Помощь в написании студенческих работ
Антистрессовый сервис

Интервальный подход к анализу больших массивов физико-химических данных

Диссертация: Интервальный подход к анализу больших массивов физико-химических данных
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

То, что формальные методы многомерного анализа больших массивов экспериментальных данных, или хемометрика, родилась и начала бурно развиваться именно в начале 70-х годов, явно связано с появлением в то же время быстродействующей вычислительной техники, которая стала повсеместно доступна ученым и инженерам. Это позволило практически воплотить многие сложные алгоритмы обработки данных… Читать ещё >

Интервальный подход к анализу больших массивов физико-химических данных (реферат, курсовая, диплом, контрольная)

Содержание

  • 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 3. 55 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 85 6.1. Характеристики статуса образцов
    • 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 7 124 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 163 10.1. Распознавание фальсифицированных лекарств с помощью инфракрасной спектроскопии в ближней области
    • 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, МодельВ
    • 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

Работа посвящена разработке нового подхода, объединяющего современные проекционные методы и метод простого интервального оценивания, применяемого при решении важных теоретических и практических задач интерпретации больших массивов физико-химических данных. Показано, что подобный подход позволяет обрабатывать сложные наборы экспериментальных данных, пронизанных внутренними связями.

Описание экспериментальных данных, построение модели и предсказание новых значений — это одна из старейших, но вечно актуальных задач, которая активно применяется при исследовании различных физических и химических явлений. Традиционно, математические модели строились так, чтобы в математической форме выразить те или иные законы химии и физики. Однако, с совершенствованием и усложнением эксперимента, появилась необходимость анализа очень больших массивов данных. В то же время всегда существовала необходимость моделирования, хотя бы в ограниченной области, таких процессов и зависимостей которые не поддаются содержательному математическому описанию из-за сложности происходящих процессов или их не изученности. Это привело к потребности применения формальных методов моделирования и породило новую область, называемую хемометрикой. Она появилась осенью 1974 года, в городе Сиэтле, США [1]. У ее истоков стояли два человека: американец Брюс Ковальски (В. Kowalski) и швед Сванте Волд (S. Wold) — внук Сванте Аррениуса (S. Arrhenius). Хемометрика — это синтетическая дисциплина, находящаяся на стыке химии и математики. Как это часто бывает с подобными дисциплинами, хемометрика до сих пор не имеет общепризнанного определения. Наиболее популярное определение принадлежит Д. Массарту (D. Massart), [2] который считал, что хемометрика — ото химическая дищиплина, применяющая математические, статистические и другие методы, основанные на формальной логике, для построения или отбора оптимальных методов измерения и планов эксперимента, а также для извлечения наиболее важной информации при анализе экспериментальных данных. С таким определением согласятся, наверное, многие практики. Однако область науки должна определятся не через методы и инструменты, которые она использует, а через цели и задачи, которые она преследует. Разумеется, задача извлечения информации из накопленных данных по-прежнему остается крайне важной, как с практической, гак и с теоретической точки зрения, однако сейчас становится очевидным, что не менее важной является и задача конструирования таких экспериментов, которые могут предоставить данные, в которых содержится нужная информация. Эти два разнозначных аспекта — извлечение информации из данных и получение данных с нужной информацией — нашли свое отражение в современном определении хемометрики, данном С. Волдом [3]. Хемометрика решает следующие задачи: как получить химически важную информацию из экспериментальных данных, как организовать и представить эту информацию, и как получить данные, содержащую такую информацию.

То, что формальные методы многомерного анализа больших массивов экспериментальных данных, или хемометрика, родилась и начала бурно развиваться именно в начале 70-х годов, явно связано с появлением в то же время быстродействующей вычислительной техники, которая стала повсеместно доступна ученым и инженерам. Это позволило практически воплотить многие сложные алгоритмы обработки данных, в особенности методы анализа многооткликовых и многофакторных экспериментов. В свою очередь, это побудило производителей приборов разрабатывать более сложное оборудование, способное производить многократно большее количество измерений. Однако вскоре оказалось, что большее количество данных еще не означает большее количество информации, необходимой исследователю. Это подвигло их активно применять математические методы для извлечения такой информации и для подтверждения того, что сделанные при этом выводы достоверны. В результате такого взаимодействия был достигнут первый несомненный успех. Оказалось, что очень часто традиционные аналитические методы, требующие больших затрат труда, времени, уникального оборудования, дорогих реактивов, могут быть заменены на косвенные методы, которые гораздо быстрее и дешевле. Наиболее ярко эта тенденция проявилась при использовании инфракрасной (ИК) спектроскопии, особенно в ближней области (БИК), прежде считавшейся малополезной из-за высокого и трудно устранимого шума, обусловленного интенсивным поглощением воды и эффектом рассеяния в спектрах отражения [4]. Первые работы по хемометрике были посвящены методам анализа спектроскопических данных [5−7], построению для них калибровочных моделей с помощью метода главных компонент [8] и метода проекций на латентные структуры [9].

Говоря об истории развития методов многомерного анализа данных, нельзя не отметить ученых, которые еще задолго до 70-х заложили основы хемометрического подхода. Начать, очевидно, нужно с К. Гаусса (К. Gauss), который в 1795 году ввел метод наименьших квадратов. Первым практикующим хемометриком следует, по-видимому, считать У. Госсета (W. Gosset), известного под псевдонимом Стьюдент, который в конце 19 века применял методы анализа данных [11] на пивоварне Гиннеса, где он работал аналитиком. В начале 20 века появилась работа К. Пирсона (К. Pearson) [10], в которой был предложен метод главных компонент, несколько позднее работы Р. Фишера (R. Fisher) — автора многочисленных статистических методов, таких как метод максимума правдоподобия и факторного анализа [12], а также пионерских работ [13] по планированию эксперимента. Среди советских ученых следует отметить, прежде всего, В. Налимова, внесшего значительный вклад в теорию планирования эксперимента [14].

