关键词： 五味子   指纹图谱   聚类分析   主成分分析  

摘要： 目的建立测定吉林省不同产地北五味子药材的HPLC指纹图谱方法。方法色谱条件为Agilent ZORBAX EXTEND-C_(18)(250×4.6 mm,5μm)色谱柱,流动相为0.5%磷酸水(A)-乙腈(B),梯度洗脱,流速为1 mL·min^(-1);检测波长为220 nm;柱温为35℃。结果建立了北五味子药材的指纹图谱,共标定出35个共有峰,通过对照品指认出8个色谱峰,不同产地的五味子相似度均不小于0.987。通过聚类分析和主成分分析,15批药材可聚为4类,分析确定出6个主成分因子。结论本研究建立的方法简便、准确,可为五味子药材的质量评价提供参考。

关键词： 艾叶   红外光谱   模式识别   产地溯源  

摘要： 中药材产地对中药材品质与安全有直接影响。从生物学角度,中药材是物种受特定生态环境的影响,在长期生态适应过程中所形成的。药材生长所需的气候、土壤、水文等生态因素与其生长发育和品质唇齿相关,并带有地域信息的指纹特征。近年来,中医药产业的快速发展带来了中药材资源需求量的激增,但同时也存在诸多安全隐患,药材产地难以区分和溯源已成为制约中医药发展的主要瓶颈之一。以国内4个省份5个主产区的75份艾叶样品为实验材料,采用FTIR法进行红外特征分析和数据挖掘,通过比较多种光谱信号预处理方法(如高斯滤波、多元散射校正、标准正态变换、一阶/二阶导数等)和多种模式识别技术(如BP神经网络、随机森林、K-最近邻算法、贝叶斯算法、粒子群优化支持向量机模型等),探索适合艾叶产地溯源的计量学方法。结果表明,K-最近邻算法、贝叶斯算法及粒子群优化支持向量机3种模式识别效果最为理想,测试集的正确率均为100%。基于运行时间、鉴别正确率与模型稳定性综合考虑,最终确定K-最近邻算法是艾叶产地鉴别的最优方法。整体来看,红外光谱指纹技术结合适当的化学计量学方法能够用于艾叶的产地溯源,研究结果为艾叶的道地性评价和质量控制提供技术支持,也为其他药材的等同性研究提有益参考。

关键词： 大坝安全   监测   模式识别   卷积神经网络   人工智能  

摘要： 对大坝安全监测数据规律性智能识别技术开展研究。结合工程师思维和深度学习的特点,提出数据规律性识别技术方案,在此基础上,基于卷积神经网络建立大坝安全监测数据规律性识别模型。算例研究表明,建立的智能识别算法在监测数据规律性识别问题上具有较好表现,与以往方法相比,无需人为定义数学模型,具备采用一个模型准确快速处理海量多类型监测数据的优势。研究成果是新一代人工智能技术在大坝安全领域应用的拓展,是实现大坝安全智能管理的关键技术点。

关键词： 十一方药酒   HPLC指纹图谱   主成分分析   偏最小二乘-判别分析   含量测定  

摘要： 目的:基于HPLC指纹图谱、化学模式识别及多指标同时定量的方法研究不同批次十一方药酒,为该制剂的质量评价提供参考。方法:建立11批十一方药酒样品的HPLC指纹图谱,并对其进行相似度评价、主成分分析(principal component analysis,PCA),采用偏最小二乘-判别分析(partial least square-discriminate analysis,PLS-DA)考察不同批次十一方药酒的差异性成分。采用HPLC多波长法对6种化学成分进行含量测定。结果:建立的指纹图谱标定33个共有色谱峰,相似度0.977~0.997,共指认12个色谱峰。PCA将样品分成2类,通过PLS-DA,表明差异性成分共16个,包含定量分析的6个成分。含量测定中各色谱峰分离度较好,线性关系良好(r≥0.9994),平均加样回收率95.34%~102.41%,RSD≤2.90%。结论:该研究建立的HPLC指纹图谱及含量测定方法准确、简单,可为十一方药酒提供质量评价。

关键词： 复方鱼腥草合剂   高效液相色谱法   含量测定   模式识别  

摘要： 目的:建立高效液相色谱法(HPLC)同时测定复方鱼腥草合剂中8个成分含量的方法。方法:采用迪马Diamonsil C_(18)(250 mm×4.6 mm,5μm)色谱柱,流动相:乙腈(A)-0.1%磷酸水溶液(B),梯度洗脱;流速:1.0 ml·min^(-1);检测波长:250 nm(R,S-告依春、连翘酯苷A、连翘苷、黄芩苷、汉黄芩苷和槲皮素)、330 nm(绿原酸和3,5-二-O-咖啡酰奎宁酸);柱温:30℃;进样量:10μl。采用统计分析软件对含量测定结果进行聚类分析与主成分分析。结果:R,S-告依春、绿原酸、连翘酯苷A、3,5-二-O-咖啡酰奎宁酸、连翘苷、黄芩苷、汉黄芩苷和槲皮素检测质量浓度线性范围分别为1.787~16.085μg·ml^(-1)、0.940~8.462μg·ml^(-1)、0.606~5.453μg·ml^(-1)、0.433~3.893μg·ml^(-1)、0.358~3.226μg·ml^(-1)、7.013~63.120μg·ml^(-1)、3.259~29.328μg·ml^(-1)、0.309~2.784μg·ml^(-1)(r≥0.9992);定量限分别为1.352,0.896,0.578,0.416,0.336,6.954,2.963,0.296μg·ml^(-1);精密度、稳定性(48 h)、重复性试验的RSD<2.0%(n=6);平均加样回收率分别为99.17%,98.76%,98.87%,98.48%,98.55%,99.43%,99.19%,99.32%(n=6),RSD均≤2.0%;主成分分析与聚类分析均可将不同生产厂家的复方鱼腥草合剂很好地分类,两种分类结果一致。结论:所建立的多成分方法快捷、准确、重复性好,可用于复方鱼腥草合剂的质量控制。

