BP神经网络的农药残留检测荧光频谱分析
BP神经网络的农药残留检测荧光频谱分析
摘要:目前,它是I.个难点,以实现快速和精确检测到农药残留.在本文中,在荧光光谱测量重叠频谱啶虫脒残留量的人工神经分离网络.通过人工神经网络原理及方法反向传播训练算法,啶虫脒浓度在残渣和滤纸的混合成分进行了测定重叠的荧光光谱.在IIIIV0-IV00nm的范围内,对应于II0强度的荧光波长分别作为特征参数,而神经网络进行训练和测试.平均回收率为IV0mg/kg的和每千克IX0毫克脒分别为I.0II％和IXVII％,该结果的相对标准偏差分别为I..IV％和I..IX％.I.种模式是受检测方法和本文的结果,结果已经给出表明,该方法在荧光采用BP网络啶虫脒残留的频谱分析具有良好的性能,如更短的测量时间,更快的训练速度和更高的精度.比起其他手段提供了I.种有效的方法对农药残留的检测.关键字:人工神经网络,荧光,反向传播算法,啶虫脒
I..引言
农药残留的快速检测,始终受到持续关注,传统的检测方法残留农药包括薄层色谱法,气相色谱法,高效液相色谱法和生物测定法等.虽然这些方法都是TVI已经成熟,他们非常繁琐的过程样,而且,消费试剂和消耗时间.因此,这些方法不能满足快速的需求,绿色检测.神经荧光光谱分析网络是指应用于测定多组分含量,它具有灵敏度高的独特优势,简单,快速的在环境监测领域.通过人工手段神经网络的原理和反向传播训练算法(I.),啶虫脒浓度测定残基并用重叠的滤纸的混合组分荧光光谱和荧光光谱测量系统的设计.该系统可以快速检测在固体表面啶虫脒残留量,并提供啶虫脒残留量的定性和定量分析.
II.方法的原理
A.荧光光谱法
荧光是I.种光致发光.在紫外光照射下,有些材料吸收光后会发生能量转移.电子跃迁从较低水平的上各级变成激发态,(II)但激发态分子是相当不稳定的,所以,荧光已生产通过定量获得荧光光谱 *好棒文|www.hbsrm.com +Q: ^351916072*
法测量在测量I.些无机和有机物含量样本的荧光不同波长的强度,将具有灵敏度高,选择性强和简单的有点,适合于在线监测领域.该相同的分子结构的材料具有独特的荧光,相同波长的荧光由激发光相同波长的产生,因此,利用形状荧光和峰值使定性分析.荧光强度正比于在稀溶液中的荧光物质的浓度同源的材料,其原理就是定量检测荧光分析的标准.I.些类似的材料在结构上已经严重重叠,荧光光谱多组分测量的过程中,只有通过纠正并通过软件分离荧光数据,我们可以得到样本的成分的含量(III).
B.BP神经网络
BP神经网络是I.个III层感知模型.BP网络由输入层,隐层和输出层组成,并且它可以从I.个子集中的实现非线性映射n维欧几里德空间的I.个子集F(A)m维欧几里得空间.网络拓扑结构如图I.所示.
图I.网络拓扑结构
误差反向传播算法采取的BP神经网络训练.BP算法的基本思想是:在输入信号通过隐藏层扩散到输出层,如果预期的输出不能得到输出的误差值,预期的输出将被计算.
实现步骤BP算法:
(I.)输入的参数的数目是确定的.输入样本的归I.化处理被执行时,成训练样本和测试样本.
(II)该网络由BP算法训练.每个连接重量(W),阈值(b)和隐藏节点的数量最好在网络中.
BP算法是根据误差梯度算法调整,和均方误差为P的样品定义为:
其中,TI.(k)层和YI.(k)层的神经元的实际输出第k个样本.在重量lh过程中调整公式隐层和输出层之间的是:
(III)网络是通过使用测试样本进行测试(V).如果测试要求不能得到的,隐层节点数将被修改.此外,该网络用于重新培训,直至要求误差值满足.
III.探测啶虫脒荧光光谱法
A.检测系统结构检测系统
主要由单色光源,样品室,单色器,光电倍增管,数据采集器和计算机.结构图示于图II.
检测系统的工作流之处在于:
(I.)当源的光透射到单色NO.I.,最好激发光啶虫脒是由单色NO.I.获得.
(II)荧光是通过样品室的测量样品生产.
(III)荧光扫描完成后在单色II号,通过使用光电倍增管将光信号转换成放大的电信号.
(IV)光谱数据被收集于数据收集器,并且被分析,并在计算机中进行处理.
