密切协同，确保供电安全运行

4.2 苷类HSCCC分离纯化中药中有效化学成分苷类化合物，主要以醋酸乙酯-水为溶剂体系基本组成，辅助溶剂为甲醇、乙醇、正丁醇、氯仿等。

Li等发现超声辅助胃蛋白酶提取的胶原与单一酶法比较，得率较高且生产周期缩短如涉及作品内容、版权等问题，请与本网联系相关链接：胃蛋白酶，明胶，-巯基乙醇，乙酸。

分散均质机T25：德国IKA公司产品。1.2.3 超声辅助酶解提取鸡肺明胶取10g脱杂鸡肺，溶于0.5mol/L乙酸，200W超声处理10min，超声处理器工作2s，停歇3s。Li等发现超声辅助胃蛋白酶提取的胶原与单一酶法比较，得率较高且生产周期缩短。1.2 试验方法1.2.1 鸡肺除杂鸡肺杂蛋白质去除参照李越的方法，并加以修改。紫外分光光度仪(UV-6100)：上海美普达仪器有限公司产品。

1.2.4明胶得率的计算明胶的得率根据Nagarajan等报道的方法测定，以去杂原料与制得样品经冷冻干燥后的质量的比值计。将制备的样品配制成质量浓度为0.1mg/mL蛋白溶液，注入1mm厚的样品池。1.2 原材料为保证标准物质均匀性及成分含量准确度受控，原始材料全部采用高纯金属粉及粉状基准试剂，质量分数均大于99.9%（部分达99.995%），材料粒径均小于0.076mm（部分材料粒径小于0.054mm），原料不能满足要求时采用特制工艺研磨加工至所需粒度，以保证充分混匀。

2.2 粒度试验取少部分精加工成合适粒度的样品，筛分为0.45～0.9mm、0.28～0.45mm、0.18～0.28mm、0.16～0.18mm、＜0.16mm5个粒径区间的样品，在相同条件下对各粒度区间的样品进行成分分析，以W-1样品为例，试验结果及加权平均值分别见表3、表4。由同一个人在同一实验室，控制相同的实验条件，采用电感耦合等离子体原子发射光谱法进行检验，统计各个部位的检验结果，计算数据间的极差，若极差小于日常分析方法允许差，则认为该样品没有明显偏析。1.3 混料、压制及烧结所有原材料采用V型混合器加合金球球磨，以保证粒径小于0.076mm，控制装填系数和混合时间，使合金混合粉充分混合均匀。如涉及作品内容、版权等问题，请与本网联系相关链接：钨合金，钨标准溶液，氯化钨。

国内外现有钨合金标准物质只有一套4种，含4种元素，不能满足特种钨合金材料成分分析的需要，各科研、生产单位采用合成标准溶液进行入厂材料、出厂产品的理化分析检验和产品质量过程控制。钨合金具有高密度、高机械强度、低热膨胀系数、抗腐蚀性和良好的机械加工等综合性能，在航空航天、军事装备、电子、化工等许多领域中得到了广泛应用

分析结果表明，卷积神经网络技术能够用于建立近红外光谱水中持久性污染物含量检测模型，且模型比传统建模方法预测精度更高。由于需要对多层结构进行大量的训练，才能使卷积神经网络模型达到最优，接下来将对模型训练集样本所占数量对模型效果的影响进一步加以讨论研究。首先采用不同的建模预测方法进行对比分析，采用卷积神经网络所建立的预测模型，其稳定性和线性预测精度均较理想，然后对比分析训练集样本个数对模型预测能力的影响，发现随着训练样本数量的增加，采用卷积神经网络技术建立的模型性能显著提高，说明在大数据环境下，卷积神经网络模型能够适应水中污染物动态检测的需求。yi样本的理化分析值。

3种污染物的预测相关系数随训练集样本数量的变化情况如图2所示。其中相关系数r值越接近于1，说明模型的拟合效果越好，RMSEC和RMSEP的值越低说明系统的稳定性越好。由表2可知，近红外光谱分析方法对水体中的氰化物、总汞和多环芳烃的预测精度较高，采用卷积神经网络建立的模型总体效果优于BP、PLSR建模方法。4 结语将卷积神经网络技术与近红外光谱检测方法相结合，应用于水中持久性污染物含量的检测，设计了一种有效的卷积神经网络回归模型，并在低浓度污染物的检测中取得了较好的效果。

采用实验样本对模型进行多次训练，对模型结构进行调整与改进。声明：本文所用图片、文字来源《化学分析计量》，版权归原作者所有。

试验过程中将模型的学习率设定为0.5，最大迭代次数设定为1000次，模型随着迭代次数的增加而收敛，且损失函数平滑下降，说明模型的学习状态较好，没有出现过拟合现象。当对模型的训练样本数量小于60时，模型得不到足够的训练，不能有效预测验证集样本中的数据。

