| 摘要 | 第1-7页 |
| Abstract | 第7-15页 |
| 第1章 绪论 | 第15-29页 |
| ·课题背景 | 第15-16页 |
| ·化学计量学的发展 | 第16-17页 |
| ·国内外研究现状 | 第17-26页 |
| ·二维化学数据校正 | 第18-23页 |
| ·三维化学数据的校正 | 第23-26页 |
| ·研究内容 | 第26-28页 |
| ·研究目的和意义 | 第28-29页 |
| 第2章 理论部分 | 第29-37页 |
| ·引言 | 第29页 |
| ·遗传算法 | 第29-31页 |
| ·GA的几个基本概念 | 第30-31页 |
| ·GA的特点 | 第31页 |
| ·主成分分析 | 第31-32页 |
| ·人工神经网络简介 | 第32-37页 |
| ·通用回归神经网络 | 第33-34页 |
| ·反向传播网络 | 第34-35页 |
| ·RBF神经网络模型 | 第35-37页 |
| 第3章 径向基函数神经网络-毛细管电泳图的定量解析 | 第37-45页 |
| 摘要 | 第37页 |
| ·引言 | 第37-38页 |
| ·原理与算法 | 第38-40页 |
| ·入变量优化的实现 | 第38-39页 |
| ·RBF神经网络 | 第39-40页 |
| ·实验部分 | 第40-41页 |
| ·试剂和仪器 | 第40页 |
| ·样品的制备 | 第40页 |
| ·实验方法 | 第40-41页 |
| ·结果与讨论 | 第41-45页 |
| ·缓冲溶液的影响 | 第41页 |
| ·运行电压的影响 | 第41页 |
| ·毛细管电泳图的解析 | 第41-45页 |
| 第4章 基于GA的曲线拟合方法用于重叠荧光光谱的定量解析 | 第45-53页 |
| 摘要 | 第45页 |
| ·引言 | 第45-46页 |
| ·原理与算法 | 第46-47页 |
| ·EMG模型 | 第46页 |
| ·GA | 第46页 |
| ·GA拟合的实现 | 第46-47页 |
| ·实验部分 | 第47-48页 |
| ·试剂与仪器 | 第47-48页 |
| ·实验方法 | 第48页 |
| ·结果与讨论 | 第48-52页 |
| ·激发和发射波长 | 第48-50页 |
| ·计算机仿真数据和实验数据的解析 | 第50-52页 |
| ·分析性能 | 第52页 |
| ·尿样中GFLX的测定 | 第52页 |
| ·结论 | 第52-53页 |
| 第5章 基于GA的曲线拟合同步荧光高灵敏同时测定三种苯二酚异构体 | 第53-63页 |
| 摘要 | 第53页 |
| ·引言 | 第53-54页 |
| ·原理与算法 | 第54-55页 |
| ·EMG模型 | 第54页 |
| ·GA | 第54-55页 |
| ·实验部分 | 第55-56页 |
| ·试剂与仪器 | 第55页 |
| ·实验方法 | 第55-56页 |
| ·结果与讨论 | 第56-61页 |
| ·邻、间、对苯二酚的荧光特征 | 第56页 |
| ·邻、间、对苯二酚的同步荧光光谱 | 第56-58页 |
| ·模拟同步荧光光谱的解析 | 第58页 |
| ·实测同步荧光光谱的解析 | 第58-59页 |
| ·介质酸度对荧光强度的影响 | 第59-60页 |
| ·分析性能 | 第60页 |
| ·样品分析 | 第60-61页 |
| ·结论 | 第61-63页 |
| 第6章 GRNN和BP神经网络预测能力与分子荧光子峰分离度及噪声的相关性研究 | 第63-71页 |
| 摘要 | 第63页 |
| ·引言 | 第63-64页 |
| ·基本原理 | 第64-65页 |
| ·通用回归神经网络 | 第64页 |
| ·BP网络 | 第64-65页 |
| ·荧光光谱图的计算机模拟 | 第65-66页 |
| ·结果与讨论 | 第66-69页 |
| ·数据处理 | 第66页 |
| ·GRNN模拟数据分析 | 第66-68页 |
| ·BP神经网络模数据分析 | 第68-69页 |
| ·结论 | 第69-71页 |
| 第7章 同步荧光径向基函数人工神经网络的输入变量的优化遗传算法 | 第71-81页 |
| 摘要 | 第71页 |
| ·引言 | 第71-72页 |
| ·原理与算法 | 第72-74页 |
| ·GA | 第72-73页 |
| ·RBF神经网络 | 第73-74页 |
| ·计算机模拟和实验 | 第74-76页 |
| ·计算机模拟 | 第74-75页 |
| ·同步荧光谱图的实验 | 第75-76页 |
| ·结果与讨论 | 第76-80页 |
| ·模拟数据分析 | 第76-78页 |
| ·试验数据分析 | 第78-80页 |
| ·结论 | 第80-81页 |
| 第8章 分子荧光径向基函数人工神经网络输入变量的优化-主成分分析法 | 第81-87页 |
| 摘要 | 第81页 |
| ·引言 | 第81页 |
| ·基本原理和算法 | 第81-83页 |
| ·主成分分析 | 第81-82页 |
| ·RBF神经网络 | 第82-83页 |
| ·实验部分 | 第83页 |
| ·试剂与仪器 | 第83页 |
| ·试验方法 | 第83页 |
| ·结果与讨论 | 第83-86页 |
| ·激发和发射 | 第83-84页 |
| ·溶液pH值对NOR荧光强度的影响 | 第84页 |
| ·缓冲溶液的选择 | 第84页 |
| ·实验数据的分析 | 第84-86页 |
| ·结论 | 第86-87页 |
| 第9章 GA和PCA优化人工神经网络输入变量的对比研究 | 第87-93页 |
| 摘要 | 第87页 |
| ·引言 | 第87-88页 |
| ·原理与算法实现 | 第88页 |
| ·主成分分析 | 第88页 |
| ·RBF神经网络 | 第88页 |
| ·计算机模拟和实验 | 第88-89页 |
| ·计算机模拟 | 第88-89页 |
| ·同步荧光谱图的实验 | 第89页 |
| ·结果与讨论 | 第89-91页 |
| ·模拟数据的分析 | 第89-91页 |
| ·实验数据的分析 | 第91页 |
| ·结论 | 第91-93页 |
| 第10章 结论与展望 | 第93-97页 |
| ·结论 | 第93-95页 |
| ·论文创新点 | 第95页 |
| ·展望 | 第95-97页 |
| 参考文献 | 第97-117页 |
| 致谢 | 第117-119页 |
| 攻读学位期间取得的科研成果 | 第119页 |
