曲線擬合和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法定量解析分子熒光光譜及其分析應(yīng)用研究.pdf

1、隨著現(xiàn)代分析技術(shù)的發(fā)展，巨量的分析數(shù)據(jù)的獲得變得容易，數(shù)據(jù)的復(fù)雜性越來越強。獲得的化學(xué)數(shù)據(jù)中不僅包含豐富的化學(xué)信息，而且還混雜有噪聲、背景等干擾信息。傳統(tǒng)的信息數(shù)據(jù)處理方法已經(jīng)不能滿足分析的需要。本文以“化學(xué)分離”代替“化學(xué)或物理分離”用于復(fù)雜體系重疊光譜的定量解析，使得多組分的分析變得簡單、直接和快速。將曲線擬合和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法用于分子熒光分析，為光譜的應(yīng)用提供了新思路和新方法。
　　本文第一章緒論部分，簡要回顧了化學(xué)計

2、量學(xué)歷史和發(fā)展，對多元校正和分辨在光譜中的應(yīng)用進行了綜述。
　　第二章，就涉及的的相關(guān)算法的基本原理加以闡述。
　　第三章，將毛細管電泳與(Genetic Algorithm，GA)優(yōu)化輸入變量下的徑向基函數(shù)(Radial basic function，RBF)神經(jīng)網(wǎng)絡(luò)方法相結(jié)合用于定量解析重疊的毛細管電泳圖，無需分離即可實現(xiàn)對難分離的苯二酚、苯酚和對硝基苯的同時、準確定量檢測。
　　第四章和第五章，將修正高斯模型為G

3、A的適應(yīng)性函數(shù)用于擬合熒光光譜圖，有效地解決了分子熒光光譜法檢測過程中熒光光譜相互干擾的問題?？疾炝瞬煌蛞褐袃?nèi)源性熒光物質(zhì)對加替沙星(GFLX)熒光的干擾。應(yīng)用擬合熒光光譜圖可有效地消除了內(nèi)源性熒光物質(zhì)的干擾。在優(yōu)化條件下，GFLX的濃度在0.06-3.5μg.mL-1范圍內(nèi)，與其熒光強度之間具有良好的線性，相關(guān)系數(shù)為0.9994。檢出限為0.02μg.mL-l，回收率為99.2%～109.4%，相對標準偏差為1.3%-2.7%。在優(yōu)

4、化條件下，鄰苯二酚、間苯二酚和對苯二酚的濃度分別在0.02-10μg.mL-l、0.01-10μg.mL-1和0.01-10μg.mL-l范圍內(nèi)，與其熒光強度之間具有良好的線性，相關(guān)系數(shù)分別為0.9920、0.9999和0.9996，其檢出限分別為0.005μg.mL-1、0.003μg.mL-1和0.002μg.mL-1。該方法用于水中鄰、間、對苯二酚含量的同時測定，其回收率分別為為84.0%-117%，其相對標準偏差(RSD)為0.

5、3%-2.9%。本文提出的擬合同步熒光光譜法無需分離即可實現(xiàn)對尿液中的加替沙星和三種苯二酚同分異構(gòu)體同時、準確、靈敏的定量檢測，測定結(jié)果滿意。
　　第六章，在相關(guān)文獻的基礎(chǔ)上，通過模擬數(shù)據(jù)就圖的噪聲水平和子峰間的分離度與通用回歸神經(jīng)網(wǎng)絡(luò)(Generalized redrevession neural networks．GRNN)和反向傳播(Back Propogation，BP)神經(jīng)網(wǎng)絡(luò)建模的影響進行了系統(tǒng)研究。通過計算機模擬含有

6、不同噪聲和不同分離度的譜圖，平均選取譜圖上對應(yīng)的數(shù)據(jù)點作為神經(jīng)網(wǎng)絡(luò)的輸入變量，訓(xùn)練建模。對比神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差，討論了識別能力與噪聲及分離度之間的相關(guān)性，為兩種神經(jīng)網(wǎng)絡(luò)的應(yīng)用與研究提供一定的參考。研究結(jié)果顯示，在提供的訓(xùn)練條件下，兩種神經(jīng)網(wǎng)絡(luò)識別能力隨著譜圖的噪聲水平的增大逐漸降低，以BP神經(jīng)網(wǎng)絡(luò)模型的識別能力隨譜圖中子峰間分離度的增大而提高。
　　第七章，以GA優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的輸入變量，用于提高RBF神經(jīng)網(wǎng)絡(luò)重疊譜圖的定量解

7、析精度。該方法在一定程度上提高了RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測能力，緩解了神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的“過擬合”現(xiàn)象，簡化了RBF神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)，提高了RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力。本研究實現(xiàn)了對同步熒光光譜重疊譜圖的有效定量解析，在理論和實驗的結(jié)合上為RBF神經(jīng)網(wǎng)絡(luò)在光譜的應(yīng)用提供了依據(jù)。
　　第八章，將PCA用于優(yōu)化RBF的輸入變量方法用于提高神經(jīng)網(wǎng)絡(luò)的識別能力。通過PCA可去除沉余、不相關(guān)的數(shù)據(jù)點，在一定程度上提高神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)能力。應(yīng)用

8、本方法有效消除了尿液中內(nèi)源性熒光物質(zhì)對NOR熒光的干擾，建立了測定尿液中NOR的新方法，在優(yōu)化條件下，神經(jīng)網(wǎng)絡(luò)模型NOR的預(yù)測誤差為15.32%，網(wǎng)絡(luò)結(jié)構(gòu)為2：3：1。該方法快捷、方便，可實現(xiàn)尿液中NOR的無干擾測定。
　　第九章，將PCA和GA兩種數(shù)據(jù)壓縮技術(shù)分別用于RBF神經(jīng)網(wǎng)絡(luò)輸入變量的優(yōu)化，以提高神經(jīng)網(wǎng)絡(luò)模型的識別能力。以這兩種方法分別對相同的模擬數(shù)據(jù)和實驗數(shù)據(jù)進行優(yōu)化，用優(yōu)化后的數(shù)據(jù)訓(xùn)練建模，計算比較了兩種方法的神經(jīng)網(wǎng)絡(luò)