Хемометрика зародилась, и длительное время развивалась внутри аналитической химии. Однако со временем обнаружилась тенденция, которую некоторые исследователи расценили, как выход хемометрики из-под крыла аналитической химии и превращение ее в самостоятельную дисциплину. Два обстоятельства дали повод к такому выводу. Во-первых, это усложнение математического аппарата, используемого при анализе многофакторных экспериментов. Десять лет назад экспериментаторы смогли усвоить и принять многомерный подход к анализу данных, т. е. такие методы как проекция на латентные структуры (ПЛС) [15] или разложение по сингулярным значениям (SVD) [16]. Однако потом, в период повального увлечения новыми методами анализа данных: мультимодальным подходом (n-way) [17], вэйвлет-анализом (wavelet) [18], методом опорных векторов (SVM) [19] и т. п., наметился некоторый разрыв между экспериментаторами и теоретиками. Второе обстоятельство, приведшее к отдалению хемометрики от аналитической химии, связано с появлением многочисленных приложений, в которых хемометрический подход с успехом применялся в областях, далеких от аналитической химии. Достаточно вспомнить о гиперепектральном анализе и анализе изображений (MlА) [20], многомерном статистическом контроле процессов (MSPC) [21], а также о многочисленных биофизических и биологических приложениях [22].

Методы многомерного анализа данных тесно связана с математикой и, в особенности, с математической статистикой, откуда они черпает свои идеи. Большинство экспериментаторов понимают необходимость примеиения статистики в физическом и химическом анализе и используют ее для вычисления средних, отклонений, пределов обнаружения, проверки гипотез и т. п. Часто именно эти простые приемы и называют хемометрическим подходом, и лишь немногие исследователи решаются пойти дальше и действительно использовать хемометрику для анализа своих данных. Большинство аналитиков-практиков не любят математику, и сложные уравнения пугают их. Однако для эффективного практического применения хемометрики совсем не обязательно знагь статистическую теорию метода главных компонент, достаточно понимать основы, базовые идеи этого подхода. А вот что действительно необходимо знать — это методы подготовки данных, принципы отбора переменных, и, самое главное, надо уметь правильно интерпретировать проекции данных (нагрузки и счета) в пространстве главных компонент. Хотя этот навык, как показывает многолетняя практика обучения хемометрикс «без уравнений», можно приобрести и без глубоких математических познаний.

Взаимоотношения хемометрики и математики заслуживают отдельного рассмотрения. Многие методы и алгоритмы, популярные в хемометрике, не вызывают восторга у математиков [24], которые справедливо считают их плохо обоснованными с формальной точки зрения. Хемометрики всегда рассматривали свою деятельность как компромисс между возможностью и необходимостью, полагая, что главное — это практический результат, а не теоретическое обоснование невозможности его достижения. Сталкиваясь с практическими задачами интерпретации очень больших и сложно организованных массивов экспериментальных данных [25], хемометрики изобретают все новые и новые методы их анализа. Делают они это так быстро, что математики, по словам американского статистика Д. Фридмана (J. Friedman), не успевают не только раскритиковать их за это, но и просто понять, что же происходит в этой области. Такой подход контрастирует с ситуацией, сложившейся в биометрике [26], которую можно считать, в каком-то смысле, старшей сестрой хемометрики. Со времен Фишера биометрики традиционно применяют только хорошо апробированные, классические методы математической статистики, такие как факторный анализ, или линейный дискриминаптный анализ. С другой стороны, специалисты, работающие в другой близкой дисциплине — психометрике [27], традиционно активно разрабатывали новые подходы к анализу данных. Так, самый популярный в хемометрике метод ПЛС, был изобретен Г. Волдом (Н. Wold) [28] именно для применения в этой области. Забавно, что в начале 70-х годов господствовало мнение, что проекционные методы: «малоприемлемы в физических, технических' и биологических науках. Они могут быть полезны иногда в общественных науках как метод отыскания эффективных комбинаций переменных» [29, т.2. стр.48].

Благодаря такому «агрессивному» подходу к анализу данных, хемометрика нашла многочисленные применения в самых разных — смежных и далеких от химии областях. Она применяется в физической химии для исследования кинетики [30], в органической химии для предсказания активности соединений по их структуре (QSAR) [31], в химии полимеров [32], в теоретической и квантовой химии [33]. Хемометрика используется в самых разнообразных областях — от пивоварения [34], до астрономии [35]. Она применяется для решения судебных споров о защите окружающей среды [36] и для контроля качества производства полупроводников [37]. Подробный анализ взаимодействий хемометрики с различными областями человеческой деятельности приведен в книге английского аналитика Р. Бреретона (R. Brereton) [38].

Некоторые направления хемометрики развивались и в СССР, и позднее в России. Так, например, еще в 50-е годы в Харьковском университете под руководством Н. Комаря проводились исследования по математическому описанию равновесий [39]. Позднее появились работы J1. Грибова [40] и М. Эляшберга по спектральным методам [41], Б. Марьянова по титраметрии [42], Б. Дерендяева и В. Вершинина по методам компьютерной идентификации органических соединений [43], И. Зенкевича по хроматографии [44]. Исследования в близкой к хемометрике области QSAR ведутся под руководством Н. Зефирова [45]. Метрологические аспекты и контроль качества химического анализа исследуются в работах В. Дворкина [46] и Ю. Карпова [47]. В С.-Петербургском университете группа ученых под руководством Ю. Власова работает над созданием сенсорных систем, известных под названием «электронный язык» [48], а в Воронеже разрабатываются аналогичные методы, известные как «электронный нос» [49]. Во всех этих областях интенсивно используются хемометрические методы. В. Разумов и его коллеги из Черноголовки применяют многомерные методы анализа данных при решении задач химической кинетики [50, 51]. За последние годы в России появились новые группы ученых, разрабатывающих и применяющих хемометрические подходы: в Москве [52−55], в Барнауле [56, 57], в Томске [58], в Иркутске [59].

Информационное и программное обеспечение. Единственная широко-известная в России книга по хемометрике была переведена и опубликована 20 лет назад [60]. Она ярко отражала положение дел в этой области, сложившееся в середине 80-х годов. На сегодняшний день наиболее полным изложением хемометрических методов является двухтомник, написанный группой авторов под руководством Д. Массарта [61, 62]. Он включает подробное описание основных методов и приемов, большое количество практических приложений, а так лее обширный список литературы. Помимо этого, существует множество книг и учебников, ориентированных на очень разный круг читателей. Так, для студентов и специалистов в области аналитической химии, начинающих осваивать хемометрику, проще начать с книги [38]- исследователям, занимающимся, в основном, спектральным анализом, будут понятнее книги [63, 64]. Для практического применения очень полезна книга [65]. Также нельзя не упомянуть знаменитую книгу Е. Малиновского (Е. Malinowski) [66], которую до сих пор многие экспериментаторы считают лучшим учебником в этой области. Теоретические основы хемометрики были изложены в работах [67,68]. Недавно на русский язык был переведен учебник [69], содержащий краткое описание хемометрики в одной из своих глав. Небольшое, но очень полезное введение в хемометрику написал Б. Марьянов [70]. Маленьким тиражом (для участников трех конференций по хемометрики в России) был издан сокращенный перевод самого популярного в мире учебника по многомерному анализу данных, написанного К. Эсбенсеном (К. Esbensen) [71].

