人工神经网络-近红外光谱法定量分析Cofrel粉末药品

人工神经网络-近红外光谱法定量分析Cofrel粉末药品

刘名扬¹,²，赵景红²，张晓明³，任玉林³

1. 清华大学化学系，北京 100084； 2. 辽宁出入境检验检疫局技术中心，辽宁省大连 116001； 3. 吉林大学化学学院，长春 130012

收稿日期:2006-05-26 修回日期:1900-01-01 出版日期:2007-03-26 发布日期:2007-03-26
通讯作者: 刘名扬

Quantitative Analysis of Cofrel Medicines in Powder by Artificial Neural Network Methodnear Infrared Spectroscopy

LIU Mingyang¹,²， ZHAO Jinghong²， ZHANG Xiaoming³， REN Yulin³

1. Department of Chemistry， Tsinghua University， Beijing 100084, China； 2. Centre of Technique， Liaoning Entryexit Insection and Quarantine Bureau， Dalian 116001, Liaoning Province, China； 3. College of Chemistry， Jilin University， Changchun 130012, China

Received:2006-05-26 Revised:1900-01-01 Online:2007-03-26 Published:2007-03-26
Contact: LIU Mingyang

摘要/Abstract

摘要： 用人工神经网络(ANN)解析Cofrel药品的近红外(NIR)漫反射光谱，实现了对其有效成分磷酸苯丙哌啉的精确快速定量测定. 设计了最好的ANN模型. 分别讨论了输入层和隐含层节点数对测定结果的影响. 用HPLC法的测定结果作为标准，磷酸苯丙哌啉浓度预测值的相对误差RE (%)＜4.0%，可以应用于Cofrel药品实际生产中的质量控制.

关键词: 人工神经网络, 近红外漫反射光谱, 定量分析, 科福乐

Abstract: Artificial neural network (ANN) arithmetic was used to resolve near infrared (NIR) reflectance spectra of Cofrel medicine in powder. The contents of benproperine phosphate， which is effective pharmaceutical component in Cofrel medicine， has been accurately fast quantitatively predicted. The best model of ANN was designed. The effects of input nodes and hidden nodes on the results were discussed respectively. Comparison of the results with those of HPLC indicates the relative error of benproperine phosphate is less than 4.0%. The analytical result could be applied to the qualitative control of Cofrel medicines in practical manufacture.

Key words: artificial neural network, near infrared reflectance spectra, quantitative analysis, Cofrel

中图分类号:

O657.1

刘名扬,，赵景红，张晓明，任玉林. 人工神经网络-近红外光谱法定量分析Cofrel粉末药品[J]. J4, 2007, 45(02): 301-304.

LIU Mingyang,， ZHAO Jinghong， ZHANG Xiaoming， REN Yulin. Quantitative Analysis of Cofrel Medicines in Powder by Artificial Neural Network Methodnear Infrared Spectroscopy[J]. J4, 2007, 45(02): 301-304.

[1]	胡黄水, 沈玮娜, 王宏志, 张邦成. 面向无线传感器网络的自适应模糊神经拓扑控制算法[J]. 吉林大学学报(理学版), 2018, 56(2): 361-367.
[2]	王帅, 王楠, 徐俊平, 包岩, 李玉玺,姚凯, 迟秀宇, 沈标, 张晋京. 不同配比氮素形态对添加玉米秸秆白浆土有机碳官能团的影响[J]. 吉林大学学报(理学版), 2017, 55(03): 725-732.
[3]	许良, 闫亮亮, 李洪斌, 逯家辉, 任玉林. MW-PLS法对雷尼替丁粉末药品的定量分析[J]. 吉林大学学报(理学版), 2015, 53(04): 785-790.
[4]	杨雪薇, 杨爽, 董冰雪, 郭鲁强, 刘晖, 滕乐生. 用统计学方法优化硝苯地平脂质体处方[J]. 吉林大学学报(理学版), 2015, 53(03): 572-576.
[5]	张勇, 宋岩, 丛茜, 赵冰. 基于两种模式识别技术的盐酸左氧氟沙星注射液近红外光谱定量分析[J]. J4, 2009, 47(6): 1318-1322.
[6]	何东晓, 周春光, 刘淼, 马捷, 王喆. 手写数字识别中组合式神经网络的构建方法[J]. J4, 2009, 47(6): 1211-1216.
[7]	左平,, 李映红, 韩笑, 马驷良. 人工神经网络-红外光谱法对人体血糖的无创监测分析[J]. J4, 2008, 46(06): 1131-1136.
[8]	刘淼, 郭东伟, 马捷, 孙浩翔, 周春光. 基于椭圆模型和神经网络的人脸姿态估计方法[J]. J4, 2008, 46(04): 687-690.
[9]	刘桂霞, 于哲舟, 周春光. 基于带偏差递归神经网络蛋白质关联图的预测[J]. J4, 2008, 46(02): 265-270.
[10]	郭晔, 王彬, 曲楠, 赵羚志, 李文良, 弥宏, 任玉林. 人工神经网络-近红外光谱法非破坏监控蛇床子SFE-CO₂萃取物的质量[J]. J4, 2008, 46(02): 341-345.
[11]	李楠, 马成有, 程庆红, 王英华. 紫外分光光度法-人工神经网络在4种嘌呤同时测定中的应用[J]. J4, 2007, 45(05): 865-868.
[12]	刘名扬,, 赵景红, 孟昱. 人工神经网络-近红外光谱法非破坏定量分析Norvasc药片[J]. J4, 2007, 45(05): 849-852.
[13]	逯家辉，吴凌，郭伟良，田晓乐，陈渝飞，石健，滕利荣. 偏最小二乘法用于近红外漫反射光谱测定异福片[J]. J4, 2007, 45(03): 481-485.
[14]	李文良, 弥宏, 窦英, 陈永红, 王友兵, 任玉林. 近红外漫反射光谱法对蛇床子SFE萃取产物的质量监控[J]. J4, 2006, 44(04): 645-648.
[15]	左平, 马驷良, 马捷. 近红外光谱分析中人工神经网络法的应用[J]. J4, 2006, 44(01): 57-60.