图II系统结构框图
B.样品准备
啶虫脒的化学名称为N-[(VI-氯-III-吡啶基)甲基]-NII-氰基-N-甲基(吡啶农药).根据实验,可以得出的结论是啶虫脒的纯甲醇荧光很弱,所以导致不能检测到信号.啶虫脒在碱性条件下易分解,并转化入羟基的化合物,它类似于结构苯酚.被测样品的光吸收性能是由紫外线照射的方式增强,这是因为与-OH的荧光增强.在该实验中,IV0％啶虫脒可溶性粉剂被选定为溶质(VI),和甲醇/水混合物是I.个很好的选择溶剂,甲醇/水的比例系数是IV:I..因为这通过实验获得了最好的荧光效应和IV:I.比例系数的实验结果.IV:I.的甲醇/水混合物作为溶剂使用,啶虫脒被配制成I.0,II0,III0,IV0,V0,VI0,VII0,VIII0,IX0,,I.00,I.I.0和I.II0(毫克/千克)的液体.有些试纸是与dualitative滤纸制成(杭州新华纸业有限公司),标有根据样品浓度.测试条的长度和宽度是分别VII厘米和I.公分.
C.实验方法
I.0mg/kg的试验样品的Drep *好棒文|www.hbsrm.com +Q: ^351916072*
aration在于0.V毫升I.0mg/kg的脒的液体转移到该表面上滤纸,然后将纸放置I.V分钟,II0分钟到风干.本实验中,荧光光谱残余物和过滤纸的混合组分(IIIIV0-IV00nm的)被记录了.该检测器与激励用波长为IIIIIIInm.随后,啶虫脒的浓度以相同的方式进行测定.
IV.结果与分析
该系统的主要参数是:激发IIIIIIInm的波长,扫描间隔为I.nm,样品扫描范围从IIIIV0到IV00nm.不同浓度啶虫脒的荧光光谱液体示于图III.其中,信号值是相对值的荧光,I.-I.II分别表示I.0mg/kg-I.II0毫克/公斤.图中的结论得出,啶虫脒液提的特征波长为IIIVIIInm左右,样品的荧光强度正比于啶虫脒浓度(I.0mg/kg-I.II0mg/kg)
A.测量结果
(I.)测量空白滤纸的V个空白滤纸荧光光谱示图IV,人们发现,滤纸的荧光差异小,所以过滤器的误差的影响可以被忽略.由图比较,图IV和图III,它表明,滤纸荧光强度分别为啶虫脒和更大的荧光强度液体.
(II)滤纸的测量结果与包含啶虫脒残留滤纸荧光光谱包含与啶残基显示在图V,即混合光谱啶虫脒残留物和滤纸.由图比较.图V和图IV人们发现,荧光强度在同I.波长下增强的强度不同,规律性不明显.它表明,该荧光含有啶虫脒残留物的光谱和过滤纸重叠严重.
图III不同浓度啶虫脒溶液的荧光谱
图IVV个空白滤纸荧光光谱
图V滤纸荧光光谱包含与脒残留
B.BP神经网络的光谱分析
(I.)检测波长选择
含有复合物的荧光光谱(IIIIV0-IV00nm)残留的啶虫脒和滤纸重叠现象严重.啶虫脒液体的特征波长是IIIVIIInm左右.因此,II0的检测波长在被范围IIIIV0-IV00nm选择时,检测波长分别为IIIIVI.,IIIIVIII,IIIIVV,IIIIVVII,IIIIVIX,IIIVI.,IIIVIII,IIIVV,IIIVVII,IIIVIX,IIIVII.,IIIVIIII,IIIVIV,IIIVIVII,IIIVIIX,IIIVIII.,IIIVIIIII,IIIVIIV,IIIVIIVII和IIIVIIIXnm.
(II)网络培训
光谱导致(I.0,II0,III0,IV0,V0,VI0,VII0,VIII0,IX0,I.00,I.I.0和I.II0毫克)的混合系统被选定为培训BP网络的样本.在II0荧光强度检测波长作为输入样本.网络被训练使用的P学习算法.当隐节点的数目通过仿真实验,确定为I.IV模型时,估计误差是最小的.这样的网络的拓扑结构被定义为I.0-I.IV-I.,误差精度网络可以得到满足,而培训时间达到IIIX,如图VI所示.
图VIBP网络训练过程
III)网络测试
为IV0mg/kg的两种混合体系的荧光强度和每千克IX0毫克为II0检测波长作为预测样本,相应的数据被输入到训练好的网络,IV0mg/kg和每千克IX0毫克的回收率分别为I.0II％和IXVII％,相对标准偏差分别为I..IV％和BP网络的I..IX％.测试结果如表I..