Проблемам хемометрики посвящены два специализированных журнала: Journal of Chemometrics и Chemometrics and Intelligent Laboratory Systems. Статьи, где хемометрические методы используются в прикладных задачах, регулярно печатаются более чем в 50-ти научных журналах, таких как Vibrational Spectroscopy, Analytica Chimica Acta, Computers and Chemical Engineering, Analyst, Talanta, и т. д. Число статей, использующих хемометрические методы в качестве основного инструмента для анализа и обработки экспериментальных данных, возрастает с каждым годом (см. Рис 1.) [72] В качестве программного обеспечения применяются специализированные пакеты программ [73−75], позволяющие наглядно и быстро обрабатывать данные в интерактивном режиме. Однако широко применяются и статистические пакеты общего назначения [76, 77]. Часто исследователи пишут.

1974 1979 1984 1989 1994 1999 2004.

ГОД.

Рис I. Число статей по хемометрикс, опубликованных в журналах издательства Elsevier процедуры сами, например, в кодах MATLAB [78], и они публикуются для свободного применения, например [68].

Несмотря на всевозможные и разнообразные приложения, хемометрика несомненно является химической дисциплиной. Ее широкое распространение и применение в первую очередь обусловлено тем, что главной своей целью хемометрика видит решение конкретных, в основном химических задач, а потом находит уже существующие или разрабатывает новые математические и статистические приемы и алгоритмы.

Эта работа выполнялась в тесном сотрудничестве со многими коллегами. Большой вклад в разработку алгоритмов и написание программ, так же в обсуждении результатов работы внес A.JI. Померанцев (ИХФ РАН), оригинальная физико-химическая моделей для ДСК эксперимента была предложена Е. В. Быстрицкой (ИХФ РАН). Большое влияние на проведение работ в области хемометрики оказал К.Н. Esbensen (Aalborg University Esbjerg). Экспериментальные данные, используемые в работе, были получены А. А. Крючковым (НИИКП), L. Р. НошшПег и К.Н. Esbensen (Aalborg University Esbjerg), P. Geladi (Swedish University of Agricultural Sciences).

Многомерные данные и формальные модели.

В этом разделе в систематическом виде вводятся основные понятия и объекты, с которыми работает исследователь при анализе результатов физического или химического эксперимента с помощью хемометрических методов. Материал этого раздела представлен в работах [72, 79].

Обозначения и термины. В работе используются следующие обозначения. Скалярные переменные выделяются курсивом, например s. Векторы (столбцы) обозначаются прямыми жирными строчными буквами, например х, а матрицызаглавными, например W. Мультимодальные матрицы еще и выделяются курсивом, например G. Элементы массивов обозначают той же, но строчной буквой, например w\ — это элемент матрицы W. Индекс / обозначает строку матрицыон изменяется от 1 до I. Индекс j соответствует столбцу, и он меняется от 1 до J. Аналогичные обозначения применяются и для других индексов, например К. Операция транспонирования обозначается верхним индексом t, например Хг. В описании алгоритмов, верхний индекс, так же обозначает номер итерации, например рш, обозначает вектор р, вычисленный на т-ой итерации.

В русском языке до сих пор не сложилась общепризнанная система хемометрических терминов. Некоторые понятия переводились ранее неверно или неточно. Например, фундаментальный хемометрический метод PLS первоначально расшифровывался как Partial Least Squares. На русский язык это переводилось как «частичные» или «частные наименьшие квадраты», что никак не соответствовало сути метода. К счастью, в последнее время, оригинальная трактовка аббревиатуры PLS изменилась на Projection on Latent Structures, что дословно переводится как «проекция на латентные структуры». Термины soft и hard, часто используемые в хемометрике для характеристики методов моделирования, должны, по нашему мнению, переводиться словами формальный и содержательный. Это точнее отражает суть этих понятий. При переводе понятия N-way используется термин N-модальпый. Может быть, это и не лучшее решение, но применение традиционного термина тензорного анализа «валентность» в химическом контексте, будет неудачным. Во многих случаях переводчики просто избегали давать русские названия ключевым хемометрическим понятиям, таким как scores и loadings, используя вместо них сложные эвфемизмы.

Однако в хемометрике невозможно обойтись без понятий счета и нагрузки, или их аналогов.

Хемометрика — это наука о сокращениях. В данном случае имеется в виду не понижение размерности данных, а то, что в хемометрике часто используются аббревиатуры: РСА, PLS, PCR, RMSEP и т. п. У некоторых из них есть общепринятые русские аналоги, которые и используются в дальнейшем в тексте. Например, РСА — это МГК (метод главных компонент), PCR — это РГК (регрессия на главные компоненты), PLS — ПЛС (проекция на латентные структуры). А так же имеется множество сокращений, не имеющих устоявшихся русских аналогов. В тексте эти аббревиатуры используются в английской нотации. Ниже они расшифрованы.

ALS (alternating least-squares) — чередующиеся наименьшие квадраты;

ANN (artificial neural network) — искусственная нейронная сеть;

DASCO (discriminant analysis with shrunk covariance matrices) — дискриминантный анализ с сокращенной ковариационной матрицей;

EFA (evolving factor analysis) — эволюционный факторный анализ;

GA (genetic algorithm) — генетический алгоритм;

IA (immune algorithm) — иммунный алгоритм;

INLR (implicit non-linear latent variable regression) — неявная нелинейная регрессия на латентных переменных;

ITTFA (iterative target transformation factor analysis) — итерационный целевой факторный анализ;

KNN (k-nearest neighbours) — классификация по К ближайшим соседям;

LOO (leave one out) — метод перекрестной проверки с исключением по одному образцу;

MIA (multivariate image analysis) — многомерный анализ изображений;

MSC (multiplicative signal correction или multiplicative scatter correction) -множественная коррекция сигнала или мультипликативная коррекция рассеяния;

MSPC (multivariate statistical process control) — многомерный статистический контроль процессов;

NAS (net analyte signal) — полезный аналитический сигнал;

NIPALS (non-linear iterative projections by alternating least-squares) — нелинейное итерационное проецирование при помощи чередующихся наименьших квадратов;

OSC (orthogonal signal correction) — ортогональная коррекция сигнала;

PARAFAC (parallel factor analysis) — параллельный факторный анализ;

PAT (process analytical technology) — аналитический контроль процессов;

PC (principal component) — главная компонента (ГК);

