基于BP神经网络年份酒荧光光谱分析.pdfVIP

基于 BP 神经网络的年份酒荧光光谱分析 摘要：针对目前年份酒难以实现快速准确检测的问题，利用人工神经网络方法对 年份酒中的荧光混合光谱进行分析，设计了能够快速检测年份酒荧光光谱的测量 系统。根据反向传播算法，应用三层人工神经网络原理，对年份酒荧光光谱进行 检测。实验结果表明，BP神经网络辅助荧光光谱法测定年份酒的荧光光谱，具有 网络训练速度快、检测周期短、测量精度高等特点。 关键词：人工神经网络；荧光光谱法；BP算法；年份酒 引言 年份酒快速检测一直是倍受关注的研究课题，传统年份酒的检测方法有薄层 色谱法、气相色谱法、高效液相色谱法及生物测定法等。这些方法均存在样品前 处理过程繁琐、消耗试剂、耗时长等缺点，无法实现快速、绿色检测的需要。基 于人工神经网络的荧光分析法用于年份酒测定，具有灵敏度高、方法简便且快速 等优点，具有独特的优越性。本文应用人工神经网络原理，对年份酒的荧光光谱 进行了测定，并设计了能够快速检测年份酒荧光光谱的测量系统，此系统可以对 年份酒进行定性以及初步定量分析，为开发新型年份酒的检测提供了一种有效模 型。 1 方法原理 1．1荧光光谱法 荧光是光致发光，某些物质在紫外光的照射下，吸收光能后发生能量跃迁， 其低能级分子中的电子跃迁到能量较高的能级上去而成为激发态，激发态的分子 很不稳定，经过很短的时间，发射出光子重新回到分子基态产生荧光。荧光光谱 法是通过测量样品在各个波长上的荧光强度，来定量测定许多无机物和有机物含 量，具有灵敏度高、选择性强，试样量少和方法简单等特点，可以为复杂的环境 样品中微量及痕量物质的分析提供手段。对于同一种分子结构的物质，在给定条 件下，其荧光光谱一定，用同一波长的激发光照射，可发射相同波长的荧光。因 此，利用荧光光谱的形状和荧光峰对应的波长可以进行定性分析。对于同种物质 的稀溶液，其产生的荧光强度正比于荧光物质的浓度，荧光分析法正是利用这一 原理进行定量检测。 1．2 BP神经网络 BP神经网络是一个三层感知器模型，由输入层、隐含层和输出层组成，可实现从， z维欧氏空间的一个子集A到m维欧氏空间子集厂(A)的非线性映射，网络拓朴结构 如图1所示。 层 入 输 含 层 隐 输 层 出 图 1.1三层BP网络图 BP网络学习采用误差反向传播算法即BP算法。BP算法的基本思想是：输入信号向 前传播，经隐层到输出层，如果在输出层得不到期望输出时，计算每个输出神经 元的误差值，并将此误差值反向传播到隐层神经元，根据误差值调整各神经元的 连接权值和阈值，直到误差达到要求为至。 算法实现的具体步骤如下： 1)确定输入参数个数，归一化处理后生成训练样本和测试样本。 2)采用BP算法对网络进行训练，在满足精度要求下，确定网络中的各连接权值Ⅳ 和阈值b及网络最佳隐层节点数。 BP算法为误差调节的梯度算法，对P个样本 假设三层 BP 网络，输入节点x ，隐节点y ，输出节点z ； i j l 输入节点与隐层节点间的网络权值为 w ； j i 隐层节点与输出节点间的网络权值为v ； lj 输出节点期望值为t ，则： l 隐层节点的输出y f (w x  ) f (net ) （1.1） j ji i j j i 其中，net w x 