一、人工神经网络在色谱中的应用（论文文献综述）
邓晓刚[1]（2021）在《基于神经网络胶印油墨配色的研究》文中进行了进一步梳理研究目的是基于神经网络油墨配色方法,针对油墨配色中存在的配色精度低、配色过程繁琐和数字化程度低的现象,研发了一种关于胶印油墨配色的软件系统。应用计算机配色技术能够提高印刷生产效率、有效降低配色劳动强度,能够有效促进智能化油墨配色技术在印刷行业的推广应用。当今印刷行业朝着智能化、网络化和数字化方向发展,结合我国印刷行业的特点,基于神经网络框架设计出一种关于胶印油墨的智能配色软件。课题利用三色叠印色块的三刺激值和其油墨网点百分比作为实验数据,采用PyQt设计人机交互界面,使用pytorch作为神经网络模型构建的框架,用python语言完成主体程序的编写,实验数据存入MySQL数据库,配色方法选用三刺激值配色法,最后封装成一个完整的应用软件。在前期对油墨配色的算法进行探讨和分析,利用改进粒子群算法来优化BP神经网络,讨论了该算法在油墨配色方面的可应用性。通过pytorch框架建立神经网络模型,训练优化模型后得到了一种精度较高的油墨配色软件。从随机选取的色块预测出的配色结果来看:基于BP神经网络训练得到的模型,其训练均方误差为0.0039,平均色差为5.4880;基于改进粒子群优化BP神经网络训练得到的模型,其训练得到的均方误差为0.0033,平均色差为4.7896;基于分区域网络训练得到模型,其最小色差为0.0731,最大色差为7.5883,平均色差为2.4957,预测出的色差主要分布在1到3之间,其中有92.31%的色差小于5。文中基于分区域粒子群优化BP神经网络建立的胶印油墨配色模型具有较高的精度。对于整个配色的结果来讲,其油墨百分比预测结果精度的平均色差可以达到精细化印刷的要求,初次配方预测准确度较高,对于实际油墨配色具有重要价值。
林峻[2]（2019）在《基于机器学习的变压器运行状态预测方法研究》文中指出电力变压器作为电力系统中关键的设备之一,承担着重要的工作。目前随着智能电网的发展和建设,电力系统的状态数据、环境气象数据等正逐步的在统一的平台上集成共享。传统的基于理论分析等因果关系模型已经很难处理多维度、海量数据集信息。在这种背景下,从数据本身的内在规律出发,利用机器学习的数据分析方法,为电力变压器状态预测提供了全新的解决思路和技术手段。针对数据存在噪声和不一致等问题,在变压器状态预测前需要进行数据预处理。本文提出了基于序列相关性分析的变压器状态监测数据清洗方法。首先建立了衡量状态数据之间关联程度的模型,找出具有关联性的序列。然后利用基于密度的聚类方法找出序列中存在的缺失数据和异常数据。根据考虑关联性的数据清洗规则将异常数据分为可以清洗的传感器异常数据和不可以清洗的设备状态异常数据。对可以清洗的数据利用小波神经网络进行修正,对不可清洗的数据则需要标记时间点。本文所提方法可以辨识异常数据和缺失数据,为后续变压器运行状态预测等提供数据支撑。针对变压器特征参量趋势预测存在稳定性和准确性较差的问题,本文提出了一种组合模型的变压器状态参量短期预测方案。利用核主元分析方法从多维的输入向量中提取出主要的特征参量作为广义回归神经网络的输入向量,降低了无关特征对模型训练的影响。在对广义回归神经网络进行训练时,利用果蝇优化算法选取模型的核心参数。通过算例表明,所提方法结构较为简单,并且能较准确地预测短期状态参数的变化。针对变压器状态参量预测在中长期尺度预测准确度较低的问题,提出了一种深度长短期记忆网络模型。该模型由于门控单元的存在能够有效利用历史数据信息。通过算例分析表明,基于深度长短期记忆网络模型的气体浓度预测提高了预测的准确度,并且在长时间尺度的浓度预测问题上同样具有较高的准确性,能够有效的实现中长期参量变化趋势的预测。针对电力变压器的运行状态预测问题,提出了利用机器学习方法,基于深度学习网络的预测方案。由于油色谱数据易获取并且灵敏度高,选取油中溶解气体浓度作为网络的输入信息训练网络实现油色谱未来变化趋势的预测。然后计算无编码特征值,为模型提供了更加丰富的特征信息。利用计算结果训练深度信念网络实现运行状态的分类。实验结果表明,所提出的方法具有较高的准确度,能够准确地预测变压器运行状态的变化趋势。变压器运行状态的准确预测可以为合理安排变压器状态检修、保障变压器安全运行提供科学依据。
代杰杰[3]（2018）在《基于深度学习的变压器状态评估技术研究》文中指出随着智能电网的建设与发展,电力变压器状态监测、生产管理、环境气象等数据逐步在统一的信息平台上集成共享,推动了变压器状态评估、诊断和预测向综合分析方向发展。然而,影响电力变压器运行状态的因素众多,爆发式增长的状态监测数据加上与设备状态密切相关的电网运行、气象环境等信息数据量较大,传统技术难以建立准确完善的变压器状态评估模型。在这种背景下,基于深度学习的数据挖掘技术提供了一种全新的解决思路和技术手段。论文通过深度学习相关理论、分析算法和操作流程等,分析、把握变压器状态相关监测数据特性,搭建涉及数据清洗、态势预警、诊断分析的数据处理架构并设计了相关算法,进而从多源海量数据中提炼出适用于变压器设备状态评估的特征表达,实现对变压器运行状态预测及故障预警和智能诊断分析。针对监测数据的不完整性及无效性等问题,论文介绍了栈式降噪自编码器（stacked denoising autoencoders,SDAE）的降噪原理,分析了变压器状态监测数据的流形表示,提出一种基于SDAE的数据清洗方法。首先利用变压器正常运行的历史样本数据构造SDAE清洗模型,训练得到清洗参数和损失函数,通过核密度估计确定损失函数上限及根据现场监测经验确定“脏”数据容限时窗。然后利用SDAE模型得到待清洗数据重构误差和异常数据时长,通过比较它们与损失函数上限和容限时窗间的关系,对“脏”数据进行分类处理。通过算例及应用分析,本文所提方法可辨识奇异点、缺失值,用SDAE重构表示自动修正奇异点,修补短时缺失数据。针对变压器自身特征参量（通常为单一参量）趋势预测稳定性和科学性差的问题,论文综合考虑特征参量之间的耦合关系和非设备特征参量的影响,提出一种基于栅格长短时记忆（grid long-short term memory,GLSTM）网络的预测方法。从变压器状态、电网运行、气象环境等多角度出发,利用GLSTM网络对多源信息进行充分融合。GLSTM网络有效利用历史序列信息提炼状态参量自身发展规律,同时捕获不同参量间强关联关系,抑制、弱化无关和冗余信息。通过算例及应用分析表明,所提GLSTM网络预测方法可有效挖掘预测参数与众多影响因素的关联关系,以此为先验知识修正预测模型,与传统单一变量预测方法相比最大预测误差从20%下降到了10%以内,克服了传统单一变量预测方法稳定性差的问题,提高了变压器状态参量趋势预测精度。变压器状态一般会通过多种信息的变化表现出来,这些特征信息会随着设备缺陷/故障的类型、部位、严重程度等因素的不同发生相应变化。在变压器运行状态预测及故障预警方面,论文通过分析变压器运行状态全景信息中关键影响因素,以相对劣化度来刻画变压器状态恶化程度,并通过模糊化处理得到各指标相对劣化度与变压器状态对应的隶属关系。通过长短时记忆（long-short term memory,LSTM）网络提取变压器状态演变规律,构建数据驱动的设备状态预测模型,实现变压器潜在性故障初步预警。通过LSTM网络将定量指标与定性指标有机结合,感知推导特征参量与变压器运行状态之间的对应关系。通过不同时间尺度预测算例分析表明,以一周为尺度的预测精度达94.4%,以一月为尺度的预测精度为81.2%,可有效预测电力变压器运行状态。利用在线监测、带电检测、运行工况、试验检修记录、缺陷记录等数据,融合设备家族差异、类比实验等信息,论文提出了基于深度置信网络的变压器故障诊断方法,采用修正线性单元为深层网络激活函数,以油中溶解特征气体无编码比值为输入特征参量,构建了修正线性单元改进的深度置信网络故障诊断模型,提取差异化故障特征信息。通过与传统故障诊断识别方法比较,分析了输入特征参量、样本集规模、复合型故障对所构建的深度置信诊断模型的影响。实验结果表明,所提方法较大程度上提高了变压器故障诊断的精度,深度置信网络与无编码比值组合的模型训练和测试准确率达96.4%和95.9%。随样本数据增多,诊断精度得到较大提升。