PLS-DA (PLS discriminant analysis) — дискриминантный анализ с помощью регрессии на латентные структуры;

PMN (penalized minimum norm projection) — проекции с помощью штрафных функций минимума нормы;

QPLS (quadratic PLS) — квадратичный PLS;

QSAR (qualitative structure-activity relationship) — количественная связь структура-активность;

RMSEC (root-mean square error of calibration) — среднеквадратичный остаток калибровки;

RMSEP (root-mean square error of prediction) — среднеквадратичный остаток прогноза;

SIMCA (soft independent modeling of class analogy) — формальное независимое моделирование аналогий классов;

SIMPLISMA (Simple-to-use interactive self-modeling mixture analysis) — простой интерактивный автомодельный анализ смесей;

SIMPLS (simple partial least squares regression) — элементарные последовательные наименьшие квадраты;

SMCR (self-modeling curve resolution) — метод автомодельного разрешения кривых;

SPC (statistical process control) — статистический контроль процессов;

SVD (singular value decomposition) — разложение по сингулярным значениям;

SVM (support vector machine) — метод опорных векторов;

WFA (window factor analysis) — оконный факторный анализ.

Заключение

.

Необходимость широкого применения и дальнейшего развития многомерных методов анализа данных востребована и тесно связана с тенденциями развития техники физико-химических экспериментов. Во-первых, объекты анализа становятся более сложными и комплексными. Во-вторых, методы анализа меняются таким образом, чтобы обеспечить получение необходимых данных в режиме реального времени (in line). В-третьих, резко увеличивается объем данных, которые повсеместно становятся многомерными и многомодальными. Увеличивается роль гибридных и композиционных методов анализа. В-четвертых, искомая химическая информация очень глубоко спрятана в этих данных и все менее формализована. В-пятых, прослеживается тенденция в изменении организации физико-химического эксперимента — вместо исследования одной пробы в одном опыте, используется системный подход, в котором много разных проб автоматически испытываются одновременно разными методами, в разных условиях (например, технология микрочипов). В-шестых, акцент в исследовании все чаще переноситься на биологические объекты и биохимические процессы.

Все эти тенденции, ставят перед исследователем две главные задачи. Первая — как придумать, организовать, спланировать эксперимент с тем, чтобы получить данные, из которых, в принципе, можно получить нужную химическую информацию. Вторая — как извлечь и интерпретировать эту информацию. Для решения этих задач исследователь должен, в значительной мере, использовать опыт и инструментарий хемометрики. Однако широкое использование формальных методов затруднено методологическими проблемами. Исследователь, привыкший использовать в своей практике, пусть и весьма приближенные, но содержательные физико-химические модели считает хемометрический подход слишком формальным и поверхностным. С другой стороны, в арсенале хемометрических методов до сих пор существуют плохо разработанные аспекты. Например, существенным недостатком проекционных регрессионных методов (РГК, ПЛС и пр.) является то, что все эти методы дают результат предсказания в виде точечной оценки, тогда как на практике часто нужна интервальная оценка, учитывающая неопределенность прогноза.

В работе рассмотрены теоретические, алгоритмические и методологические аспекты хемометрических методов обработки больших массивов физико-химических данных. Обобщая полученные результаты, можно сформулировать следующие выводы.

В теоретической части работы были получены следующие результаты.

1. Представлен и теоретически обоснован метод простого интервального оценивания (ПИО), предназначенный для решения линейных задач калибровки и прогнозирования больших массивов экспериментальных данных. Доказаны основные свойства метода: ограниченность, состоятельность, несмещенность.

2. Обосновано предположение об ограниченности погрешностей, лежащее в основе метода ПИО. Показано, что это допущение является не недостатком, а преимуществом метода, так как, с практической точки зрения, оно более обоснованно, чем традиционное допущение о нормальности, а, следовательно, и неограниченности погрешностей.

3. Показано, что метод ПИО вычисляет оценки неизвестных параметров модели в виде области в пространстве параметров, что, в свою очередь, позволяет представить результаты прогноза отклика в интервальном виде, учитывающим все погрешности (измерения, моделирования и пр.). Это является существенным преимуществом в сравнении с традиционным регрессионным анализом, где результат прогноза — это точечная оценка.

4. Приведены аргументы в пользу того, что ПИО-оценки, построенные на основе экстремальных статистик, являются более эффективными, чем традиционные гладкие оценки. Это открывает новое направление исследований в области прикладной статистики — построение суперэффективных оценок.

5. На основе метода ПИО разработан новый подход к классификации статуса образцов и интерпретации прогнозных интервалов. Введены новые понятия: ПИО-остаток и ПИО-размах, диаграмма статуса образцов (ДСО). Введены понятия внутренних, внешних, граничных образцов. Дано определение выбросов и абсолютно внешних образцов.

6. Разработаны новые методы статистического контроля процессов. Метод, названный расширяющимся многомерным статистическим контролем, основан на построении серии ПЛС моделей, совместно с ПИО моделированием. Он позволяет вычислять как точечные, так и интервальные оценки выходного параметра на промежуточных стадиях процесса. Предложен также метод активной оптимизации, разработаны различные стратегий оптимизации.

7. Предложен новый метод выбора представительных (влиятельных) образцов из экспериментального набора данных, названный методом граничных образов.

К практическим результатам работы следует отнести.

8. Разработку общего алгоритм, объединяющего проекционные методы (РГК, ПЛС1, ПЛС2), метод линейного программирования (симплекс-метод), оригинальный алгоритм приведения задачи к каноническому виду, алгоритм определения статуса образцов и построения ДСО.

9. Создание компьютерной программы SIC — надстройки для программы Excel. С ее помощью можно проводить обработку данных, оценивать точность построенной модели, проводить классификацию образцов в зависимости от их влиятельности на модель, для образцов из обучающего набора, и оценить близость новых образцов к модели. Эффективность программы проверена с помощью имитационного моделирования, примеров описанных в литературе, а так же на большом числе реальных экспериментальных данных.

Созданная методология расширяет область применения хемометрических методов для построения моделей многомерной калибровки. Новый подход объединяет проекционные методы и метод простого интервального оценивания.

9. Метод ПИО позволяет обрабатывать очень большие массивы экспериментальных данных пронизанных внутренними связями. Результат прогноза представляется в интервальной форме, учитывающий неопределенность в прогнозе индивидуально для каждого образца (главы 9−12).