关键词： 博落回果实   指纹图谱   化学成分   含量测定  

摘要： 目的:建立博落回果实UPLC指纹图谱,结合化学模式识别技术筛选出不同批次博落回果实质量差异性标志物,并以其为指标建立含量测定方法,为科学全面地评价博落回果实质量提供参考。方法:采用UPLC法建立10批铜仁产博落回果实的指纹图谱,同时测定博落回果实中4个生物碱类成分的含量,通过相似度评价、聚类分析、主成分分析、正交偏最小二乘判别分析筛选出不同批次博落回果实质量差异性标志物。结果:建立了博落回果实UPLC指纹图谱,标定了16个共有峰,指认出了4个成分(血根碱、白屈菜红碱、原阿片碱、别隐品碱),其与对照品图谱的相似度均在0.960以上,表明博落回果实样品的整体质量相对稳定。10批样品中上述4个成分的含量分别为1.54%~3.33%、0.40%~0.77%、1.15%~1.82%、0.81%~1.16%。结论:建立的博落回果实UPLC指纹图谱及含量测定方法简便,结果准确、稳定,可为博落回果实的质量控制提供参考。

关键词： 多光谱遥感   遥感技术   模式识别   边缘提取   神经网络   多元统计分析   信息处理方法   高光谱  

摘要： 遥感技术是20世纪60年代发展起来的一种对地观测综合性技术。遥感信息提取技术是遥感技术体系的重要组成部分,经过几十年的发展,研究出了许多行之有效的方法,如多元统计分析、比值运算、主成分分析、HSI变换、图像掩膜'边缘提取、滤波处理、模式识别、密度分割、小波变换、神经网络、遗传算法等。近年来,一些主要应用于高光谱或甚多谱段数据的信息处理方法。

关键词： 车前子   炒车前子   高效液相色谱法   指纹图谱   化学模式识别分析   质量评价  

摘要： 目的建立评价车前子与炒车前子质量的方法。方法采用高效液相色谱法建立15批车前子与15批炒车前子的指纹图谱。采用《中药色谱指纹图谱相似度评价系统(2012版)》确定共有峰,并进行相似度评价。采用SPSS 25.0、SIMCA-P 14.1软件进行化学模式识别分析(包括聚类分析、主成分分析及正交偏最小二乘回归分析),以变量重要性投影(VIP)值大于1为标准,筛选影响车前子与炒车前子质量差异的标志性成分。结果15批车前子有18个共有峰,15批炒车前子有13个共有峰,两者共有8个共有峰,相似度均大于0.920;共指认了2个共有峰,分别为京尼平苷酸、毛蕊花糖苷。聚类分析结果显示,当欧氏距离为10时,30批样品可聚为3类,其中S1~S5为一类,S16~S20为一类,S6~S15、S21~S30为一类。主成分分析结果显示,前2个主成分的累计方差贡献率为82.575%。正交偏最小二乘回归分析结果显示,有3个共有峰的VIP值大于1,分别为峰E(毛蕊花糖苷)、峰D(京尼平苷酸)、峰G。结论所建指纹图谱稳定、简便快速,结合化学模式识别分析可用于评价车前子与炒车前子的质量。毛蕊花糖苷、京尼平苷酸和峰G所代表的成分可能是影响车前子与炒车前子质量差异的标志性成分。

关键词： 窃电检测   数据分析   分类器   模式识别   智能电网  

摘要： 检测欺诈性电力客户是几乎所有电力公司都面临的普遍问题。本文提出了一种基于支持向量机Support Vector Machine(SVM)的窃电检测新思路。该模型利用客户正常和恶意消费模式的可预测性,根据其电力消费行为检测可疑客户。利用上述模型,识别精度达到98.8%。

关键词： 局部放电   数据增强   生成式对抗网络   模式识别  

摘要： 提出了适用于局放模式识别的带梯度惩罚的Wasserstein生成对抗网络(Wasserstein generative adversarial network with gradient penalty, WGAN-GP)数据增强方法。首先,对局放长时信号进行去噪及脉冲提取,得到局放脉冲信号。其次,将Wasserstein距离及梯度惩罚函数引入生成对抗网络(generative adversace network, GAN),提高生成模型的训练稳定性及生成样本的多样性,并以局放脉冲信号作为样本对网络进行训练,实现基于WGAN-GP的局部放电数据增强。使用所提方法对局部放电实验样本进行数据增强,并使用增强后局放样本对常用模式识别算法进行训练,实验结果表明,所提方法相比于传统数据增强方法可更有效地对局放脉冲样本进行数据增强,局放脉冲模式识别准确率提高12.9%。