陈广银[4]（2017）在《神经网络在环境监测中的应用研究》文中研究说明神经网络的是人工神经网络（ANN）的简称,随着人工智能的研究不断深入,人工神经网络便因此成为热门的研究方向,它的应用非常广泛,经济、生物、医学等各个领域都不乏神经网络的参与和应用。神经网络事实上是一种运算模型,它通过建立一些信息模型,以不同的链接方式形成不同的输出算法,通过大量的节点之间的连接来代表不同的功能值,它形同于每个网络中的记忆模式,依靠网络的连接来输出函数,达到指定的功能,是一种非常严密的逻辑表达。随着整个研究工作进程的推进,近10年的科研工作让人们在人工智能领域也有了很大的进步。通过神经网络的运算模式,帮助大家解决了很多计算机无法企及的问题并且被赋予了很多新兴的智能技术。
张锦逵[5]（2016）在《基于大数据分析的输变电设备状态评估的研究》文中提出变压器是电力系统中至关重要的设备之一,其安全性和可靠性是电网稳定运行的基础。对变压器施行在线监测手段,提取其运行的特征值并进行预测和智能诊断,可以提前为即将发生的故障或事故做出恰当的检修措施,能够大大减少电力系统维护成本和事故带来的经济损失,是电力系统中极具研究意义的课题。而随着大数据时代的来临,输变电设备能被监测的特征越来越多,电网中存储的数据规模也越来越大。面对较高的数据维度和当下普遍较低的数据质量,传统的机器学习方法逐渐开始不能满足人们对预测准确度的需求。本文提出了一套面向变压器故障诊断的数据预处理框架,主要分为两部分:一是基于优化支持向量机和精炼支持向量机的缺失数据预测模型,二是基于关联分析和主成分分析的故障诊断框架。经过实例验证,在预测缺失数据方面,我们的方法比传统的神经网络或支持向量机表现出更高的预测精度,能有效提升原始数据的数据质量;在故障诊断方面,我们的方法也展现出了更好的预测精度和更少的运行时间,还找出了油温这一隐藏的重要故障诊断指标,对原有的指标体系做了很好的补充。而且随着数据维度的提高,本文所提方法的优势表现得更加明显,这说明本文中的数据预处理框架更适应现在大数据时代的发展趋势和更严格的电力安全需求,值得进一步推广和持续研究。
张惠萍[6]（2011）在《基于多种分析技术的胰腺癌与糖尿病血清代谢组学研究》文中认为胰腺癌（Pancreatic cancer）是常见的消化系统恶性肿瘤之一,其发病率占人类全身肿瘤的1-3%,在西方国家居恶性肿瘤死亡原因的第四位,早期诊断困难。胰腺癌与糖尿病有着密切关系,探索两者发病机制的联系,将有助于了解胰腺癌的病因,并为提高癌症早期诊断率提供依据。代谢组学从系统水平研究机体小分子代谢产物变化规律,在研究疾病发病机制和早期诊断等方面有一定优势。本论文将加压毛细管电色谱（pCEC）应用于血浆代谢组学研究,证明了该技术高效分离血浆内源性代谢物的能力,以及作为胰腺癌早期诊断手段的可行性。进一步分别应用以UPLC/MS和GC/MS为基础的代谢组学技术,从整体上考察胰腺癌、糖尿病和正常人血清间的代谢物差异,发现可获得较多两种疾病间共有和特异性的标志物,为将来全面理解两种疾病在发病机制上的差异和联系提供了一个新视角和实验基础。同时,根据代谢组学数据具有非线性的特点,探讨了非线性人工神经网络对三组样本进行分类的能力,说明该技术有潜力用于大样本量的模式识别。本论文主要内容包括:1、建立pCEC研究血浆代谢指纹图谱的方法,考察该方法区分胰腺癌患者的能力。以反相色谱柱和梯度洗脱对血浆样品进行pCEC分离。通过考察流动相组成、检测波长、酸改性剂和操作电压对质控（QC）血浆样品分离情况的影响优化色谱条件。通过对重复进样的QC样品进行考察,说明该方法重复性好、系统稳定性高。另外,比较了pCEC-UV数据经不同标准化方法预处理后,对正交偏最小二乘判别分析（OPLS-DA）模型的影响。研究发现,pCEC-UV分析得到的血浆代谢指纹图谱能明显表征出胰腺癌患者和正常人的代谢表型差异,结合有监督模式识别,能够有效的区分胰腺癌患者和健康对照组的血浆代谢轮廓。本研究说明pCEC-UV技术可以作为一种经济环保、高效和相对简单的技术平台用于疾病的血浆代谢谱研究,是一种潜在的早期诊断手段。2、采用超高压液相色谱-四级杆串联飞行时间质谱（UPLC Q-TOF MS）技术分析了20个胰腺癌患者、19个2型糖尿病患者和25个正常人血清的代谢组学差异,结合非监督的PCA方法,发现三组样本的代谢谱有分离趋势。进一步利用有监督的OPLS-DA方法能清楚地将三组样本分开,说明相对于正常人而言,胰腺癌患者和糖尿病人的代谢谱均发生改变,并有明显差异。根据精确分子量、同位素信息和MS/MS信息,按照差异代谢物的种类,对其进行了系统的鉴定,尤其是对血清中检测到的溶血磷脂酰胆碱（lysoPC）的同分异构体进行了全面鉴定。与正常人相比,胰腺癌患者血清中以甘氨鹅脱氧胆酸为代表的4种胆汁酸明显升高,12种lysoPC（包括部分同分异构体）降低,花生四烯酸以及部分脂肪酸升高;糖尿病患者血清中同样的12种lysoPC显着降低,而花生四烯酸等游离脂肪酸降低。胰腺癌与糖尿病在磷脂代谢和脂肪酸代谢均发生了紊乱,但是lysoPC18:1同分异构体的比例变化在两种疾病中存在差异,提示将来通过对具体种类的lysoPC同分异构体进行定量分析可能会发现胰腺癌与糖尿病的特异性差异标志物。3、采用气相色谱质谱（GC-MS）技术分析了20个胰腺癌患者、19个2型糖尿病患者和25个正常人血清的代谢组学差异。以N-O-双（三甲硅基）三氟乙酰胺（BSTFA）为衍生试剂,采用两步法对血清样品进行衍生,同时优化了甲氧胺的加入量。结合PCA和OPLS-DA对数据进行模式识别,得到了与UPLC-MS代谢组学分析类似的结果,能够清晰的区分三组样本的血清代谢组差异。实验检测得到的差异物与UPLC-MS互补,主要为氨基酸类、糖类、胆固醇以及有机酸等物质。与正常人相比,胰腺癌与糖尿病患者的糖代谢、糖酵解以及部分氨基酸代谢均发生了不同程度的紊乱。亮氨酸、十六烷酸以及苯丙氨酸在胰腺癌组特异性上调,甘氨酸、谷氨酰胺、丝氨酸、脯氨酸、柠檬酸则在糖尿病患者血清中特异性下调,提示这些小分子物质可能分别为两种疾病的潜在特异性生物标志物。4、以UPLC/MS实验得到的26个差异物在各个样本中的响应强度为数据基础,采用非线性人工神经网络建立多类型样本的分类模型。通过试验比较不同隐含层数和隐含层结点数对网络收敛性及血清分类结果的影响。试验发现网络层数过少的三层前馈网络不足以准确地对胰腺癌患者、糖尿病患者和正常人血清样本进行分类,分类准确率仅为86.7%,而具有最优网络结构的四层前馈网络{26,9,7,3}的分类准确率高达96.7%。在具有充足样本数量的条件下,有监督的人工神经网络可望成为代谢组学研究中一个有力的分类工具。
纪彩虹[7]（2011）在《定量构效关系的原理、方法及其研究进展》文中进行了进一步梳理介绍了定量构效关系（QSAR/QSPR）的原理、方法,综述了该领域的研究成果及其进展.重点论述了线性的启发式方法与径向基函数神经网络在定量构效关系研究中的应用,展望了该方法在各个学科的应用将会深入发展.