10. На примере предсказания активности антиоксидантов проведено сравнение формального (ПИО) и содержательного (нелинейная регрессия) моделирования. Показано, что содержательный подход позволяет проводить экстраполяцию, однако при этом нельзя ограничить область экстраполяции. Формальный метод имеет строгую область применимости, очерченную с помощью техники ПИО статуса. Он дает надежные результаты при решении задач классификации или интерполяции.(тлава. 9).

11. Разработанная классификации образцов имеет практическое значение не только в рамках метода ПИО. Статус образца имеет смысл и в рамках классических регрессионных моделей, использованных для определения следовых концентраций нефти в воде (глава 8) и определения качества зерна (глава 12).

12. Диаграмма статуса образцов является простым и удобным инструментом для визуализации и детального анализа сложных многофакторных данных. Примеры использования ДСО приведены в главах 8−12.

13. Для того, чтобы калибровка была надежной, необходимо правильно выбрать набор обучающих, а также проверочных образцов. ПИО метод позволяет разделить обучающий набор на граничные, наиболее важные образцы с точки зрения построения модели, и внутренние, «избыточные» образцы. Кроме того, ПИО метод предоставляет детальный анализ статуса образцов проверочного набора. Такая диагностика основывается на диаграмме статуса образцов (разделы 8.2−8.3).

14. При применении построенной калибровки необходимо учитывать возможность появления необычных новых образцов. Преимуществом ПИО метода является возможность обнаружения таких образцов, которые заведомо плохо совместимы с имеющейся моделью. Это гарантирует, что при использовании модели мы не выйдем за область ее действия, т. е. будем находиться в условиях интерполяции (раздел 8.4).

15. Дополнение стандартного метода ПЛС дискриминации методом ПИО повышает информативность при решении задачи распознавания. Предложенный подход показал высокую эффективность применительно к решению задачи распознавания фальшивых лекарственных средств (глава 10).

16. Задачей количественного анализа является надежное предсказание откликов для новых образцов. Для сравнение различных моделей необходимы методы анализа их предсказательной способности. Сравнения моделей только по средним показателям недостаточно. Предлагается для такого сравнения использовать ДСО построенную для проверочного набора и индивидуальные характеристики (ПИО размах и ПИО остаток) для каждого образца (глава 12).