表I.测试结果的BP网络
V.结论
人工神经网络是智能信息模拟大脑结构的处理系统和功能通过使用物理可实现的系统.它有许多优点,比如:适应学习和自动建模功能,故障容错能力,以及较高的预测精度等,所以它适用于检测和混合系统的分析.I.种模式是由下式给出检测方法和本文的结果,该结果证明了它是有效的,复杂的多组分体系通过荧光光谱分析定量测定BP神经网络.实践表明,BP神经网络在快速无损检测农药残留的使用是可行的.
参考文献
I.TingK-C,TamashiroG.S,Off-linehigh-performanceliquidchromatographyandsolid-phaseextractionclean-upforconfirmationofpesticideresiduesinfreshproducebygaschromatography-massspectrometry,"Journalofchromatography,volVIIVIV,I.IXIXVI,pp.IVVV-IVVIII.
IIJoseManuelCortés,AnaVázquez,GuillermoSanta-María,GraciaPatriciaBlanch,JesúsVillén,PesticideresidueanalysisbyRPLC–GCinlycopeneandothercarotenoidsobtainedfromtomatoesbysupercriticalfluidextraction,"FoodChemistry,volI.I.III,II00IX,pp.IIVIII0–IIVIIIIV.
IIIWuGen-hua,HeChi-yang,ApplicationofartificialneuralnetworktosimultaneousspectrofluorimetricdeterminationofvitaminBI.,BIIandBVI,"SpectroscopyandSpectralAnalysis,Beijing,volIIIII(III),pp.VIIIV-VIIIVIII,II00III.(references)
IVRaulRojas,Neuralnetworks-Asystematicintroduction,"Springer-Verlag,pp.I.VI.-I.VIIIIV,I.IXIXVI.(references)
VGeZhe-xue,SunZheng-qiang,Neuralnetworktheoryandmatlabapplication,"PublishingHouseofElectronicsIndustry,Beijing,pp.IVVI-VV,II00VII.(references)
VIWangZhong-dong,WangYu-tian,Theoreticalandexperimentalstudyonfluorescencecharacteristicsofcommonpesticides,"JournalofLuminescence,Changchun,China,volIIVI(I.),pp.I.II0～I.IIIV,II00V.
附件II:外文原文(复印件)
摘要:目前,它是I.个难点,以实现快速和精确检测到农药残留.在本文中,在荧光光谱测量重叠频谱啶虫脒残留量的人工神经分离网络.通过人工神经网络原理及方法反向传播训练算法,啶虫脒浓度在残渣和滤纸的混合成分进行了测定重叠的荧光光谱.在IIIIV0-IV00nm的范围内,对应于II0强度的荧光波长分别作为特征参数,而神经网络进行训练和测试.平均回收率为IV0mg/kg的和每千克IX0毫克脒分别为I.0II％和IXVII％,该结果的相对标准偏差分别为I..IV％和I..IX％.I.种模式是受检测方法和本文的结果,结果已经给出表明,该方法在荧光采用BP网络啶虫脒残留的频谱分析具有良好的性能,如更短的测量时间,更快的训练速度和更高的精度.比起其他手段提供了I.种有效的方法对农药残留的检测.关键字:人工神经网络,荧光,反向传播算法,啶虫脒
I..引言
农药残留的快速检测,始终受到持续关注,传统的检测方法残留农药包括薄层色谱法,气相色谱法,高效液相色谱法和生物测定法等.虽然这些方法都是TVI已经成熟,他们非常繁琐的过程样,而且,消费试剂和消耗时间.因此,这些方法不能满足快速的需求,绿色检测.神经荧光光谱分析网络是指应用于测定多组分含量,它具有灵敏度高的独特优势,简单,快速的在环境监测领域.通过人工手段神经网络的原理和反向传播训练算法(I.),啶虫脒浓度测定残基并用重叠的滤纸的混合组分荧光光谱和荧光光谱测量系统的设计.该系统可以快速检测在固体表面啶虫脒残留量,并提供啶虫脒残留量的定性和定量分析.
II.方法的原理
A.荧光光谱法
荧光是I.种光致发光.在紫外光照射下,有些材料吸收光后会发生能量转移.电子跃迁从较低水平的上各级变成激发态,(II)但激发态分子是相当不稳定的,所以,荧光已生产通过定量获得荧光光谱 *好棒文|www.hbsrm.com +Q: ^351916072*
法测量在测量I.些无机和有机物含量样本的荧光不同波长的强度,将具有灵敏度高,选择性强和简单的有点,适合于在线监测领域.该相同的分子结构的材料具有独特的荧光,相同波长的荧光由激发光相同波长的产生,因此,利用形状荧光和峰值使定性分析.荧光强度正比于在稀溶液中的荧光物质的浓度同源的材料,其原理就是定量检测荧光分析的标准.I.些类似的材料在结构上已经严重重叠,荧光光谱多组分测量的过程中,只有通过纠正并通过软件分离荧光数据,我们可以得到样本的成分的含量(III).