张巍巍,程学峰,杨林[8]（2009）在《人工神经网络同时测定法在环境监测中的应用研究》文中研究指明论述了人工神经网络技术在环境监测中与光度法、光谱法、色谱法、流动注射法等多种分析方法相结合实现多组分同时测定的研究进展.以及人工神经网络在环境评价中的应用.并对人工神经网络在环境监测中多组分同时测定的应用前景做了综述.
王志有[9]（2007）在《人工神经网络和遗传算法在多组分分析中的应用》文中研究表明本学位论文研究了化学计量学方法在分析化学中的应用，主要研究了人工神经网络（Artificial neural networks，ANN）和遗传算法（Genetic Algorithms，GAs）在多组分分析中的应用，特别是在分光光度分析中的应用，建立新的化学计量学方法。完成与合作完成论文六篇，均为第一作者，其中四篇已发表（核心期刊两篇）。本文在分光光度分析中，分别建立了钨（钼）-二溴茜素紫-CTMAB和钼（钛）-二溴茜素紫-CTMAB两个新的同时测定的显色体系。将BP人工神经网络（BP-ANN）用于钨（钼）-二溴茜素紫-CTMAB同时测定的显色体系解析两种配合物重叠光谱，光度法不经分离同时测定了钨和钼，建立新的化学计量学方法。将该方法用于钢中钨和钼的同时测定，结果满意。将BP人工神经网络（BP-ANN）用于钼（钛）-二溴茜素紫-CTMAB同时测定的显色体系解析两种配合物重叠光谱，光度法不经分离同时测定了钼和钛，建立新的化学计量学方法。将该方法用于钢中钼和钛的同时测定，结果满意。用遗传算法优化BP-ANN的结构和参数，建立了遗传神经网络（GA-BP-ANN），使隐含层结点、学习速率和动量因子得到了最佳匹配，解决了BP-ANN的过训练和过拟合问题，从而克服了BP-ANN分光光度法中训练集分析结果较好，预测集结果较差，而且两个元素输出结果误差也不一致，其中一个较大，一个较小的缺点。将遗传神经网络（GA-BP-ANN）用于钨（钼）-二溴茜素紫-CTMAB同时测定的显色体系解析两种配合物重叠光谱，光度法不经分离同时测定了钨和钼，建立了新的化学计量学方法。将该方法用于钢中钨和钼的同时测定，结果优于BP神经网络。将遗传神经网络（GA-BP-ANN）用于钼（钛）-二溴茜素紫-CTMAB同时测定的显色体系解析两种配合物重叠光谱，光度法不经分离同时测定了钼和钛，建立了新的化学计量学方法。将该方法用于钢中钼和钛的同时测定，结果优于BP神经网络。本文中人工神经网络和遗传神经网络进行计算所用的程序均用Turbo C语言编写。引用了123篇文献分别对人工神经网络和遗传算法在化学中应用的新进展作了评述。
林生岭[10]（2005）在《钙钛矿复合氧化物的制备、表征及其光电催化活性研究》文中指出以半导体材料为光催化剂，利用太阳能消除污染，是近年来比较重要的研究课题，既具有理论意义又有实用价值。本文主要以纳米钙钛矿型复合氧化物ABO3及A位、B位置换的AA′O3和AA′BB′O3为光催化剂，对单组分及五组分水溶性染料进行降解试验。用甘氨酸-硝酸盐燃烧合成法，制备钙钛矿复合氧化物，通过研究电极制备及测试，得到了一系列循环伏安曲线，该电极具有双功能氧电极特性。制备的AA′BB′O3复合氧化物，用XRD、SEM、EDS以及IR对纳米晶体的晶型、晶粒大小、形貌及组成进行了表征。应用人工神经网络-光度法对紫外可见吸收光谱严重混叠的3组分和5组分的染料溶液含量进行了同时测定，该算法速度快，预测结果准确。另一方面，用BTA、钼酸盐-锰酸盐，在铝材和铜材表面形成复合氧化物转化膜；用溶胶-凝胶法在金属表面形成La0.3Sr0.7Ni0.1Co0.9O3复合氧化物膜，采用失重法与电化学方法研究其耐蚀性能。本文的主要内容如下： 1．LaxSr1-xNiO3复合氧化物的制备及其光电催化特性 用甘氨酸-硝酸盐燃烧合成法，制备镧锶镍复合氧化物的陶瓷粉末。通过研究电极制备及测试，结果表明：当催化剂与乙炔黑比为7：3时，双功能氧电极有最大的催化电流。镍网和La0.75Sr0.25NiO3与乙炔黑组成的电极比镍网和乙炔黑电极有更好的催化活性。详细讨论了氧还原和氧析出的电化学反应机理。总结了LaxSr1-xNiO3电化学特性，当x=0.15、0.70、0.75和1时，复合氧化物作为氧电极有明显的电催化特性。一般来说，氧还原与氧析出是两电子反应。在1 mol·L-1KOH溶液里减少对铂电极的面积，加入碘化钾催化剂就可以成为四电子反应。通过在不同温度下，LaxSr1-xNiO3（X=0.15，0.70，0.75，1）功能氧电极循环伏安曲线，得出氧还原和氧析出的活化能，分析循环伏安曲线，氧气吸附在功能氧电极表面，当加入8.0×10-3g·mL-1KI时，两个氧化峰变成一个峰，氧析出电势从0.94V减少到0.62V（相对于饱和甘汞电极），同时氧还原峰突然下降。通过减少铂电极面积，加热溶液，加入碘化钾催化剂，使氧电极更有效。光电催化剂对不同水溶液染料进行光催化降解和光电催化降解实验。利用红外、紫外．可见光谱、循环伏安曲线研究LaxSr1-xNiO3的催化性能。结果表明：LaxSr1-xNiO3（x=0.15，0.6，0.7，0.75，1）复合氧化物都具有较强光催化特性，La0.7Sr0.3NiO3也具有光电催化降解特性。 2．人工神经网络-光度法测定染料混合物
二、人工神经网络在色谱中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、人工神经网络在色谱中的应用（论文提纲范文）
（1）基于神经网络胶印油墨配色的研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及技术路线 |
| 2 计算机测配色的理论分析 |
| 2.1 色度学基本原理 |
| 2.1.1 色光加色法 |
| 2.1.2 色料减色法 |
| 2.2 CIE1976 L~*a~*b~*均匀颜色空间 |
| 2.3 色差 |
| 2.4 BP神经网络 |
| 2.4.1 人工神经元模型 |
| 2.4.2 BP神经网络 |
| 2.4.3 BP神经网络结构设计 |
| 2.5 PSO算法及改进 |
| 2.5.1 改进PSO算法 |
| 2.6 改进PSO算法优化BP神经网络 |
| 2.7 神经网络在油墨配色中可行性分析 |
| 3 油墨配色实验 |
| 3.1 实验软硬件设备 |
| 3.2 建立数据基色库 |
| 3.3 BP神经网络的配色模型 |
| 3.3.1 数据集的准备 |
| 3.3.2 色差的计算 |
| 3.3.3 隐含层数的设计 |
| 3.3.4 隐含层节点数的设计 |
| 3.4 粒子群优化BP神经网络配色模型 |
| 3.4.1 标准粒子群优化BP神经网络配色模型 |
| 3.4.2 改进粒子群优化BP神经网络配色模型 |
| 3.4.3 改进粒子群优化多层BP神经网络配色模型 |