Показать весь текст

Список литературы

  1. Geladi P., Esbensen К. Chemometrics, a growing and maturing discipline (Editorial). Chemom. 1. tel! Lab. Syst., 7, 197 (1990)
  2. Massart D.L. Chemometrics: a textbook. Elsevier, NY, 1988
  3. Wold S. Chemometrics- what do we mean with it, and what do we want from it? Chemom. Intel! Lab. Syst., 30, 109 (1995)
  4. Blanco M., Villarroya I. NIR spectroscopy: a rapid-response analytical tool. Trends Anal. Chem., 21, 240 (2002)
  5. Osborne B.G., Fearn T. Near Infrared Spectroscopy in Food Analysis. Longman Scientific and Technical, Harlow, Essex, England, 1986
  6. Blanco M., Coello J., Iturriaga H., Maspoch S., Rovira E. Determination of water in ferrous lactate by near infrared reflectance spectroscopy with a fibre-optic probe. J. Pharm. Biomed. Anal., 16, 255 (1997)
  7. Espinosa A., Lambert D., Valleur M. Use NIR technology to optimize plant operations. Hydrocarbon Process, 74, 86 (1995)
  8. Nass Т., Irgens C., Martens H. Comparison of linear statistical methods for calibration of NIR instruments. Appl. Stat., 35, 195 (1986)
  9. Martens H., Nses T. Multivariate calibration. I. Concepts and distinctions. Trends Anal. Chem., 3, 204(1984)
  10. Pearson K. On lines and planes of closest fit to systems of points in space. Philosopher Mag., 2 (6), 559(1901)
  11. Gosset W.S.(«Student»). The probable error of a mean. Biometrika, 6, 1 (1908)
  12. Fisher R.A. Statistical methods for research workers. Oliver and Boyd, Edinburgh, 1925
  13. Fisher R.A. The design of experiments. Oliver and Boyd, Edinburgh, 1935
  14. В. Применение математической статистики при анализе вещества. М, 1960
  15. Wold S., Esbensen К., Geladi P. Principal component analysis. Chemom. Intell. Lab. Syst., 2,37(1987)
  16. Shrager R.I. Chemical transitions measured by spectra and resolved using singular value decomposition. Chemom. Intell. Lab. Syst., 1, 59 (1986)
  17. Geladi P., Grahn H. Multivariate Image Analysis. Wiley, Chichester, 1996
  18. Walczak В., Massart D.L. Wavelets — something for analytical chemistry? Trends Anal. Chem., 16,451,(1997)
  19. Belousov A.I., Verzakov S.A., von Frese J. Application aspects of support vector machines. J. Chemom., 16, 482 (2002)
  20. Gelad P., Esbensen K. Regression on multivariate images: Principal component regression for modeling, prediction and visual diagnostic tools. J. Chemom., 5, 97 (1991)
  21. Nomikos P., MacGregor J.F. Monitoring batch processes using multiway principal component analysis. American Inst. Chem. Engin. J., 40, 1361 (1994)
  22. SchaeferlingM., Schiller S. Pau H. l, Kruschina M., Pavlickova P., Meerkamp M., Giammasi C., Kambhampati D. Application of self-assembly techniques in the design of biocompatible protein microarray surfaces. Electrophoresis, 23, 3097 (2002)
  23. Ferreira M.M.C. 9th International Conference on Chemometrics in Analytical Chemistry (CAC-2004), Lisbon, Portugal. J. Chemom., 18, 385 (2004)
  24. Frank I.E., Friedman J.H. A statistical view of some chemometrics regression tools (with discussion). Technometrics, 35, 109 (1993)
  25. Wold S., Berglund A., Kettaneh N. New and old trends in chemometrics. How to deal with the increasing data volumes in R&D&P -with examples from pharmaceutical research and process modeling. J. Chemom., 16, 377 (2002)
  26. Molenberghs G. Biometry, Biometrics, Biostatistics, Bioinformatics,., Bio-X. Biometrics, 61, 1 (2005)
  27. А.Г. Традиционная психометрика и экспериментальная психосемантика: объектная и субъектная парадигмы анализа данных. Вопросы Психологии, 5, 34 (1982)
  28. H., Смит Г. Прикладной регрессионный анализ, (в 2-х т.) Москва, Финансы и статистика, 1987 N.R. Draper, Н. Smith, Applied regression analysis, Wiley, N.Y.
  29. O.E., Померанцев A.JI. Об одном методе решения обратной кинетической задачи по спектральным данным при неизвестных спектрах компонент. Кинетика и катализ, 45, 485 (2004)
  30. Koh H.-L., Yau W.-P., Ong P.-S., Hegde A. Current trends in modern pharmaceutical analysis for drug discovery. Drug Discov. Today, 8, 889 (2003)
  31. Pomerantsev A.L., Rodionova O.Ye. Hard and soft methods for prediction of antioxidants' activity based on the DSC measurements. Chemom. Intell. Lab. Syst., 79, 73 (2005)
  32. JI. А. Математические методы и ЭВМ в аналитической химии, М. 1989
  33. Siebert K.J. Chemometrics in Brewing A Review. J. Am. Soc. Brew. Chem., 59, 147 (2001)
  34. Johnson G.W., Ehrlich R. State of the art report on multivariate chemometric methods in environmental forensics. Environ. Forensics, 3, 59 (2002)
  35. WiseB.M., Gallagher N.B., Martin E.B. Application of PARAFAC2 to fault detection and diagnosis in semiconductor etch. J. Chemom., 15, 285 (2001)
  36. Brereton R.G. Chemometrics: Data analysis for the laboratory and chemical plant. Wiley, Chichester, UK. 2003
  37. Н.П. Основы качественного химического анализа. Харьков, 1955
  38. Л.А., Баранов В. И., Эляшберг М. Е. Безэталонный молекулярный спектральный анализ. Теоретические основы. М. Едиториал УРСС, 2002
  39. М. Экспертные системы для установления структуры органических молекул спектральными методами. Успехи химии, 68, 579 (1999)
  40. ., Зарубин А., Шумар С. Статистический анализ данных дифференцированного потенциометрического осадительного титрования бинарной смеси трех гетеровалентных ионов с помощью линейных характеристик. Журн. аналит. химии, 58, 1126 (2003)
  41. В.И., Дерендяев Б. Г., Лебедев К. С. Методы компьютерной идентификация органических соединений. М. Академкнига, 2002
  42. Zenkevich I.G.- Kranicz В. Choice of nonlinear regression functions for various physicochemical constants within series of homologues. Chemom. Intell. Lab. Syst., 67, 51 (2003)
  43. Н.М., Баскин И. И., Палюлин В. А., Зефиров Н. С. Нейронные сети как метод поиска зависимостей структура свойство органических соединений. Успехи химии, 72, 706 (2003)
  44. В.И. Метрология и обеспечение качества количественного химического анализа. М. Химия, 2001
  45. Ю. А., Полховская Т. М. Стандартизация и метрология в металлургическом производстве. М. МИСИС, 1989
  46. Ю.Г., Легин А. В., Рудницкая A.M. Мультисенсорные системы типа электронный язык- новые возможности создания и применения химических сенсоров. Успехи химии, 75, 141 (2006)
  47. А.В., Коренман Я. И., Нифталиев С. И. Искусственные нейронные сети -вчера, сегодня, завтра. Воронеж: Воронеж, гос. технол. акад., 2002
  48. В.Ф., Алфимов М. В. Фотохимия диарилэтиленов. ЖНиПФ, 46, 28 (2003)
  49. RodionovaO.Ye., Esbensen К.Н., Pomerantsev A.L. Application of SIC (Simple Interval Calculation) for object status classification and outlier detection comparison with PLS/PCR. J. Chemom., 18, 402 (2004)
