虚拟化学分光光度计的神经原型
摘要
基于人工神经网络（ANN）开发了一种用于同时分析镍和钴的虚拟化学分光光度计。所开发的 ANN 基于 Beer 定律，根据 Co-Ni 混合物的吸光度曲线关联 Co 和 Ni 的各自浓度。该虚拟化学分光计使用 3 层跳跃连接神经网络模型（NNM）进行训练，该模型具有 126 个输入节点（对应于 350 nm 至 600 nm 的 126 个吸光度读数）、70 个使用 logistic 激活函数的隐藏层节点，以及 2 个使用 logistic 函数的输出层节点。测试结果表明，NNM 在预测 [Co] 和 [Ni] 时的相关系数分别为 0.9953 和 0.9922。然而，我们观察到 NNM 具有对偶性质，且在求解对偶问题中存在现实世界的实际应用：给定 [Co] 和 [Ni]，预测 Co-Ni 混合物的吸光度曲线。结果表明，对偶问题更难求解，因为预期输出的基数远大于输入的基数。因此，我们训练了对偶 ANN，这是一种 3 层跳跃连接网络，具有 2 个对应于 [Co] 和 [Ni] 的输入节点、70 个 logistic 激活的隐藏层节点，以及 126 个对应于 250 nm 至 600 nm 的 126 个吸光度读数的输出节点。测试结果表明，对偶 NNM 在 356 nm 至 578 nm 波长范围内的相关系数介于 0.9050 至 0.9980 之间，在 480 nm 处观察到最大系数。这意味着对偶 ANN 可用于在给定各自 Co-Ni 浓度的情况下预测吸光度曲线，这对于创建虚拟化学分光光度计的学术模型可能具有重要意义。
引用
@article{arxiv.1507.07200,
title = {A Neural Prototype for a Virtual Chemical Spectrophotometer},
author = {Jaderick P. Pabico and Jose Rene L. Micor and Elmer Rico E. Mojica},
journal= {arXiv preprint arXiv:1507.07200},
year = {2015}
}
备注
5 pages, 3 figures, appeared in Proceedings (CDROM) of the 6th National Conference on IT in Education (NCITE 2008), University of the Philippines Los Ba\~nos, 23-24 October 2008