| 3.5 分区域改进粒子群优化BP神经网络配色模型 |
| 3.5.1 三区域改进粒子群优化BP神经网络配色模型 |
| 3.5.2 多区域改进粒子群优化BP神经网络配色模型 |
| 3.6 配色结果分析与总结 |
| 4 神经网络油墨配色平台的应用 |
| 4.1 平台介绍 |
| 4.2 平台的使用展示 |
| 5 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
| 作者简介 |
（2）基于机器学习的变压器运行状态预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 变压器运行状态预测研究现状 |
| 1.2.1 变压器状态参量预测方法的研究现状 |
| 1.2.2 变压器运行状态预测的研究现状 |
| 1.3 机器学习研究及其在电力行业中的应用 |
| 1.3.1 机器学习研究现状 |
| 1.3.2 机器学习方法在电气领域中的应用研究现状 |
| 1.4 本文的主要研究内容 |
| 第二章 考虑时间序列关联的变压器状态监测数据清洗方法研究 |
| 2.1 变压器异常数据模式分类 |
| 2.2 时间序列关联规则挖掘 |
| 2.2.1 时间序列数据分析 |
| 2.2.2 关联原理 |
| 2.2.3 序列之间关联规则分析 |
| 2.2.4 多元时间序列关联模式的分析 |
| 2.2.5 时间序列符号化表示 |
| 2.3 考虑时间序列关联的油色谱数据清洗 |
| 2.3.1 基于密度的聚类算法 |
| 2.3.2 小波神经网络预测方法 |
| 2.3.3 数据清洗流程 |
| 2.4 算例分析 |
| 2.4.1 序列关联性分析算例 |
| 2.4.2 无关联序列数据清洗算例 |
| 2.4.3 强关联序列数据清洗算例 |
| 2.5 本章小结 |
| 第三章 基于GRNN和 KPCA组合模型的变压器状态参量短期预测 |
| 3.1 变压器状态参量体系 |
| 3.1.1 在线监测数据 |
| 3.1.2 离线试验数据 |
| 3.1.3 运行巡检数据 |
| 3.1.4 技术参数数据 |
| 3.2 广义回归神经网络 |
| 3.2.1 人工神经网络基本模型 |
| 3.2.2 广义回归神经网络基本模型 |
| 3.3 基于组合模型的油中气体浓度短期预测 |
| 3.3.1 核主元分析法 |
| 3.3.2 果蝇优化算法 |
| 3.3.3 预测流程 |
| 3.4 算例分析 |
| 3.5 本章小结 |
| 第四章 基于深度长短期记忆网络的变压器状态参量中长期预测 |
| 4.1 长短期记忆网络基本原理 |
| 4.1.1 循环神经网络 |
| 4.1.2 长短期记忆网络 |
| 4.1.3 网络正则化 |
| 4.2 基于深度长短期记忆网络的预测方法 |
| 4.3 算例分析 |
| 4.4 本章小结 |
| 第五章 基于深度学习网络的变压器运行状态预测 |
| 5.1 深度信念网络基本原理 |
| 5.1.1 受限玻尔兹曼机 |
| 5.1.2 深度信念网络结构 |
| 5.2 变压器运行状态分析理论 |
| 5.2.1 油中溶解气体含量与变压器运行状态关系 |
| 5.2.2 传统分析方法 |
| 5.3 变压器运行状态预测流程 |
| 5.3.1 运行状态分类流程 |
| 5.3.2 运行状态预测流程 |
| 5.3.3 模型评价指标 |
| 5.4 算例分析 |
| 5.4.1 运行状态分类 |
| 5.4.2 运行状态短期预测 |
| 5.4.3 运行状态中长期预测 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（3）基于深度学习的变压器状态评估技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 变压器状态预测及故障诊断研究现状 |
| 1.2.1 电力变压器状态预测研究现状 |
| 1.2.2 电力变压器故障诊断研究现状 |
| 1.3 深度学习研究及其在电力数据挖掘中的应用 |
| 1.3.1 深度学习研究现状 |
| 1.3.2 深度学习方法在电力领域的应用研究现状 |
| 1.4 本文的主要研究内容 |
| 1.4.1 问题提出 |
| 1.4.2 整体技术路线 |
| 1.4.3 具体章节安排 |
| 第二章 基于栈式降噪自编码器的变压器状态监测数据清洗方法 |
| 2.1 栈式降噪自编码器基本原理 |
| 2.1.1 降噪自编码器 |
| 2.1.2 栈式降噪自编码器 |
| 2.2 基于栈式降噪自编码器的变压器状态监测数据清洗算法 |
| 2.2.1 基于栈式降噪自编码器的数据清洗原理 |
| 2.2.2 数据清洗具体实施 |
| 2.3 算例分析 |
| 2.3.1 数据破坏率确定 |
| 2.3.2 变压器状态监测数据清洗 |
| 2.4 算法应用 |
| 2.5 本章小结 |
| 第三章 考虑复杂关联关系深度挖掘的变压器状态参量趋势预测方法 |
| 3.1 栅格长短时记忆网络基本原理 |
| 3.1.1 循环神经网络结构 |
| 3.1.2 沿时间反向传播算法 |
| 3.1.3 长短时记忆网络 |
| 3.1.4 栅格长短时记忆网络 |
| 3.2 基于栅格长短时记忆网络提取序列关联关系的预测方法 |
| 3.2.1 设备关键性能与状态量的关系 |
| 3.2.2 相关序列数学表示 |
| 3.2.3 采用数据驱动的栅格长短时记忆网络预测方法 |
| 3.3 算例分析 |
| 3.3.1 网络结构确定 |
| 3.3.2 关联关系分析 |
| 3.3.3 与传统预测模型对比 |
| 3.4 算法应用 |
| 3.5 本章小结 |
| 第四章 采用长短时记忆网络的电力变压器运行状态预测 |
| 4.1 变压器运行状态关键参量分析 |
| 4.1.1 变压器运行状态模式 |
| 4.1.2 状态性能数据 |
| 4.1.3 运行巡检信息 |
| 4.1.4 技术性能参数 |
| 4.2 基于长短时记忆网络的变压器状态预测 |
| 4.2.1 定量指标量化 |
| 4.2.2 定性指标量化 |
| 4.2.3 各级参量权重确定 |
| 4.2.4 状态预测实现 |
| 4.3 算例分析 |
| 4.3.1 时间维度相关性分析 |
| 4.3.2 变压器运行状态短期预测 |
| 4.3.3 变压器运行状态长期预测 |
| 4.3.4 样本集规模对预测模型的影响 |
| 4.4 算法应用 |
| 4.5 本章小结 |
| 第五章 基于深度置信网络的变压器故障诊断方法 |
| 5.1 深度置信网络基本原理 |
| 5.1.1 受限玻尔兹曼机 |
| 5.1.2 受限玻尔兹曼机训练 |