  50. Bystritskaya E.V., Pomerantsev A.L., Rodionova O.Ye. Non-linear regression analysis: new approach to traditional implementations. J. Chemom., 14, 667 (2000)
  51. BogomolovA., McBrien M. Mutual peak matching in a series of HPLC/DAD mixture analyses. Anal. Chim. Acta, 490, 41 (2003)
  52. Bogomolov A., McBrien M. Methods for Characterizing a Mixture of Chemical Compounds, US Patent, US-2004−126 892-A1 (2004)
  53. Kucheryavski S., Polyakov V., Govorov A. Analysis of simulated fracture surfaces using AMT and fractal geometry methods. В кн: Progress in Chemometrics Research (Ed: A.L. Pomerantsev) NovaScience Publishers, New York, pp. 3- 11, 2005
  54. H.M., Максимов A.B., Жилин С. И. Построение и анализ эмпирических зависимостей методом центра неопределенности. Изв. АлтГУ, 1, 35 (1998)
  55. Romanenko S.V., Stromberg, A.G., Selivanova E.V., Romanenko E.S. Resolution of the overlapping peaks in the case of linear sweep anodic stripping voltammetry via curve fitting. Chemom. Intell. Lab. Syst., 73, 7 (2004)
  56. И.Е., Кузнецов A.M, Васильев И. Л, Шабанова Е. В. Калибровка методик атомно-эмиссионного анализа с компьютерной обработкой спектров. Журн. аналит. химии, 52, 1238 (1997)
  57. ШарафМ.А., Иллмэн Д. Л., Ковальски Б. Р. Хемометрика. Пер. с англ. М. Мир, 1987 М. Sharaf, D. Illman, В. Kowalski. Chemometrics, NY: Wiley. 1986.
  58. Massart D.L., Vandeginste B.G., Buydens L.M.C., De Jong, S. Lewi P.J., Smeyers-Verbeke J. Handbook of Chemometrics and Qualimetrics Part A. Elsevier, Amsterdam, 1997
  59. VandeginsteB.G., Massart D.L., Buydens L.M.C., De Jong S., Lewi P.J., Smeyers-Verbeke J. Handbook of Chemometrics and Qualimetrics Part B. Elsevier, Amsterdam, 1998
  60. Nass Т., Isaksson Т., Fearn Т., Davies T. Multivariate Calibration and Classification. Christerer, UK, 2002
  61. Kramer R. Chemometric Techniques for Quantitative Analysis. Marcel-Dekker, 1998
  62. Beebe K.R., Pell R.J., Seasholtz M.B. Chemometrics: a Practical Guide. Willey, N.Y., 1998
  63. MalinowskiE.R. Factor Analysis in Chemistry. Wiley, N.Y., 2nd edn, 1991
  64. Martens H., Naes T. Multivariate calibration. Wiley, New York. 1989
  65. Hoskuldsson A. Prediction Methods in Science and Technology, vol. 1, Thor Publishing, Copenhagen, Denmark, 1996
  66. Аналитическая химия. Проблемы и подходы (в 2-х т.), под. ред. Кельнер Р., Мерме Ж.-М., Отто М., Видмер Г. М., пер. с анг., М., Мир ACT, 2004 Analytical Chemistry. The Approved Text to FECS Curriculum Analytical Chemistry, Wiley-VCH, Weinheim.
  67. .М. Избранные главы хемометрики. Томск: Из-во Том. ун-та, 2004
  68. К. Анализ многомерных данных. Сокр. пер. с англ. под ред. О. Родионовой, Из-во ИПХФ РАН, 2005 К.Н. Esbensen. Multivariate Data Analysis In Practice 4-th Ed., САМО, 2000.
  69. O.E., Померанцев А. Л. Хемометрика: достижения и перспективы. Успехи химии, 75 (4) 302−317(2006)
  70. The Unscramber. Доступно на http://www.camo.no/ 3 мая 2007.
  71. Eigenvector Research, Inc. Доступно на http ://www. ei gen vector. com/ 3 мая 2007.
  72. Umetrics. Доступно на http://www.umetrics.com/ 3 мая 2007.
  73. SPSS. Доступно на http://www.spss.com/ 3 мая 2007.
  74. STATISTIC А. Доступно на http://www.statsoftinc.com/ 3 мая 2007.
  75. MATLAB. Доступно на http://www.mathworks.com/ 3 мая 2007.
  76. О.Е. Хемометрический подход к исследованию больших массивов химических данных. Рос. хим. ж. (Рос. хим. об-ва им. Д.И. Менделеева), 50, 128 (2006)
  77. ErikssonL., Johansson Е., Kettaneh-Wold N., Wold S. Multi- and Megavariate Data Analysis. Umetrics, Umea, 2001
  78. Sanchez E., Kowalski B.R. Tensorial calibration: I. First-order calibration. J. Chemom., 2 247(1988)
  79. Smilde A., Bro R., Geladi P. Multi-way Analysis with Applications in the Chemical Sciences. John Wiley & Sons, Chichester, 2004
  80. Hoy M., Steen K., Martens H. Review of partial least squares regression prediction error in Unscrambler. Chemometrics Intell. Lab. Syst., 44, 123 (1998)
  81. Wold S., Trygg J., Berglund A., Antti H. Some recent developments in PLS modeling. Chemom. Intell. Lab. Syst., 58, 131 (2001)
  82. Hoskuldsson A. Causal and path modelling. Hyperspectral imaging: calibration problems and solutions. Chemom. Intell. Lab. Syst., 58, 287 (2001)
  83. Geladi P., Burger J., Lestanderet T. Hyperspectral imaging: calibration problems and solutions. Chemom. Intell. Lab. Syst., 72, 209 (2004)
  84. Sander G.H.W., Manz A. Chip-based microsystems for genomic and proteomic analysis. Trends Anal. Chem., 19, 364 (2000)
  85. Box G.E.P., Hunter W.G., Hunter J.S. Statistics for Experimenters. John Wiley & Sons Inc., NY, 1978
  86. Е.З. Линейная и нелинейная регрессии. Финансы и статистика, М, 1981
  87. Jy P. Sampling for Analytical Purposes. John Wiley & Sons, Chichester, 1989
  88. Kleingeld W., Ferreira J., Coward S. First World Conference on Sampling and Blending (WCSB1). J. Chemom., 18, 121 (2004)
  89. Special Issue.: 50 years of Pierre Gy’s Theory of Sampling Proceedings: First World Conference on Sampling and Blending (WCSB1) Tutorials on sampling.: Theory and Practice. Chemom. Intell. Lab. Syst., 14, 1 (2004)
  90. Walczak В., Massart D.L. Tutorial. Dealing with missing data. Chemom. Intell. Lab. Syst., 58, 15 (2001)
  91. Nelson P.R.C., Taylor P.A., MacGregor J.F. Missing data methods in PCA and PLS: Score calculations with incomplete observations. Chemom. Intell. Lab. Syst., 35, 45 (1996)
  92. Haario H., Taavitsainen V.-M. Combining soft and hard modelling in chemical kinetic models. Chemom. Intell. Lab. Syst., 44, 77 (1998)
  93. Э.Ф., Померанцев A.JI. Классификация обратных задач кинетики гомогенных химических реакций. Хим. физика, 5, 1674 (1986)
  94. Gurden S.P., Westerhuis J.A., Bijlsma S., Smilde A.K. Modelling of spectroscopic batch process data using grey models to incorporate external information. J. Chemom., 15, 101 (2001)
  95. А.Л. Методы нелинейного регрессионного анализа для моделирования кинетики химических и физических процессов. Дис. д-ра физ.-мат. наук, ИХФ РАН, Москва, 2003
  96. Morales D. A. Mathematical modeling of titration curves. J. Chemom., 16, 247 (2002)100. de Juan A., Maeder M., MartSez M., Tauler R. Combining hard- and soft-modelling to solve kinetic problems. Chemom. Intell. Lab. Syst., 54, 123 (2000)
  97. Эфрон Б. HempaduifuouHbie методы многомерного статистического анализа. Москва, Финансы и Статистика, 1988 В. Efron,^W7. Stat., 7, 1 (1979).
  98. EURACHEM/CITAC Guide, Quantifying Uncertainty in Analytical Measurement, 2nd ed., EURACHEM, Lisbon, Portugal, 2000
  99. Faber K, Kowalski B. R. Prediction error in least squares regression: Further critique on the deviation used in The Unscrambler. Chemom. Intell. Lab. Syst., 34, 283 (1996)
