Интервальный подход к анализу больших массивов физико-химических данных

• Автор: Родионова, Оксана Евгеньевна
• Шифр специальности: 01.04.17
• Научная степень: Докторская
• Год защиты: 2007
• Место защиты: Москва
• Количество страниц: 272 с.

Оглавление
Оглавление
Оглавление
Введение

Многомерные данные и формальные модели

1. Данные и модели, используемые в химическом анализе

1.1. Экспериментальные данные и информация

1.2. Модели и методы

1.3. Подготовка данных и обработка сигналов

1.4. Результат главы

2. Методы качественного анализа: исследование, классификация и дискриминация

2.1. Метод главных компонент
2.2. Классификация и дискриминация
2.3. Трехмодальные методы
2.4. Результаты главы
3. Методы количественного анализа: калибровка
3.1. Линейная калибровка
3.2. Многомодальная регрессия
3.3. Нелинейная калибровка
3.4. Результаты главы
Метод простого интервального оценивания
4. Объяснение ПИО метода
4.1. Почему погрешности ограничены
4.2. Модельный пример
4.3. Сходимость интервальных оценок
4.4. Результат главы
5. Описание метода ПИО
5.1. Область допустимых значений
5.2. Свойства ОДЗ
5.3. Предсказание отклика
5.4. Оценка р
5.5. Результат главы
6. Классификация статуса образцов
6.1. Характеристики статуса образцов

Оглавление
6.2. Диаграмма статуса образцов (ДСО)
6.3. Классификация образцов. Одномерный модельный пример
6.4. Классификация новых образцов
6.5. Результаты главы
7. Программная реализация ПИО метода
7.1. Задача линейного программирования. Основные понятия
7.2. ПИО метод как задача линейного программирования
7.3. Основные свойства, возможности, требования и ограничения программы SIC
7.4. Входная информация для программы SIC
7.5. Результаты работы программы SIC
7.6. Автоматизация работы с программой SIC
7.7. Функции рабочего листа программы SIC
7.8. Результаты главы
Методология применения методов формального моделирования
8. Применение проекционных методов совместно с методом ПИО. Наглядное представление многофакторных данных
8.1. Эксперимент. Измерение следовых концентраций нефти в воде с помощью акустических измерений
8.2. Исследование обучающего набора
8.3. Исследование проверочного набора
8.4. Исследование выбросов
8.5. Результаты главы
9. Сравнение содержательного и формального подхода к анализу кинетических данных
9.1. Оценка активности антиоксидантов
9.2. Эксперимент
9.3. Формальное моделирование
9.4. Содержательное моделирование
9.5. Сравнение методов
9.6. Результаты главы
10. Применение метода ПИО к задачам распознавания
10.1. Распознавание фальсифицированных лекарств с помощью инфракрасной спектроскопии в ближней области

Оглавление
10.2. Комбинированный метод: ПЛС дискриминация и метод ПИО
10.3. Эксперимент 1. Исследование таблеток
10.4. Математическая обработка данных
10.5. Эксперимент 2. Исследование ампул
10.6. Математическая обработка данных
10.7. Результаты главы
11. Аналитический контроль процессов
11.1. Описание многостадийного процесса
11.2. Контроль процесса. Теория
11.3. Контроль процесса. Пример применения
11.4. Оптимизация процесса; Теория
11.5. Оптимизация процесса. Пример применения
11.6. Результаты главы
12. Формирование представительной выборки образцов
12.1. Теория
12.2. Эксперимент 1. Определение влажности зерна с помощью инфракрасной спектроскопии в ближней области
12.3. Анализ данных на основе обучающего и проверочного наборов - Модель_ С
12.4. Граничная выборка, Модель_В
12.5. Сравнение репрезентативности различных выборок
12.6. Различные обучающие наборы
12.7. Эксперимент 2. Определение следовых концентраций нефти в воде
12.8. Эксперимент 3. Аналитический контроль процесса
12.9. Результаты главы
Заключение
Приложение
13. Алгоритмы
13.1. Метод главных компонент (NIPALS алгоритм)
13.2. Регрессия на главные компоненты - РГК
13.3. Проекция на латентные структуры (ПЛС)
13.4. Симплекс-метод
13.5. Вычисление положения эллипсоида
Литература

Методы качественного анализа: исследование, классификация и дискриминация
Рис. 2.3. Спектры, преобразованные процедурой МБС. N1 - истинные таблетки, N2 -фальсификат
Отрицательные значения сигнала объясняются тем, что для фона и спектров образцов были использованы различные регулировки предусиления.
Классификация на графике МГК счетов Классификация методом 51МСА
Рис. 2.4. Определение фальсифицированных лекарств. N1 - истинные таблетки, N2 -фальсификат
На Рис. 2.4а показан график МГК счетов (, 12) этих спектров. На нем четко видно две группы точек соответствующих истинным и фальсифицированным таблеткам. Разброс точек в группе N2 (контрафакт) существенно больше, чем в группе N1 (оригиналы). Это может объясняться лучшим контролем при легальном производстве