 施惠元, 李平, 刘思雨. 采用多变量RBF神经网络的非线性内部迭代预测控制[J]. 应用科学学报, 2018, 36(4): 698-710.
[12]	段友祥, 徐冬胜, 孙歧峰, 李钰. DBN在测井解释中的研究与应用[J]. 应用科学学报, 2018, 36(4): 689-697.
[13]	杨滨, 张涛, 陈先意. 基于深度学习的图像局部模糊识别[J]. 应用科学学报, 2018, 36(2): 321-330.
[14]	史晓裕, 李斌, 谭舜泉. 深度学习空域隐写分析的预处理层[J]. 应用科学学报, 2018, 36(2): 309-320.
[15]	董伟, 王建军. 改进的卷积神经网络用于对比度增强取证[J]. 应用科学学报, 2017, 35(6): 745-753.