人工神经网络在仪器分析实验数据处理中的应用*

傅应强 王飞虎 陶庭先

(安徽工程大学生物与化学工程学院 安徽芜湖 241000)

仪器分析实验课程是我校应用化学专业的一门基础课程，其任务是使学生学习并掌握各种仪器的基本知识和技能，培养学生的实际操作能力和分析、解决问题的能力，为其将来走上工作岗位或者从事科学研究工作打好基础。现代分析仪器具有高灵敏度和高选择性的特点, 便于在线分析, 易于实现自动化, 操作简单, 可方便地获取大量的多维数据[1]。在这些多维数据中往往包含许多有用的信息，如能结合先进的数据处理技术则有可能拓宽原有仪器分析方法的应用范围。笔者在仪器分析实验教学过程中发现利用人工神经网络能拓宽紫外分光光度法的应用。所谓人工神经网络(artificial neural network，下简称ANN)是模拟生物神经元的结构而提出的一种信息处理方法。人工神经网络是一种智能方法，近几年在化学中的应用范围日益广泛，几乎涉及所有的化学数据处理及相关领域。如Zupan和Gasteiger对人工神经网络的原理和在化学中的应用作了全面的综述[2]。我国的科研工作者将人工神经网络应用于化学始于20世纪90年代初，目前已发展到一定水平，涉及到的领域与20世纪90年代相比已有了很大的发展，与人工神经网络相关的文献也不断出现[3-5]。

1 方法原理

每种仪器分析方法都有它的适用对象，目前还没有任何一种仪器分析方法能检测自然界的所有物质。一般而言，在紫外区不产生吸收的物质是不能够采用紫外分光光度法加以检测的。吗啉(1,4-氧氮杂环己烷，1-oxa-4-azacyclohexane)在200～300nm范围内的紫外吸收曲线如图1所示。

图1 吗啉的紫外吸收曲线

图1显示吗啉没有明显吸收峰，利用紫外定量分析其含量不大可能。但笔者在仪器分析实验教学中，有一次偶然看到学生将吗啉溶液混到苯酚溶液中进行紫外扫描，得到了如图2所示的吸收曲线。

同浓度的纯苯酚溶液在200～300nm的紫外吸收曲线如图3所示。

图2 苯酚吗啉混合溶液的紫外吸收曲线

图3 苯酚的紫外吸收曲线

对比图2和图3可知，由于加入了吗啉，苯酚溶液在紫外区的吸收曲线发生了变化，吸收曲线在238nm处出现一个新的小峰，也就是说两组分混合后明显存在某种效应。研究发现，加入不同量的吗啉，该处的吸光度值并不呈线性增加，且波峰位置会略微改变，因此采用单波长混合溶液测定其组成不太现实。但恰恰可以利用神经网络方法实现对吗啉的测定。

吗啉和苯酚混合溶液的吸收曲线与吗啉的加入量存在一定的关系，该关系可用如下函数表示：

Aλi=f(c(吗啉)，c(苯酚))

(1)

由实验结果可知该函数应为非线性函数，人工神经网络对处理这类问题有明显优势。BP神经网络是一种按误差逆传播算法训练的多层前馈人工神经网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无须事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。理论已经证明，当隐层神经元数目足够多时，BP神经网络能够以任意精度逼近任何一个具有有限间断点的非线性函数。所以采用BP神经网络方法并不需要混合物的吸光度具有加和性，而只要有足够的已知数据来对网络进行训练，就相当于获得了式(1)的函数表达式。这样对于未知样只需测出其紫外吸收曲线，输入到已训练好的人工神经网络中，就可以得出待测组分的浓度。

2 测定实例

2.1 样品配制与测定

准确配制质量浓度均为1000mg·L-1的苯酚和吗啉溶液，准确移取质量浓度为1000mg·L-1的苯酚溶液0.200mL，0.400mL，0.500mL，1.000mL，1.500mL至25mL容量瓶中，再分别加入0.500mL，1.000mL，1.200mL，1.300mL，1.400mL，1.500mL，1.600mL，1.700mL，1.800mL，2.000mL质量浓度为1000mg·L-1的吗啉溶液，以蒸馏水稀释至刻度，排列组合配制50组混合溶液，再分别用紫外分光光度计以蒸馏水作为参比在200～300nm进行扫描,得到50组混合溶液的紫外吸收曲线。

2.2 神经网络的建立

用MATLAB对测定得到的50组混合溶液的紫外吸收数据进行归一化处理，选择其中20个波长下的吸光度值作为神经网络输入，以对应的混合溶液组成作为输出。在50组数据中，随机抽取5组作为验证集，其他组用于训练神经网络。以MATLAB语言编写具有3层结构的BP神经网络。输入维数为20，输入层神经元个数为10、隐含层神经元个数为20，传递函数皆为正切型Tansig函数;输出层为线性传递函数Purelin，输出维数为2，对应苯酚和吗啉的浓度。训练函数采用TRAINLM算法，当训练步数达到97时，误差平方和为0.00092，小于预设的目标误差平方和，网络训练达标。

2.3 测定结果与讨论

在所测定的混合溶液紫外吸收数据中随机抽取5组数据作为验证集，对训练好的神经网络进行仿真。得到的仿真结果以及误差、相对误差和回收率数据如表1所示。

表1 仿真结果

由表1数据可知，仿真结果与实验真实值接近，吗啉的最大误差只有1.82mg·L-1，苯酚的误差只有0.95mg·L-1，满足分析要求。说明采用人工神经网络方法能够拓宽仪器分析的应用领域。

3 结语

随着科技的发展，仪器分析的智能化程度越来越高，提供的数据信息量也越来越大。将人工神经网络引入到仪器分析实验数据处理中，可在复杂的数据中发现有用的信息，拓宽原有的仪器分析应用领域。将这种比较新颖的方法引入到学生的仪器分析实验教学中，能激发学生学习仪器分析的兴趣，启发学生进行更深层次的思考。同时也能提高仪器分析实验教学的效果。

[1] 邱雁,朱仲良,沈天翔,等.计算机与应用化学,2006,23(11):1147

[2] Zupan J,Gasteiger J.AnalyticaChimicaActa,1991,248(1):1

[3] 柳元,胡山鹰,陈定江,等.计算机与应用化学,2009,26(8):998

[4] 傅应强,陈宁生,王胜忠.应用化学,2009,26(6):734

[5] 管棣,姚鹏,张媛媛,等.化学研究与应用,2006,18(11):1283