基于遺傳算法-偏最小二乘法的紅外光譜特征提取解析烯烴共軛類型.pdf

1、分析化學是研究分析方法的科學，是人們獲得物質化學組成和結構信息的科學。從70年代末到現(xiàn)在，以計算機應用為主要標志的信息時代的來臨，給科學技術的發(fā)展帶來巨大活力，分析化學又進一步與計算機科學緊密結合。目前，各種現(xiàn)代化的分析儀器的出現(xiàn)和廣泛應用，使得在短時間內獲得物質體系大量信息成為可能，這為化學計量學的數(shù)據(jù)提取研究提供了機遇。紅外光譜的解析是化合物定性分析的重要依據(jù)。Munk等人于1990年首次將線性神經(jīng)網(wǎng)絡應用于紅外光譜的子結構解析，隨

2、后各種方法，如各種人工神經(jīng)網(wǎng)絡(ANN)，偏最小二乘(PLS)，小波變換(WT)，支持向量機(SVM)等逐步引入到紅外光譜的計算機解析中，使模式識別在紅外光譜的應用中得到很好的發(fā)展。本文嘗試將遺傳算法．偏最小二乘法(GA-PLS)作為紅外光譜特征點的挑選方法用于烯烴的特征篩選，并利用支持向量機和人工神經(jīng)網(wǎng)絡對篩選后的特征點進行分類性能的檢驗。設計了一個分等級系統(tǒng)對OMNIC數(shù)據(jù)庫中899個烯烴化合物進行分類。首先將烯烴化合物分為環(huán)烯烴和

3、鏈烯烴兩類化合物，進而對每一類烯烴進行下一級分類，以期擴大子結構，識別共軛烯烴不同的共軛基團。每一級分類都先用全譜建模后再用提取后的特征點構建模型。結果顯示，GA-PLS是一個很好的特征提取的工具，用GA-PLS提取后的特征點構建的模型分類結果優(yōu)于全譜的分類模型，降低了模型的復雜性、提高了分類器的預測能力。 在此基礎上，進一步探討了篩選出的光譜片段區(qū)與結構之間的關系。在GA-PLS提取后的特征點中，選出對應于烯烴四個片段光譜區(qū)(

4、C-H伸縮振動、C=C伸縮振動、C-H面內彎曲振動和C-H面外彎曲振動)的特征點來進行片段光譜的比較。實驗結果表明，烯烴的C-H面外彎曲振動是分類烯烴是環(huán)烯烴或鏈烯烴的最重要的片段光譜。在分類環(huán)烯烴時，C=C伸縮振動有著重要的貢獻。對于鏈烯烴的分類，烯烴的C-H伸縮振動是與雙鍵共軛的鏈烯烴區(qū)別去其他共軛鏈烯烴的最有效的光譜片段，而C=C伸縮振動是鑒別鏈烯烴化合物是否共軛以及與羰基共軛的鏈烯烴、與芳環(huán)共軛的鏈烯烴、與羰基和芳環(huán)都共軛的鏈烯