復(fù)雜體系化學(xué)模式識別與質(zhì)量分析方法研究.pdf

1、復(fù)雜體系的化學(xué)模式識別和質(zhì)量分析一直是分析化學(xué)中極具挑戰(zhàn)性的課題。現(xiàn)代分析儀器的發(fā)展為復(fù)雜體系的分析提供了大量多維的、信息豐富的數(shù)據(jù)，如何從這些繁雜的數(shù)據(jù)中最大限度地獲取有用信息并建立有效的分析方法，是當(dāng)代分析化學(xué)工作者面臨的一個重要課題?；瘜W(xué)計量學(xué)是一門化學(xué)與統(tǒng)計學(xué)、數(shù)學(xué)、計算機科學(xué)交叉所產(chǎn)生的化學(xué)學(xué)科分支。其在數(shù)據(jù)處理、信息提取以及復(fù)雜體系的定性定量分析中具有獨特優(yōu)勢，能夠解決許多傳統(tǒng)分析方法難以解決的問題。因此，本論文主要以化學(xué)計

2、量學(xué)方法中的主成分分析、系統(tǒng)聚類分析和三維數(shù)據(jù)解析等方法為基礎(chǔ)，開展了適合復(fù)雜體系的化學(xué)模式識別與質(zhì)量分析方法研究，為提高復(fù)雜體系的分類和鑒別提供新的思路。具體內(nèi)容主要包括以下幾個方面：
　　 1．基于主成分分析在高維數(shù)據(jù)分析中具有的獨特優(yōu)勢，提出了一種主成分累積(principal component accumulation,PCAcc)分析方法，并將其用于提高兩類的辨別。該方法主要通過一種累加策略將多個主成分中的信息進(jìn)行融

3、合，并利用最終的融合信息對樣品進(jìn)行分類。該方法的特點在于，通過累加操作充分地利用了多個主成分空間中的信息，從而全面地反映了樣品的類別模式。將提出的PCAcc分析方法用于基于基因表達(dá)數(shù)據(jù)的癌癥樣品分類研究，并將所得結(jié)果與主成分分析方法及文獻(xiàn)報道方法的結(jié)果進(jìn)行了比較。結(jié)果表明，PCAcc分析方法可獲得較全面的類別信息，有效提高分類結(jié)果的準(zhǔn)確性。
　　 2．對上述PCAcc分析方法進(jìn)一步發(fā)展，使其適合多類別復(fù)雜樣品的分類研究。該方法采

4、取依次區(qū)分的方式實現(xiàn)多類別復(fù)雜樣品的分類。即依據(jù)各類樣品差異程度的不同，尋找最容易和其它類分開的一類，將多類問題簡化為兩類問題，然后采用累加策略依次實現(xiàn)各類樣品的區(qū)分。此方法的特點在于，一方面充分利用了不同主成分空間中的信息，全面地反映了樣品的類別模式，另一方面，由于對各類按差異程度的大小采取了依次區(qū)分的方式，可以更清楚地描述樣品間的差異關(guān)系。將方法應(yīng)用于不同部位及不同牌號煙草樣品的分類研究。結(jié)果表明，該方法可對多類別的復(fù)雜樣品實現(xiàn)有效

5、識別，為解決多類別復(fù)雜樣品的分類提供了新的途徑。
　　 3．將主成分分析、系統(tǒng)聚類分析與近紅外光譜技術(shù)相結(jié)合用于復(fù)雜樣品的模式識別研究，并提出了一種改進(jìn)的系統(tǒng)聚類圖以實現(xiàn)多類別煙草樣品的區(qū)分。在該方法中，首先利用主成分分析實現(xiàn)信息的提取和數(shù)據(jù)的降維，然后采用系統(tǒng)聚類分析對各類進(jìn)行相似度區(qū)分。針對傳統(tǒng)系統(tǒng)聚類圖在處理類別數(shù)目多并且每類都含有大量樣品的識別問題時，缺少有關(guān)類內(nèi)樣品差異情況和類間樣品分離情況描述的缺點，對傳統(tǒng)的系統(tǒng)聚類

6、圖進(jìn)行了改進(jìn)。在圖中分別加入描述類間區(qū)分程度和類內(nèi)樣品離散程度的參數(shù)，從而為復(fù)雜樣品的分析提供更全面、直觀的信息。
　　 4．將交替三線性分解（alternating trilinear decomposition，ATLD）算法引入復(fù)雜樣品的質(zhì)量分析研究。利用ATLD方法可以在未知干擾存在下提取感興趣信息的特點，將ATLD方法和在線近紅外光譜技術(shù)相結(jié)合用于不同批次及不同牌號煙草樣品的質(zhì)量分析。即首先采用ATLD方法提取不同批次