人工神经网络在流动注射分析测定氟中的应用--实验优化和非线性校正.pdfVIP

—— 查堑些兰塑些塾量垫些 一 人工神经网络在流动注射分析测定氟中的应用 ——实验优化与非线性校正 周永尧 王怀文 陈竽∈国 胡之德 (兰州大学化学化2Ii学院兰州730000) 关键词人工神经网络优化非线性校正流动注射分析 人工神经阿络(ANNs)[11是20世纪80年代中期迅速兴起的～种处理非线性问题的有效方 法a它力图模拟人脑的—些基本特征．如自适应性、自组织性、容错性等．已在各学科取得了广 泛应用。近年来，神经网络在化学领域中的应用研究也取得了很大的进展．主要集中在：构效关 系研究、模式识别、参数估计、多元校正、信号处理、优化等。 本文基于氟离子与锆(IV)、偶氮胂DBM在酸性介质中形成蓝色络合物并在635ni-i1有最 大吸收这一实验现象，应用误差反传神经网络【”对多个有交互影响的实验条件进行了同时优化并 对实验结果进行了非线性校正．从而建立了流动注射分析测定氟离子的新方法。主要实验步骤如 下： 1实验优化 应用中央复合设计(CCD)嘲，对4个有交互影响的重要实验参数，即显色剂浓度cA、锆 溶液浓度％、盐酸浓度ClEf和注样体积‰进行实验安排，得到40个CCD实验组，其中30个 作为人工神经网络的训练集．另外10个作为视4试集。该网络以峰高(H)和留存时间(71)的线 性加合为目标函数R，1： RP=0．5确+0．5(1一研) (1) 式中确、母分别为H、丁的归一化形式，0．5是目标向量的权重系数。目标向量的归—化根据(2) 式进行运算： R=(如一‰)／(‰一‰) (2) 式中R。为目标向量的实验量测值，R。和月一为根据预先测试得到的目标向量的极值。4 个实验参数作为网络的输入，目标函数岛作为输出．网络的可调参数设定如下：权重范围(w，) 为0．5、隐含层节点数为6、学习次数为3500时，网络具有展佳的泛化能力。用优化好的4：6：1 x 网络进行自动搜索扫描．预测出最佳的反应条件应为“：3．6 a p．L q{口：o．68tool·L-。-‰：100 2非线性校正 在最佳实验条件下，测定了25个浓度在0烬-mL-1～25．0嵋-mL-1之间的氟标准溶液的吸光 p．g．mL-。之后 度。实验结果表明，标准曲线的线性范围为o．5岭．mL-‘~4．0．ug．mL-‘且当氟浓度超过20 吸光度几乎保持不变。为扩寸揪曲线的范围，将其中17个实验(浓度均在4．0 2ag．mL-。—20．0Pg·mL-1 之间)分成两组，11个作为训练集，6个作为测试集。以吸光度作为输入，以浓度为输出，用人 工神经网络对吸光度和浓度的非线性关系进行了模拟和校正。结果表明，l：6：l网络结构可给 出最佳的预测结果(表1)。 3应用 该方法已分别用于市售的牙膏样品与茶叶样品中游离氟离子的测定，回收率在96％～101％ h-1～125h～。 之间，相对标准偏差小于2肌．进样频率为70 ——一坌堑些芏塑生塾皇坐生 实验值 预测值 相对误差 预测值 相对议差 (geCmL) (¨曲11L) (呦 №专器， (¨曲1L) (％) 2． 5．000 t850 -30 1I’ 14000 13．948 -04 3 6．000 5．968 -0