| 5.1.3 深度置信网络 |
| 5.2 变压器油中气体分析 |
| 5.2.1 油中气体产生机理 |
| 5.2.2 油中气体含量与故障类型的关系 |
| 5.2.3 油中气体浓度比值诊断法 |
| 5.3 基于RELU-DBN的故障诊断方法 |
| 5.3.1 样本数据分布 |
| 5.3.2 特征参量设定 |
| 5.3.3 模型参数设定 |
| 5.3.4 诊断模型应用步骤及架构 |
| 5.4 算例分析 |
| 5.4.1 不同输入特征参量对比 |
| 5.4.2 不同样本集对比 |
| 5.4.3 复合型故障影响 |
| 5.5 诊断算法验证及应用分析 |
| 5.5.1 算法验证 |
| 5.5.2 算法应用 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间已发表或录用的论文 |
| 攻读博士学位期间参与的科研项目 |
（4）神经网络在环境监测中的应用研究（论文提纲范文）
| 1 网络方法类别 |
| 2 关于环境监测的化学方面的应用 |
| 3 分光光度的方法应用 |
| 4 神经网络对X射线中的荧光光谱法的应用 |
| 5 环境监测中的色谱法的研究 |
| 6 环境监测中的评价 |
| 7 结语 |
（5）基于大数据分析的输变电设备状态评估的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究的目的和意义 |
| 1.2 变压器故障预测技术的研究现状 |
| 1.2.1 变压器油中溶解气体 |
| 1.2.2 三比值法识别变压器故障 |
| 1.2.3 油中溶解气体浓度预测的研究现状 |
| 1.3 大数据时代和数据质量 |
| 1.3.1 大数据背景下数据质量的挑战 |
| 1.3.2 缺失数据预测的研究现状 |
| 1.4 本论文的主要内容与章节安排 |
| 第二章 基础算法介绍和SPARK平台 |
| 2.1 统计学理论和支持向量机 |
| 2.2 支持向量机分类 |
| 2.2.1 线性可分支持向量机 |
| 2.2.2 非线性支持向量机 |
| 2.2.3 支持向量机回归 |
| 2.3 BP神经网络 |
| 2.3.1 人工神经网络基础与人工神经元模型 |
| 2.3.2 BP网络结构 |
| 2.4 Spark平台介绍 |
| 2.5 本章小结 |
| 第三章 基于OSVM和 RSVM的油色谱缺失数据预测模型 |
| 3.1 研究背景 |
| 3.2 原理概述 |
| 3.2.1 丢失数据预测 |
| 3.2.2 丢失数据预测方法 |
| 3.2.3 传统支持向量机算法 |
| 3.3 基于OSVM和RSVM的预测模型 |
| 3.3.1 特征提取 |
| 3.3.2 训练并优化SVM |
| 3.4 本章小结 |
| 第四章 基于关联分析和主成分分析的故障诊断框架 |
| 4.1 研究背景 |
| 4.2 基于PCC和PCA的变压器故障诊断框架 |
| 4.2.1 用皮尔逊系数法找出故障与其它指标的隐藏关联 |
| 4.2.2 用主成分分析法清洗数据 |
| 4.2.3 构造BP神经网络进行故障诊断 |
| 4.3 本章小结 |
| 第五章 实验验证与评估 |
| 5.1 基于OSVM和RSVM的缺失数据预测模型的实例验证 |
| 5.1.1 实验介绍 |
| 5.1.2 仅含OSVM计算框架与传统方法的比较 |
| 5.1.3 基于RSVM的ORPM框架与上述最好方法的比较 |
| 5.2 基于PCC和 PCA的故障诊断框架的实例验证 |
| 5.2.1 实验描述 |
| 5.2.2 用PCC法寻找新的指标 |
| 5.2.3 用PCA法进行数据预处理 |
| 5.2.4 用BP神经网络进行故障分类 |
| 5.2.5 和传统方法的性能对比 |
| 5.3 用Spark平台验证大规模数据下的适用性 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文的工作总结和主要创新点 |
| 6.2 未来工作的展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（6）基于多种分析技术的胰腺癌与糖尿病血清代谢组学研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景介绍 |
| 1.1.1 胰腺癌的概述 |
| 1.1.2 胰腺癌的病理 |
| 1.1.3 糖尿病与胰腺癌的关系 |
| 1.1.4 代谢组学介绍 |
| 1.1.5 代谢组学研究方法及进展 |
| 1.1.6 代谢组学在临床研究中的应用 |
| 1.1.7 代谢组学新研究策略 |
| 1.2 本研究的意义与研究内容 |
| 1.2.1 本课题的研究意义 |
| 1.2.2 本课题的研究内容 |
| 参考文献 |
| 第二章 加压毛细管电色谱法用于胰腺癌患者血浆代谢指纹图谱的方法学研究 |
| 2.1 引言 |
| 2.2 仪器与试剂 |
| 2.2.1 仪器 |
| 2.2.2 试剂 |
| 2.3.3 样本的采集 |
| 2.2 实验方法 |
| 2.2.1 血清样品预处理 |
| 2.2.2 加压毛细管电色谱条件 |
| 2.2.3 数据预处理与模式识别 |
| 2.3 结果与讨论 |
| 2.3.1 色谱条件的优化 |
| 2.3.2 方法学验证 |
| 2.3.3 胰腺癌与正常人的代谢谱比较 |
| 2.3.4 胰腺癌与正常人多维统计分析 |
| 2.4 本章小结 |
| 参考文献 |
| 第三章 基于UPLC Q-TOF MS 的胰腺癌与糖尿病血清代谢组学研究 |
| 3.1 引言 |
| 3.1 仪器与试剂 |
| 3.1.1 仪器 |
| 3.1.2 试剂 |
| 3.1.3 样本的采集 |
| 3.2 实验方法 |
| 3.2.1 血浆样品预处理 |
| 3.2.2 色谱条件 |
| 3.2.3 质谱条件 |
| 3.2.4 数据预处理和多维统计分析 |
| 3.2.5 差异代谢物鉴定 |
| 3.3 结果与讨论 |
| 3.3.1 分析方法验证 |
| 3.3.2 患者和正常人血清UPLC Q-TOF MS 分析的基峰离子流图比较 |
| 3.3.3 总体样本PCA 模型结果 |
| 3.3.4 总体样本OPLS-DA 模型结果 |
| 3.3.5 OPLS-DA 区分两两组别的结果 |
| 3.3.6 潜在标志物的选择 |
| 3.3.7 潜在标志物的鉴定 |
| 3.3.8 相关代谢网络的探讨 |
| 3.5 本章小结 |
| 参考文献 |
| 第四章 基于GC MS 的胰腺癌与糖尿病血清代谢谱研究 |
| 4.1 引言 |
| 4.2 仪器与试剂 |
| 4.2.1 仪器 |
| 4.2.2 试剂 |
