目的:建立天南星中化学成分快速表征的分析方法,并用于该药材的质量控制。方法:采用超高效液相色谱联用四级杆串联飞行时间质谱(UPLC-Q-TOF/MS)结合UNIFI质谱数据分析平台,选择Waters Acquity UPLC HSS T 3 C 18色谱柱,以0.1%甲酸水和0...目的:建立天南星中化学成分快速表征的分析方法,并用于该药材的质量控制。方法:采用超高效液相色谱联用四级杆串联飞行时间质谱(UPLC-Q-TOF/MS)结合UNIFI质谱数据分析平台,选择Waters Acquity UPLC HSS T 3 C 18色谱柱,以0.1%甲酸水和0.1%甲酸乙腈为流动相进行梯度洗脱,流速为0.35 mL/min,进样量5μL;选择电喷雾离子源,以MS^(E)模式采集正、负离子下天南星化学成分的质谱数据;通过UNIFI平台自带数据库结合文献检索建立天南星化学成分数据库,并根据化合物的精准分子质量、二级碎片离子信息及与对照品和文献数据等比对进化学成分的鉴定。结果:在正离子模式下鉴定出49个化合物,负离子模式下鉴定16个化合物,主要以有机酸、氨基酸及黄酮苷类化合物为主。其中,35个化合物可能首次从天南星中发现。结论:采用UPLC-Q-TOF/MS结合UNIFI平台的分析方法可快速鉴定天南星的化学成分,该研究结果可为天南星药效物质基础的研究以及质量控制体系建立和产品开发等提供科学依据。展开更多
为实现高超声速飞行器姿态自抗扰控制的参数整定,提出一种模糊Q学习算法。首先,采用强化学习中的Q学习算法来实现姿态自抗扰控制参数的离线闭环快速自适应整定;然后,根据模糊控制的思路,将控制参数划分为不同区域,通过设定奖励,不断更新...为实现高超声速飞行器姿态自抗扰控制的参数整定,提出一种模糊Q学习算法。首先,采用强化学习中的Q学习算法来实现姿态自抗扰控制参数的离线闭环快速自适应整定;然后,根据模糊控制的思路,将控制参数划分为不同区域,通过设定奖励,不断更新Q表;最后,将训练好的Q表用于飞行器的控制。仿真结果表明,相对于传统的线性自抗扰控制(linear active disturbance rejection control,LADRC)和滑模控制,基于Q学习的LADRC省去了人工调试参数的繁琐过程,且仍具有良好的跟踪效果。蒙特卡罗仿真测试结果验证了基于Q学习的LADRC的鲁棒性。展开更多
文摘目的:建立天南星中化学成分快速表征的分析方法,并用于该药材的质量控制。方法:采用超高效液相色谱联用四级杆串联飞行时间质谱(UPLC-Q-TOF/MS)结合UNIFI质谱数据分析平台,选择Waters Acquity UPLC HSS T 3 C 18色谱柱,以0.1%甲酸水和0.1%甲酸乙腈为流动相进行梯度洗脱,流速为0.35 mL/min,进样量5μL;选择电喷雾离子源,以MS^(E)模式采集正、负离子下天南星化学成分的质谱数据;通过UNIFI平台自带数据库结合文献检索建立天南星化学成分数据库,并根据化合物的精准分子质量、二级碎片离子信息及与对照品和文献数据等比对进化学成分的鉴定。结果:在正离子模式下鉴定出49个化合物,负离子模式下鉴定16个化合物,主要以有机酸、氨基酸及黄酮苷类化合物为主。其中,35个化合物可能首次从天南星中发现。结论:采用UPLC-Q-TOF/MS结合UNIFI平台的分析方法可快速鉴定天南星的化学成分,该研究结果可为天南星药效物质基础的研究以及质量控制体系建立和产品开发等提供科学依据。
文摘为实现高超声速飞行器姿态自抗扰控制的参数整定,提出一种模糊Q学习算法。首先,采用强化学习中的Q学习算法来实现姿态自抗扰控制参数的离线闭环快速自适应整定;然后,根据模糊控制的思路,将控制参数划分为不同区域,通过设定奖励,不断更新Q表;最后,将训练好的Q表用于飞行器的控制。仿真结果表明,相对于传统的线性自抗扰控制(linear active disturbance rejection control,LADRC)和滑模控制,基于Q学习的LADRC省去了人工调试参数的繁琐过程,且仍具有良好的跟踪效果。蒙特卡罗仿真测试结果验证了基于Q学习的LADRC的鲁棒性。