B.BP神经网络
BP神经网络是I.个III层感知模型.BP网络由输入层,隐层和输出层组成,并且它可以从I.个子集中的实现非线性映射n维欧几里德空间的I.个子集F(A)m维欧几里得空间.网络拓扑结构如图I.所示.
图I.网络拓扑结构
误差反向传播算法采取的BP神经网络训练.BP算法的基本思想是:在输入信号通过隐藏层扩散到输出层,如果预期的输出不能得到输出的误差值,预期的输出将被计算.
实现步骤BP算法:
(I.)输入的参数的数目是确定的.输入样本的归I.化处理被执行时,成训练样本和测试样本.
(II)该网络由BP算法训练.每个连接重量(W),阈值(b)和隐藏节点的数量最好在网络中.
BP算法是根据误差梯度算法调整,和均方误差为P的样品定义为:
其中,TI.(k)层和YI.(k)层的神经元的实际输出第k个样本.在重量lh过程中调整公式隐层和输出层之间的是:
(III)网络是通过使用测试样本进行测试(V).如果测试要求不能得到的,隐层节点数将被修改.此外,该网络用于重新培训,直至要求误差值满足.
III.探测啶虫脒荧光光谱法
A.检测系统结构检测系统
主要由单色光源,样品室,单色器,光电倍增管,数据采集器和计算机.结构图示于图II.
检测系统的工作流之处在于:
(I.)当源的光透射到单色NO.I.,最好激发光啶虫脒是由单色NO.I.获得.
(II)荧光是通过样品室的测量样品生产.
(III)荧光扫描完成后在单色II号,通过使用光电倍增管将光信号转换成放大的电信号.
(IV)光谱数据被收集于数据收集器,并且被分析,并在计算机中进行处理.
图II系统结构框图
B.样品准备
啶虫脒的化学名称为N-[(VI-氯-III-吡啶基)甲基]-NII-氰基-N-甲基(吡啶农药).根据实验,可以得出的结论是啶虫脒的纯甲醇荧光很弱,所以导致不能检测到信号.啶虫脒在碱性条件下易分解,并转化入羟基的化合物,它类似于结构苯酚.被测样品的光吸收性能是由紫外线照射的方式增强,这是因为与-OH的荧光增强.在该实验中,IV0％啶虫脒可溶性粉剂被选定为溶质(VI),和甲醇/水混合物是I.个很好的选择溶剂,甲醇/水的比例系数是IV:I..因为这通过实验获得了最好的荧光效应和IV:I.比例系数的实验结果.IV:I.的甲醇/水混合物作为溶剂使用,啶虫脒被配制成I.0,II0,III0,IV0,V0,VI0,VII0,VIII0,IX0,,I.00,I.I.0和I.II0(毫克/千克)的液体.有些试纸是与dualitative滤纸制成(杭州新华纸业有限公司),标有根据样品浓度.测试条的长度和宽度是分别VII厘米和I.公分.
C.实验方法
I.0mg/kg的试验样品的Drep *好棒文|www.hbsrm.com +Q: ^351916072*
aration在于0.V毫升I.0mg/kg的脒的液体转移到该表面上滤纸,然后将纸放置I.V分钟,II0分钟到风干.本实验中,荧光光谱残余物和过滤纸的混合组分(IIIIV0-IV00nm的)被记录了.该检测器与激励用波长为IIIIIIInm.随后,啶虫脒的浓度以相同的方式进行测定.
IV.结果与分析
该系统的主要参数是:激发IIIIIIInm的波长,扫描间隔为I.nm,样品扫描范围从IIIIV0到IV00nm.不同浓度啶虫脒的荧光光谱液体示于图III.其中,信号值是相对值的荧光,I.-I.II分别表示I.0mg/kg-I.II0毫克/公斤.图中的结论得出,啶虫脒液提的特征波长为IIIVIIInm左右,样品的荧光强度正比于啶虫脒浓度(I.0mg/kg-I.II0mg/kg)
A.测量结果
(I.)测量空白滤纸的V个空白滤纸荧光光谱示图IV,人们发现,滤纸的荧光差异小,所以过滤器的误差的影响可以被忽略.由图比较,图IV和图III,它表明,滤纸荧光强度分别为啶虫脒和更大的荧光强度液体.