| 4.2.3 样本采集 |
| 4.3 实验方法 |
| 4.3.1 血清代谢物的预处理及衍生 |
| 4.3.2 衍生反应条件的选择 |
| 4.3.3 色谱质谱条件 |
| 4.3.4 数据处理方法 |
| 4.3.5 差异物鉴定 |
| 4.4 结果与讨论 |
| 4.4.1 衍生化方法的比较 |
| 4.3.2 方法学验证 |
| 4.3.3 患者和正常人血清GC MS 指纹图谱比较 |
| 4.3.4 多维统计分析结果 |
| 4.3.5 差异物分析 |
| 4.3.4 相关代谢网络的探讨 |
| 4.5 本章小结 |
| 参考文献 |
| 第五章 人工神经网络在胰腺癌与糖尿病模式识别中的应用研究 |
| 5.1 引言 |
| 5.2 人工神经网络基础 |
| 5.2.1 神经网络的特点 |
| 5.2.2 神经网络的结构 |
| 5.2.3 神经网络学习 |
| 5.3 实验方法 |
| 5.3.1 实验样本和数据 |
| 5.3.2 数据处理方法 |
| 5.4 人工神经网络在胰腺癌与糖尿病模式识别中的应用 |
| 5.4.1 三层前馈网络 |
| 5.4.2 四层前馈网络 |
| 5.5 本章小结 |
| 参考文献 |
| 第六章 研究总结与展望 |
| 6.1 研究工作总结 |
| 6.2 全文结论 |
| 6.3 论文创新点 |
| 6.4 研究展望 |
| 致谢 |
| 博士期间已发表和待发表论文 |
（7）定量构效关系的原理、方法及其研究进展（论文提纲范文）
| 0 引言 |
| 1 定量构效关系的研究进展 |
| 2 定量构效关系的研究方法 |
| 2.1 数据的收集 |
| 2.2 选择描述符 |
| 2.2.1 选择描述符的方法 |
| 2.2.2 描述符的分类 |
| 2.3 模型的建立 |
| 3 启发式方法及径向基函数神经网络在QSAR/QSPR中的应用 |
| 4 结束语 |
（8）人工神经网络同时测定法在环境监测中的应用研究（论文提纲范文）
| 0 引言 |
| 1 基于ANN的同时测定在环境监测中的应用 |
| 1.1结合光度法分析在环境监测中的应用 |
| 1.2 结合光谱法分析在环境监测中的应用 |
| 1.3 结合色谱分析在环境监测中的应用 |
| 1.4 结合流动注射分析法在环境监测中的应用 |
| 1.5 在环境评价方面的应用 |
| 2 展望 |
（9）人工神经网络和遗传算法在多组分分析中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 前言 |
| 第一章 文献综述 |
| 1.1 人工神经网络方法在化学中应用的新进展 |
| 1.1.1 光谱分析 |
| 1.1.2 电化学分析 |
| 1.1.3 色谱分析 |
| 1.1.4 模式识别 |
| 1.1.5 定量构效关系 |
| 1.1.6 过程控制、模拟及优化 |
| 1.1.7 神经网络和其他它化学计量学方法结合的应用 |
| 1.1.8 展望 |
| 1.2 遗传算法在化学中应用的新进展 |
| 1.2.1 谱图解析 |
| 1.2.2 模式识别 |
| 1.2.3 优化 |
| 1.2.4 遗传算法与神经网络结合的应用 |
| 1.2.5 展望 |
| 第二章 基本理论 |
| 2.1 人工神经网络的基本理论 |
| 2.1.1 人工神经网络的传递函数 |
| 2.1.2 误差反传神经网络(BP-ANN)模型的理论分析 |
| 2.1.3 BP训练算法的实现步骤 |
| 2.1.4 BP算法的几个缺陷 |
| 2.1.5 BP算法的改进 |
| 2.1.6 网络结构的优化 |
| 2.2 遗传算法的基本理论 |
| 2.2.1 编码 |
| 2.2.2 群体初始化 |
| 2.2.3 适应度函数计算 |
| 2.2.4 遗传算子 |
| 2.2.5 收敛的设定 |
| 2.2.6 遗传算法的运行参数 |
| 2.2.7 遗传算法的运算步骤 |
| 2.3 用遗传算法优化 BP网络结构和参数 |
| 第三章 人工神经网络和遗传算法在多组分分析中的应用 |
| 3.1 神经网络和遗传神经网络用于光度法同时测定钢中钨和钼 |
| 3.1.1 遗传神经网络算法 |
| 3.1.2 实验部分 |
| 3.1.3 结果与讨论 |
| 3.1.4 样品分析 |
| 3.2 神经网络和遗传神经网络用于光度法同时测定钢中钼钥和钛 |
| 3.2.1 遗传神经网络算法 |
| 3.2.2 实验部分 |
| 3.2.3 结果与讨论 |
| 3.2.4 样品分析 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（10）钙钛矿复合氧化物的制备、表征及其光电催化活性研究（论文提纲范文）
| 本论文的创新点 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 半导体光催化反应研究现状 |
| 1.1.1 半导体光催化氧化反应机理 |
| 1.1.2 提高半导体光催化剂氧化活性的途径 |
| 1.1.2.1 半导体光催化效率的影响因素 |
| 1.1.2.2 提高半导体光催化剂氧化活性的途径 |
| 1.1.3 钙钛矿型ABO_3复合氧化物催化剂的特点 |
| 1.1.3.1 混合导体复合氧化物 |
| 1.1.3.2 钙钛矿型氧化物 |
| 1.1.3.3 钙钛矿复合氧化物的催化反应 |
| 1.1.3.4 复合氧化物的制备 |
| 1.1.3.4.1 化学沉淀法 |
| 1.1.3.4.2 溶胶-凝胶法 |
| 1.1.3.4.3 柠檬酸法 |
| 1.1.3.4.4 燃烧合成法 |
| 1.1.3.4.5 钝化处理制备复合氧化物涂层 |
| 1.2 氧电极 |
| 1.2.1 氧电极催化剂 |
| 1.2.1.1 贵金属 |
| 1.2.1.2 金属螯合物 |
| 1.2.1.3 锰氧化物 |
| 1.2.1.4 钙钛矿型氧化物 |
| 1.2.2 双功能氧电极 |
| 1.2.2.1 双功能氧电极 |
| 1.2.2.2 双功能氧电极机理 |
| 1.2.2.2.1 氧气还原反应(ORR)机理 |
| 1.2.2.2.2 协作反应机理 |
| 1.2.2.2.3 氧气析出反应(OER)机理 |
| 1.2.2.3 双功能氧电极存在问题 |
| 1.3 光催化反应 |
| 1.3.1 新型光催化剂 |
| 1.3.1.1 离子交换层状结构的光催化剂 |
| 1.3.1.2 隧道结构的光催化剂 |
| 1.3.1.3 钙钛矿复合氧化物光催化剂 |
| 1.3.1.3.1 ATiO_3光催化剂 |
| 1.3.1.3.2 稀土钙钛矿光催化剂 |
| 1.3.1.4 分子筛光催化剂 |
| 1.3.2 LaBO_3氧迁移与光催化 |
