期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
基于近红外光谱和中红外光谱技术的金振口服液中间体含量预测模型研究 被引量:4
1
作者 李秀梅 徐芳芳 +4 位作者 张欣 刘佳丽 张永超 樊成 王振中 《中草药》 CAS CSCD 北大核心 2023年第24期8007-8017,共11页
目的 采用近红外光谱(near-infrared spectroscopy,NIRS)、中红外光谱(mid-infrared spectroscopy,MIRS)技术,实现对金振口服液(Jinzhen Oral Liquid,JOL)矿、植物药浸膏中黄芩苷、汉黄芩苷、甘草酸、没食子酸和固含量5个指标和人工牛... 目的 采用近红外光谱(near-infrared spectroscopy,NIRS)、中红外光谱(mid-infrared spectroscopy,MIRS)技术,实现对金振口服液(Jinzhen Oral Liquid,JOL)矿、植物药浸膏中黄芩苷、汉黄芩苷、甘草酸、没食子酸和固含量5个指标和人工牛黄浸膏中猪去氧胆酸、胆酸和固含量3个指标的含量预测,建立预测模型。方法 收集矿、植物药、人工牛黄2种浸膏样本,采集NIRS、MIRS并测定各指标含量。优选最佳光谱预处理方法和特征波段,融合光谱数据,采用偏最小二乘(partial least square,PLS)法建立8个指标的含量预测模型,并比较其性能,选出最优的含量预测模型。结果 NIRS技术对黄芩苷、汉黄芩苷、甘草酸、猪去氧胆酸、人工牛黄固含量的预测效果较好,预测相对偏差(relative standard error of prediction,RSEP)均低于8%,故选用NIRS模型作为这5个指标的最佳模型;没食子酸、胆酸和矿、植物药固含量的融合光谱数据模型预测效果较好,RSEP值均低于6%,故选用融合模型作为这3个指标的最佳模型。结论 基于NIRS和MIRS技术建立的模型,可用于JOL浸膏中8个指标的快速检测,方法操作简单、结果可靠。 展开更多
关键词 近红外光谱 中红外光谱 金振口服液 中间体含量 光谱融合 偏最小二乘法 黄芩苷 汉黄芩苷 甘草酸 没食子酸 固含量 人工牛黄 猪去氧胆酸 胆酸 预测相对偏差
原文传递
在线近红外光谱监测桂枝茯苓胶囊流化床干燥过程水分的方法研究 被引量:18
2
作者 王晴 徐芳芳 +8 位作者 张欣 徐冰 李执栋 杜慧 张永超 相继芬 包乐伟 王振中 肖伟 《中草药》 CAS CSCD 北大核心 2019年第22期5429-5438,共10页
目的采用在线近红外光谱(NIRS)技术,建立桂枝茯苓胶囊流化床干燥过程水分实时监测模型。方法通过NIRS漫反射探头采集16个生产批次共176个样本进行建模,优选移动窗口平滑法进行光谱预处理,采用间隔偏最小二乘法(siPLS)结合移动窗口偏最... 目的采用在线近红外光谱(NIRS)技术,建立桂枝茯苓胶囊流化床干燥过程水分实时监测模型。方法通过NIRS漫反射探头采集16个生产批次共176个样本进行建模,优选移动窗口平滑法进行光谱预处理,采用间隔偏最小二乘法(siPLS)结合移动窗口偏最小二乘法(mwPLS)筛选特征变量为4759.45~5338.00 cm^−1、5503.84~6101.67 cm^−1、8512.25~8809.24 cm^−1,采用偏最小二乘(PLS)法建立水分含量多变量校正模型。结果水分预测的交叉验证均方根误差(RMSECV)为0.243%,性能偏差比(RPD)值为13.384,预测相对偏差(RSEP)为0.270%。以8个生产批次对在线监控方法的可靠性进行持续验证,结果40个样本的相对预测误差均小于4.7%。干燥过程水分实时监测趋势图显示可准确判断干燥终点,终点样本水分含量位于控制限内。结论在线NIRS结合PLS建立的定量模型,可应用于生产规模桂枝茯苓胶囊流化床干燥过程水分含量在线监控且预测性能稳健、准确。 展开更多
关键词 桂枝茯苓胶囊 流化床干燥 在线近红外光谱技术 过程分析技术 实时监测 间隔偏最小二乘法 移动窗口偏最小二乘法 水分 多变量校正模型 交叉验证均方根误差 性能偏差 预测相对偏差
原文传递
青蒿浓缩过程在线近红外快速检测模型的建立 被引量:12
3
作者 徐芳芳 冯双双 +4 位作者 李雪珂 吴建雄 毕宇安 王振中 萧伟 《中草药》 CAS CSCD 北大核心 2016年第10期1690-1695,共6页
目的建立青蒿单效浓缩过程中近红外在线快速检测模型,并讨论吸光度的变化对其模型建立的影响。方法在线收集9批浓缩液样本,偏最小二乘(PLS)法建立定量校正模型,并用此模型对1批样品进行预测。结果总酸和固含量PLS模型参数如下:决定... 目的建立青蒿单效浓缩过程中近红外在线快速检测模型,并讨论吸光度的变化对其模型建立的影响。方法在线收集9批浓缩液样本,偏最小二乘(PLS)法建立定量校正模型,并用此模型对1批样品进行预测。结果总酸和固含量PLS模型参数如下:决定系数(R2)分别为0.9679和0.9623,校正集均方根误差(RMSEC)分别为0.7835和0.9488,交叉验证集均方根误差(RMSECV)分别为0.8258和0.9780。结论青蒿浓缩液样品吸光度范围为0-2.0,该光谱建立的总酸和固含量的PLS模型的预测相对偏差(RSEP)值均在10%以内,能够满足青蒿生产过程中质量要求,说明当吸光度范围为0-2.0时,通过增加样品数和运用化学计量学方法可消除吸光度太高(即透过率太低)对青蒿近红外模型建立的影响。 展开更多
关键词 青蒿 单效浓缩过程 近红外 在线快速检测 吸光度 偏最小二乘法 定量校正模型 总酸 固含量 决定系数 校正集均方根误差 交叉验证集均方根误差 预测相对偏差 化学计量学 透过率
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部