Методы декомпозиции спектральных кривых в анализе смесей сложного состава

• Автор: Монахова, Юлия Борисовна
• Шифр специальности: 02.00.02
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Саратов
• Количество страниц: 186 с. : ил.

СОДЕРЖАНИЕ
Список условных обозначений и сокращений
ВВЕДЕНИЕ
ГЛАВА 1. Обзор литературы
1.1. Хемометрика в различных областях науки
1.2. Постановка задачи о декомпозиции спектров смесей
1.3. Классификация методов автомодельного разделения кривых
1.4. Анализ независимых компонент
1.5. Метод MILCA
1.6. Метод SNICA
1.7. Предварительная обработка данных и анализ результатов декомпозиции
ГЛАВА 2. Реактивы и аппаратура
2.1. Объекты исследования. Вспомогательные вещества
2.2. Методы исследования
ГЛАВА 3. Применение алгоритмов декомпозиции различных типов спектроскопических сигналов для идентификации и количественного определения компонентов в смесях
3.1. Анализ спектров многокомпонентных смесей с использованием методов хемометрики
3.2. Применение новых алгоритмов декомпозиции для разделения спектров различной природы
3.2.1. Электронные спектры поглощения
3.2.2. Спектры флуоресценции
3.2.3. ИК спектры
3.2.4. ЯМР 'Н спектры
3.3. Оценка результатов идентификации и количественного определения соединений после
декомпозиции
3.4. Сравнение результатов декомпозиции различными
алгоритмами
Заключение к 3-ей главе
ГЛАВА 4. Влияние различных факторов на результаты декомпозиции
спектров
4.1. Физические факторы
4.2. Применение математических алгоритмов сглаживания перед декомпозицией спектроскопических сигналов
4.3. Химические факторы
Заключение к 4-ой главе
ГЛАВА 5. Спектроскопический анализ объектов сложного состава с применением алгоритмов автомодельного разделения кривых
5.1. Идентификация и количественное определение жиро- и водорастворимых витаминов
5.2. Анализ различных видов топлив
5.3. Анализ алкогольных напитков
5.3.1. Определение этанола с области 800-1100 нм
5.3.2. Многокомпонентный анализ спиртосодержащей
продукции с использованием ЯМР 'Н спектроскопии
Заключение к 5-ой главе
ГЛАВА 6. Спектроскопическое изучение равновесий и реакций с
использованием современных хемометрических
методов

6.1. Таутомерное равновесие
6.2. Комплексообразование
6.3. Кислотно-основное равновесие
6.4. Реакция окисления ароматических аминов
Заключение к 6-ой главе
ВЫВОДЫ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ

оптимизированных для специфики данных спектрального эксперимента и предоставляющих «дружественный» пользовательский интерфейс.
1C А отличается от других статистических подходов: МГК, факторного анализа и метода ПЛС. Он также отличен от алгоритмов автомодельного разделения кривых (MCR), которые способны оценивать распределение соединений в смесях, применяя эволюционный факторный анализ (EFA), интерактивный автомодельный анализ смесей (SIMPLISMA) или метод чередующихся наименьших квадратов (ALS). Применение ICA включает статистику, нейронные сети, распознавание рисунков, теорию информаций, мониторинг статистических процессов, идентификация систем (например, анализ медицинских сигналов), мониторинг статистических процессов [102].
ICA ищет разделение (декомпозицию) сигналов смесей на статистически независимые компоненты. На практике это не всегда осуществимо, так как спектры химических соединений не всегда полностью независимы (например, если содержат одинаковые или похожие функциональные группы). Таким образом, существование остаточных зависимостей разделенных сигналов может служить сигналом невозможности применимости метода или отображать факт, что выделение полностью независимых спектров недостижимо. Однако в литературе встречается относительно мало попыток использовать статистическую независимость сигналов (вычисленную, например, с помощью функции взаимной информации) в качестве критерия при автомодельном разделении кривых [64, 66]. Таким образом, наиболее адекватным было бы назвать ICA методом наименее зависимых компонент (“Least dependent Component Analysis”), так как нахождение остаточных зависимостей выделенных спектров - существенная часть метода. Техническая сторона этого поиска нуждается в алгоритме точной, быстрой оценке взаимной информации (mutual information, MI).
Основную идею метода независимых компонент можно проиллюстрировать следующим образом. Спектры «чистых» компонент S