| 1.3.2.1 LaBO_3的光催化机理 |
| 1.3.2.2 LaBO_3(B=Cr,Mn,Fe,Co)的光催化氧化活性分析 |
| 1.3.3 LaFe_(1-y)Cu_yO_3光催化与正电子湮灭 |
| 1.3.4 复合氧化物降解多组分染料 |
| 1.4 小波分析 |
| 1.4.1 小波分析在分析化学中应用 |
| 1.4.1.1 小波理论 |
| 1.4.1.2 小波变换在光谱分析中的应用 |
| 1.5 人工神经网络在化学中的应用 |
| 1.5.1 人工神经网络理论发展历史 |
| 1.5.2 人工神经网络在化学中的应用 |
| 1.5.2.1 非线性校准 |
| 1.5.2.2 模式识别 |
| 1.5.3 人工神经网络在分析化学中的应用 |
| 1.5.3.1 人工神经网络及其在色谱中的应用 |
| 1.5.3.2 人工神经网络在光谱分析中的应用 |
| 1.5.3.3 人工神经网络在食品工业中应用 |
| 1.5.3.4 人工神经网络在生命科学中应用 |
| 第二章 La_xSr_(1-x)NiO_3复合氧化物的制备及其光电催化特性 |
| 2.1 甘氨酸燃烧法合成La_xSr_(1-x)NiO_3及电化学性能 |
| 2.1.1 试验方法 |
| 2.1.1.1 甘氨酸-硝酸盐燃烧法合成复合氧化物陶瓷粉末 |
| 2.1.1.2 氧电极制备工艺 |
| 2.1.1.3 氧电极的电化学曲线测定 |
| 2.1.1.3.1 循环伏安曲线与测量装置 |
| 2.1.1.3.2 La_xSr_(1-x)NiO_3作为氧电极的电化学性能测试 |
| 2.1.2 结果讨论 |
| 2.1.2.1 催化剂与乙炔黑用量对循环伏安曲线的影响 |
| 2.1.2.2 导电材料与功能氧电极的循环伏安曲线 |
| 2.1.2.3 La_(0.15)Sr_(0.9)NiO_3功能氧电极的循环伏安曲线与电化学反应机理 |
| 2.1.2.4 La_(0.7)Sr_(0.3)NiO_3充O_2与未充O_2循环伏安曲线 |
| 2.1.2.4 La_xSr_(1-x)NiO_3复合氧化物作为氧电极的电化学参数测定 |
| 2.1.3 小结 |
| 2.2 La_xSr_(1-x)NiO_3复合氧化物化学电极动力学 |
| 2.2.1 试验方法 |
| 2.2.1.1 催化剂La_xSr_(1-x)NiO_3的制备 |
| 2.2.1.2 氧电极制备 |
| 2.2.1.3 氧电极电化学催化活性评价 |
| 2.2.1.3.1 循环伏安曲线装置 |
| 2.2.1.3.2 电化学参数测试 |
| 2.2.2 结果讨论 |
| 2.2.2.1 La_xSr_(1-x)NiO_3的循环伏安曲线 |
| 2.2.2.2 La_xSr_(1-x)NiO_3随温度变化的循环伏安曲线 |
| 2.2.2.3 La_(0.7)Sr_(0.3)NiO_3的功能氧电极扫描速度对循环伏安曲线的影响 |
| 2.2.2.4 KI对La_(0.75)Sr_(0.25)NiO_3循环伏安曲线的影响。 |
| 2.2.3 小结 |
| 2.3 La_xSr_(1-x)NiO_3对水溶液染料的光电催化活性 |
| 2.3.1 试验方法 |
| 2.3.1.1 甘氨酸-硝酸盐燃烧法合成复合氧化物陶瓷粉末 |
| 2.3.1.2 La_xSr_(1-x)NiO_3氧电极的电化学性能测试 |
| 2.3.1.2.1 功能电极制备工艺 |
| 2.3.1.2.2 功能电极的电化学参数确定 |
| 2.3.1.3 染料的光电催化降解脱色 |
| 2.3.2 结果讨论 |
| 2.3.2.1 La_xSr_(1-x)NiO_3对染料光催化降解 |
| 2.3.2.2 La_(0.7)Sr_(0.3)NiO_3染料脱色与光照时间的关系 |
| 2.3.2.3 La_(0.7)Sr_(0.3)NiO_3对染料的光电催化降解 |
| 2.3.2.4 La_xSr_(1-x)NiO_3光催化及光电催化活性的分析 |
| 2.3.2.4.1 La_xSr_(1-x)NiO_3光催化活性的分析 |
| 2.3.2.4.2 La_(0.7)Sr_(0.3)NiO_3光电催化活性的分析 |
| 2.3.3 小结 |
| 第三章 人工神经网络-光度法测定染料混合物 |
| 3.1 人工神经网络用于光度法同时测定三组份染料混合物 |
| 3.1.1 基本理论 |
| 3.1.2 实验部分 |
| 3.1.2.1 软件 |
| 3.1.2.2 仪器及设备 |
| 3.1.2.3 实验方法 |
| 3.1.3 结果与讨论 |
| 3.1.3.1 吸收光谱 |
| 3.1.3.2 测定波长的确定 |
| 3.1.3.3 训练样本的确定 |
| 3.1.3.4 参数的影响 |
| 3.1.3.4.1 隐含层的节点数 |
| 3.1.3.4.2 迭代次数 |
| 3.1.3.4.3 学习速率和动量项α |
| 3.1.3.5 样品的分析 |
| 3.1.4.小结 |
| 3.2 人工神经网络光度法同时测定五组份染料混合物 |
| 3.2.1 引言 |
| 3.2.2 基本理论 |
| 3.2.3 实验部分 |
| 3.2.3.1 仪器及试剂 |
| 3.2.3.2 实验方法 |
| 3.2.3.3 软件 |
| 3.2.4 结果与讨论 |
| 3.2.4.1 吸收光谱 |
| 3.2.4.2 测定波长的确定 |
| 3.2.4.3 训练样本的确定 |
| 3.2.4.4 参数的影响 |
| 3.2.4.4.1 隐含层的节点数 |
| 3.2.4.4.2 迭代次数 |
| 3.2.4.4.3 学习速率和动量项α |
| 3.2.4.5 样品的分析 |
| 3.2.4.5.1 五种染料合成样品的相对标准偏差与回收率 |
| 3.2.4.5.2 五种染料合成样品的浓度比的适用范围 |
| 3.2.4.5.3 干扰试验 |
| 3.2.4.5.4 五组分染料光解催化样品的定量分析 |
| 3.2.5.小结 |
| 第四章 钙钛矿型La_xSr_(1-x)B_(1-y)B_yO_3的光电催化活性 |
| 4.1 钙钛矿型La_xSr_(1-x)Ni_(1-y)Co_yO_3光电催化活性 |
| 4.1.1 试验方法 |
| 4.1.1.1 La_xSr_(1-x)Ni_(1-y)Co_yO_3复合氧化物陶瓷粉末的制备与表征 |
| 4.1.1.2 La_xSr_(1-x)Ni_(1-y)Co_yO_3氧电极的电化学性能测试 |
| 4.1.1.2.1 功能电极制备工艺 |
| 4.1.1.2.2 功能电极的电化学参数确定 |
| 4.1.1.3 染料的光电催化降解脱色 |
| 4.1.1.4 五组分染料定量测定 |
| 4.1.2 结果讨论 |