采用卷积神经网络模型能够有效地简化光谱数据的维度，同时实现更好的预测效果。对模型进行10次重复训练和测试，得模型平均值，其结果列于表2。如涉及作品内容、版权等问题，请与本网联系相关链接：污染物，多环芳烃，氰化物。2.3 预测模型的建立采用卷积神经网络的方法建立水样中可持续污染物含量的检测模型，用MATLAB软件进行编程。将300个水样样本数据按照2∶1的比例划分为校正集和验证集，即200个样品用于对模型的训练，100个样品用于对模型的验证。采用损失函数对欧氏距离进行定义：式中：yp模型的预测值。

采用验证集样本对模型的拟合精度进行评判，根据模型评价原则，对比实验数据发现，随着训练模型样本数量的增加，卷积神经网络预测模型的预测精度和稳定性逐步提高。2.4 模型的评价引入相关系数r、均方根误差（RMSEC）、预测标准差（RMSEP）3个指标对预测模型进行评价。

由图2可以发现，随着训练集样本数目的增加，卷积神经网络建立的水中污染物含量预测模型的性能稳步提高，说明利用卷积神经网络建立水中污染物含量模型，在大数据环境下能够稳定且有效地对水体中的各污染物含量进行动态检测和预测。3.2 训练集样本数量对模型预测效果的影响为了探讨训练集样本数量的多少对卷积神经网络模型预测能力的影响，采用相同的划分方法将训练集样本按照所占总样本的10%～90%对模型进行训练，对氰化物的检测训练结果列于表3。

3 结果与讨论3.1 建模结果分析同时建立标准的BP神经网络模型，与PLSR模型进行对比，其中BP神经网络模型设定为单隐层结构。另外由于卷积神经网络模型的结构能够有效降低不相关数据对模型的影响，能够提高预测模型的鲁棒性和健壮性。

研究表明采用卷积神经网络模型独特的深度学习方法能够有效提取光谱数据的特征点，从而获取更加有效和细致的局部抽象映射。整个模型以BP神经网络为基础，设置卷积核函数对其进行初始化，将偏置设置为0，采用留一交叉验证的方法确定最佳参数整个模型以BP神经网络为基础，设置卷积核函数对其进行初始化，将偏置设置为0，采用留一交叉验证的方法确定最佳参数。2.3 预测模型的建立采用卷积神经网络的方法建立水样中可持续污染物含量的检测模型，用MATLAB软件进行编程。

其中相关系数r值越接近于1，说明模型的拟合效果越好，RMSEC和RMSEP的值越低说明系统的稳定性越好。采用验证集样本对模型的拟合精度进行评判，根据模型评价原则，对比实验数据发现，随着训练模型样本数量的增加，卷积神经网络预测模型的预测精度和稳定性逐步提高。

试验过程中将模型的学习率设定为0.5，最大迭代次数设定为1000次，模型随着迭代次数的增加而收敛，且损失函数平滑下降，说明模型的学习状态较好，没有出现过拟合现象。研究表明采用卷积神经网络模型独特的深度学习方法能够有效提取光谱数据的特征点，从而获取更加有效和细致的局部抽象映射。

如涉及作品内容、版权等问题，请与本网联系相关链接：污染物，多环芳烃，氰化物。采用卷积神经网络模型能够有效地简化光谱数据的维度，同时实现更好的预测效果。

另外由于卷积神经网络模型的结构能够有效降低不相关数据对模型的影响，能够提高预测模型的鲁棒性和健壮性。声明：本文所用图片、文字来源《化学分析计量》，版权归原作者所有。yi样本的理化分析值。2.4 模型的评价引入相关系数r、均方根误差（RMSEC）、预测标准差（RMSEP）3个指标对预测模型进行评价。

3.2 训练集样本数量对模型预测效果的影响为了探讨训练集样本数量的多少对卷积神经网络模型预测能力的影响，采用相同的划分方法将训练集样本按照所占总样本的10%～90%对模型进行训练，对氰化物的检测训练结果列于表3。3 结果与讨论3.1 建模结果分析同时建立标准的BP神经网络模型，与PLSR模型进行对比，其中BP神经网络模型设定为单隐层结构。

3种污染物的预测相关系数随训练集样本数量的变化情况如图2所示。分析结果表明，卷积神经网络技术能够用于建立近红外光谱水中持久性污染物含量检测模型，且模型比传统建模方法预测精度更高。

将300个水样样本数据按照2∶1的比例划分为校正集和验证集，即200个样品用于对模型的训练，100个样品用于对模型的验证。首先采用不同的建模预测方法进行对比分析，采用卷积神经网络所建立的预测模型，其稳定性和线性预测精度均较理想，然后对比分析训练集样本个数对模型预测能力的影响，发现随着训练样本数量的增加，采用卷积神经网络技术建立的模型性能显著提高，说明在大数据环境下，卷积神经网络模型能够适应水中污染物动态检测的需求。