(II)滤纸的测量结果与包含啶虫脒残留滤纸荧光光谱包含与啶残基显示在图V,即混合光谱啶虫脒残留物和滤纸.由图比较.图V和图IV人们发现,荧光强度在同I.波长下增强的强度不同,规律性不明显.它表明,该荧光含有啶虫脒残留物的光谱和过滤纸重叠严重.
图III不同浓度啶虫脒溶液的荧光谱
图IVV个空白滤纸荧光光谱
图V滤纸荧光光谱包含与脒残留
B.BP神经网络的光谱分析
(I.)检测波长选择
含有复合物的荧光光谱(IIIIV0-IV00nm)残留的啶虫脒和滤纸重叠现象严重.啶虫脒液体的特征波长是IIIVIIInm左右.因此,II0的检测波长在被范围IIIIV0-IV00nm选择时,检测波长分别为IIIIVI.,IIIIVIII,IIIIVV,IIIIVVII,IIIIVIX,IIIVI.,IIIVIII,IIIVV,IIIVVII,IIIVIX,IIIVII.,IIIVIIII,IIIVIV,IIIVIVII,IIIVIIX,IIIVIII.,IIIVIIIII,IIIVIIV,IIIVIIVII和IIIVIIIXnm.
(II)网络培训
光谱导致(I.0,II0,III0,IV0,V0,VI0,VII0,VIII0,IX0,I.00,I.I.0和I.II0毫克)的混合系统被选定为培训BP网络的样本.在II0荧光强度检测波长作为输入样本.网络被训练使用的P学习算法.当隐节点的数目通过仿真实验,确定为I.IV模型时,估计误差是最小的.这样的网络的拓扑结构被定义为I.0-I.IV-I.,误差精度网络可以得到满足,而培训时间达到IIIX,如图VI所示.
图VIBP网络训练过程
III)网络测试
为IV0mg/kg的两种混合体系的荧光强度和每千克IX0毫克为II0检测波长作为预测样本,相应的数据被输入到训练好的网络,IV0mg/kg和每千克IX0毫克的回收率分别为I.0II％和IXVII％,相对标准偏差分别为I..IV％和BP网络的I..IX％.测试结果如表I..
表I.测试结果的BP网络
V.结论
人工神经网络是智能信息模拟大脑结构的处理系统和功能通过使用物理可实现的系统.它有许多优点,比如:适应学习和自动建模功能,故障容错能力,以及较高的预测精度等,所以它适用于检测和混合系统的分析.I.种模式是由下式给出检测方法和本文的结果,该结果证明了它是有效的,复杂的多组分体系通过荧光光谱分析定量测定BP神经网络.实践表明,BP神经网络在快速无损检测农药残留的使用是可行的.
参考文献
I.TingK-C,TamashiroG.S,Off-linehigh-performanceliquidchromatographyandsolid-phaseextractionclean-upforconfirmationofpesticideresiduesinfreshproducebygaschromatography-massspectrometry,"Journalofchromatography,volVIIVIV,I.IXIXVI,pp.IVVV-IVVIII.
IIJoseManuelCortés,AnaVázquez,GuillermoSanta-María,GraciaPatriciaBlanch,JesúsVillén,PesticideresidueanalysisbyRPLC–GCinlycopeneandothercarotenoidsobtainedfromtomatoesbysupercriticalfluidextraction,"FoodChemistry,volI.I.III,II00IX,pp.IIVIII0–IIVIIIIV.
IIIWuGen-hua,HeChi-yang,ApplicationofartificialneuralnetworktosimultaneousspectrofluorimetricdeterminationofvitaminBI.,BIIandBVI,"SpectroscopyandSpectralAnalysis,Beijing,volIIIII(III),pp.VIIIV-VIIIVIII,II00III.(references)
IVRaulRojas,Neuralnetworks-Asystematicintroduction,"Springer-Verlag,pp.I.VI.-I.VIIIIV,I.IXIXVI.(references)
VGeZhe-xue,SunZheng-qiang,Neuralnetworktheoryandmatlabapplication,"PublishingHouseofElectronicsIndustry,Beijing,pp.IVVI-VV,II00VII.(references)
VIWangZhong-dong,WangYu-tian,Theoreticalandexperimentalstudyonfluorescencecharacteristicsofcommonpesticides,"JournalofLuminescence,Changchun,China,volIIVI(I.),pp.I.II0～I.IIIV,II00V.
附件II:外文原文(复印件)
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/lwqt/wxzs/64.html