| 4.1.2.1 La_xSr_(1-x)Ni_(1-y)Co_yO_3催化剂的结构表征 |
| 4.1.2.2 La_xSr_(1-x)Ni_(1-y)Co_yO_3电极的电催化性能 |
| 4.1.2.3 La_xSr_(1-x)Ni_(1-y)Co_yO_3对单组分染料光催化降解 |
| 4.1.2.4 La_xSr_(1-x)Ni_(1-y)Co_yO_3对五组分染料的光催化降解特性 |
| 4.1.2.5 La_xSr_(1-x)Ni_(1-y)Co_yO_3光催化降解活性分析 |
| 4.1.3 小结 |
| 4.2 纳米钙钛矿La_xSr_(1-x)Fe_(1-y)Co_yO_3复合氧化物的制备和表征 |
| 4.2.1 试验部分 |
| 4.2.1.1 复合氧化物陶瓷粉末的制备与表征 |
| 4.2.1.2 双功能氧电极制备及循环伏安曲线的测定 |
| 4.2.1.3 染料的光催化降解 |
| 4.2.1.4 多组分染料定量测定 |
| 4.2.2 结果与讨论 |
| 4.2.2.1 La_xSr_(1-x)Fe_(1-y)Co_yO_3双功能氧电极的催化活性 |
| 4.2.2.2 La_xSr_(1-x)Fe_(1-y)Co_yO_3催化剂的结构表征 |
| 4.2.2.3 La_xSr_(1-x)Fe_(1-y)Co)yO_3对单组分染料光催化降解 |
| 4.2.2.4 La_xSr_(1-x)Fe_(1-y)Co_yO_3对5组分混合染料的光催化降解特性 |
| 4.2.3.小结 |
| 4.3 纳米La_xSr_(1-x)Cu_(1-y)Co_yO_3的制备和光电催化特性 |
| 4.3.1 试验方法 |
| 4.3.1.1 钙钛矿La_xSr_(1-x)Cu_(1-y)Co_yO_3的制备与表征 |
| 4.3.1.2 功能氧电极制备与电化学参数测定 |
| 4.3.1.3 染料的光电催化降解脱色及多组分染料定量测定 |
| 4.3.2 结果讨论 |
| 4.3.2.1 La_xSr_(1-x)Cu_(1-y)Co_yO_3电极的电催化性能 |
| 4.3.2.2 催化剂的结构表征 |
| 4.3.2.2 La_xSr_(1-x)Cu_(1-y)Co_yO_3对单组分染料光催化降解 |
| 4.3.2.4 La_xSr_(1-x)Cu_(1-y)Co_yO_3对5组分染料的光催化降解特性 |
| 4.3.3.小结 |
| 4.4 复合氧化物La_xSr_(1-x)Fe_(1-y)Ni_yO_3光电催化活性研究 |
| 4.4.1 试验部分 |
| 4.4.1.1 La_xSr_(1-x)Fe_(1-y)Ni_yO_3复合氧化物的制备与表征 |
| 4.4.1.2 La_xSr_(1-x)Fe_(1-y)Ni_yO_3氧电极的电化学性能测试 |
| 4.4.1.2.1 功能电极制备工艺 |
| 4.4.1.2.2 功能电极的电化学参数确定 |
| 4.4.1.3 染料的光催化脱色 |
| 4.4.1.4 组分染料定量测定 |
| 4.4.2 结果讨论 |
| 4.4.2.1 La_xSr_(1-x)Fe_(1-y)Ni_yO_3催化剂的结构表征 |
| 4.4.2.1 La_xSr_(1-x)Fe_(1-y)Ni_yO_3双功能氧电极的电催化特性 |
| 4.4.2.2 La_xSr_(1-x)Fe_(1-y)Ni_yO_3对单组分染料光催化降解 |
| 4.4.2.3 La_xSr_(1-x)Fe_(1-y)Ni_yO_3对5组分染料的光催化降解特性 |
| 4.4.3 小结 |
| 第五章 金属表面复合氧化物膜的制备及电化学性能 |
| 5.1 Al及LY12Al的表面处理与复合转化膜的防腐性能 |
| 5.1.2 实验 |
| 5.1.2.1 实验材料 |
| 5.1.2.2 腐蚀性能测试 |
| 5.1.3 结果与讨论 |
| 5.1.3.1 钝化剂成份对成膜性能的影响 |
| 5.1.3.2 介质对钼酸盐锰酸盐复合转化膜的耐腐蚀性能影响 |
| 5.1.3.3 钝化液的成膜机理及耐蚀性能 |
| 5.1.4 小结 |
| 5.2 Zn-Cu及BeCoCu表面钝化处理与防腐性能研究 |
| 5.2.1 实验 |
| 5.2.1.1 实验材料 |
| 5.2.1.2 腐蚀性能测试 |
| 5.2.2 结果与讨论 |
| 5.2.2.1 钝化剂成份对成膜性能的影响 |
| 5.2.2.2 介质对BTA、硼砂、苯甲酸钠复合钝化膜的耐腐蚀性能影响 |
| 5.2.2.3 BTA硼砂苯甲酸钠复合钝化剂的钝化机理及对耐蚀性能的影响 |
| 5.2.3 小结 |
| 5.3 金属表面La_(0.7)Sr_(0.3)Ni_(0.1)Co_(0.9)O_3复合氧化物涂层制备及防腐性能 |
| 5.3.1 实验 |
| 5.3.1.1 La_(0.7)Sr_(0.3)Ni_(0.1)Co_(0.9)O_3复合氧化物前驱物溶胶的合成 |
| 5.3.1.2 实验材料 |
| 5.3.1.3 腐蚀性能测试 |
| 5.3.2 结果与讨论 |
| 5.3.2.1 铝材铜材涂层表面形貌 |
| 5.3.2.2 铝材铜材涂层的极化曲线 |
| 5.3.2.2.1 铝材的极化曲线与防腐性能 |
| 5.3.2.2.2 铜材的极化曲线与防腐性能 |
| 5.3.3 小结 |
| 第六章 结论 |
| 致谢 |
| 参考文献 |
| 本人简介和攻读博士学位期间发表的学术论文 |
四、人工神经网络在色谱中的应用（论文参考文献）
- [1]基于神经网络胶印油墨配色的研究[D]. 邓晓刚. 西安理工大学, 2021(01)
- [2]基于机器学习的变压器运行状态预测方法研究[D]. 林峻. 上海交通大学, 2019(06)
- [3]基于深度学习的变压器状态评估技术研究[D]. 代杰杰. 上海交通大学, 2018
- [4]神经网络在环境监测中的应用研究[J]. 陈广银. 科技创新导报, 2017(13)
- [5]基于大数据分析的输变电设备状态评估的研究[D]. 张锦逵. 上海交通大学, 2016(01)
- [6]基于多种分析技术的胰腺癌与糖尿病血清代谢组学研究[D]. 张惠萍. 上海交通大学, 2011(12)
- [7]定量构效关系的原理、方法及其研究进展[J]. 纪彩虹. 甘肃联合大学学报(自然科学版), 2011(02)
- [8]人工神经网络同时测定法在环境监测中的应用研究[J]. 张巍巍,程学峰,杨林. 甘肃联合大学学报(自然科学版), 2009(S3)
- [9]人工神经网络和遗传算法在多组分分析中的应用[D]. 王志有. 辽宁科技大学, 2007(09)
- [10]钙钛矿复合氧化物的制备、表征及其光电催化活性研究[D]. 林生岭. 南京理工大学, 2005(01)