  100. Pomerantsev A.L. Confidence Intervals for Non-linear Regression Extrapolation. Chemom. Intell. Lab. Syst., 49, 41 (1999)
  101. Pulido A., Ruisanchez I., Boque R., Rius F.X. Uncertainty of results in routine qualitative analysis. Trends Anal. Chem., 22, 647 (2003)
  102. Vershinin V.I. A priori method of evaluating uncertainties in qualitative chromatographic analysisprobabilistic approach). Accreditation and Quality Assurance, 9, 415 (2004)
  103. Faber N.M. Uncertainty estimation for multivariate regression coefficients. Chemom. Intell. Lab. Syst., 64, 169 (2002)
  104. Faber N.M.,. Bro R. Standard error of prediction for multiway PLS 1. Background and a simulation study. Chemom. Intell. Lab. Syst., 61, 133 (2002)
  105. Olivieri A. C., Faber N.M., Ferre J., Boque R., Kalivas J. H., Mark H. Ucertainy estimation and figures of merit for multivariate calibration. Pure Appl.Chem., 78, 633 (2006)
  106. Lorber A. Error propagation and figures of merit for quantification by solving matrix equations. Anal. Chem., 58, 1167 (1986)
  107. Ferre J., Faber N.M. Net analyte signal calculation for multivariate calibration. Chemom. Intell. Lab. Syst., 69, 123 (2003)
  108. Boque R., Faber N.M., Xavier Rius F. Detection limits in classical multivariate calibration models. Anal. Chim. Acta, 423, 41 (2000)
  109. Boque R., Faber N.M., Xavier Rius F. Limit of detection estimator for second-order bilinear calibration. Anal. Chim. Acta, 451, 313 (2002)
  110. Berget I., Nass T. Using unclassified observations for improving classifiers. J. Chemom., 18, 103 (2004)
  111. Jouan-Rimbaud D., Massart D.L., Saby C.A., Puel C. Characterization of the representativity of selected sets in multivariate calibration and pattern recognition. Anal. Chim. Acta, 350, 149 (1997)
  112. Meloun M., Militky J., Hill M., Brereton R.G. Crucial problems in regression modelling and their solutions. Analyst, 127, 433 (2002)
  113. Fernandez Pierna J.A., Wahl F., de Noord O.E., Massart D.L. Methods of outlier detection in prediction. Chemom. Intell. Lab. Syst., 63, 27 (2002)
  114. K. Faber. Comparison of two recently proposed expressions for partial least squares regression prediction error. Chemom. Intell. Lab. Syst., 52, 123 (2000)
  115. Faber N.M., Song X.-H., Норке P.K. Sample-speciCb standard error of prediction for partial least squares regression. Trends Anal. Chem., 22, 330 (2003)
  116. Bouveresse E., Massart D.L. Standardization of near-infrared spectrometric instruments: A review. Vibrat. Spectrosc., 11, 3 (1996)
  117. Westad F., Martens H. Variable selection in NIR based on significance testing in Partial Least Squares Regression (PLSR). J. Near Infrared Spectros., 8, 117 (2000)
  118. Hubert M., Verboven S. A robust PCR method for high-dimensional regressors. J. Chemom., 17, 438 (2003)
  119. Bro R., Smilde A.K. Centering and scaling in component analysis. J. Chemom., 17, 16 (2003)
  120. Kubelka P., Munck F. Ein Beitrag zur Optik der Farbanstriche. Zeits. F. techn. Physik, 12, 593 (1931)
  121. Savitzky A., Golay M.J.E. Smoothing and differentiation of data by simplified least squares procedures. Anal. Chem., 36, 1627 (1964)
  122. Geladi P., MacDougall D., Martens II. Linearization and scatter-correction for near-infrared reflectance spectra of meat. Appl. Spectrosc., 3, 491 (1985)
  123. Isaksson Т., Kowalski B. Piece-wise multiplicative scatter correction applied to near-infrared diffuse transmittance data from meat products. Appl. Spectrosc., 47, 702 (1993)
  124. J., Wold S. 02-PLS, a two-block (X-Y) latent variable regression (LVR) method with an integral OSC filter. J. Chemom., 17, 53 (2003)
  125. Wold S., Antti H., Lindgren F., Ohman J. Orthogonal signal correction of near-infrared spectra. Chemom. Intell. Lab. Syst., 44, 175 (1998)
  126. Fearn T. On orthogonal signal correction. Chemom. Intell. Lab. Syst., 50, 47 (2000)
  127. Hoskuldsson A. Variable and subset selection in PLS regression. Chemom. Intell. Lab. Syst., 55, 23 (2001)
  128. Guo Q., Wu W., Massart D.L., Boucon C., de Jong S. Feature selection in principal component analysis of analytical data. Chemom. Intell. Lab. Syst., 61, 123 (2002)
  129. Forina M., Lanteri S., Oliveros M.C. Selection of useful predictors in multivariate calibration. Anal. Bioanal. Chem., 380, 397 (2004)
  130. Leardi R, Boggia R., Terrile M. Genetic algorithms as a strategy for feature selection. J. Chemom., 6, 267 (1992)
  131. Kalivas J.H. Pareto calibration with built-in wavelength selection. Anal. Chim. Acta, 505, 9 (2004)
  132. Benoudjit N., Cools E., Meurens M., Verleysen M. Chemometric calibration of infrared spectrometers: selection and validation of variables by non-linear models. Chemom. Intell. Lab. Syst., 70, 47 (2004)
  133. Indahl U., Naes Т. A variable selection strategy for supervised classification with continuous spectroscopic data. J. Chemom., 18, 53 (2004)
  134. Feudale R.N., Woody N.A., Tan H., A.J. Myles, S.D. Brown, J. Ferre. Transfer of multivariate calibration models: a review. Chemom. Intell. Lab. Syst., 64, 181 (2002)
  135. Hansen P.W. Pre-processing method minimizing the need for reference analyses. ,/. Chemom., 15, 123 (2001)
  136. Чуй К. Введение в вэйвлеты. М. Мир. 2001 С.К. Chui. An Introduction to wavelets, Academic Press, 1992.
  137. Trygg J., Wold S. PLS regression on wavelet compressed NIR spectra. Chemom. Intell. Lab. Syst, 42, 209 (1998)
  138. Reinikainen S.-P. Wavelets in Compressing Spectral Data В кн: Progress in Chemometrics Research (Ed: A.L. Pomerantsev) NovaScience Publishers, New York, pp. 21−36, 2005
  139. Pan Y., Yoo C.K., Lee J.H., Lee I.-B. Process monitoring for continuous process with periodic characteristics. J. Chemom., 18, 69 (2004)
  140. Keller H.R., Massart D.L. Evolving factor analysis. Chemom. Intell. Lab. Syst., 12, 209 (1992)
  141. Malinowsk E.R. Window Factor Analysis: theoretical derivation and application to ow-injection analysis data. J. Chemom., 6, 29 (1992)
  142. Gemperline P.J. Target transformation factor analysis with linear inequality constraints applied to spectroscopic-chromatographic data. Anal. Chem., 58, 2656 (1986)
  143. Wold S. Pattern recognition by means of disjoint principal components models. Pattern Recognition, 8, 127 (1976)
  144. Jiang J.-H., Liang, Y. Ozaki Y. Principles and methodologies in self-modeling curve resolution. Chemom. Intell. Lab. Syst., 71, 1 (2004)
  145. Sanchez F.C., van de Borgaert В., Rutan S.C., Massart D.L. Multivariate peak purity approaches. Chemom.Intell. Lab. Syst., 34, 139 (1996)
  146. Shen H., Grande В., Kvalheim O.M., Eide I. Automated curve resolution applied to data from multi-detection instruments. Anal. Chim. Acta, 446, 311 (2001)
  147. WindigW., Guilment J. Interactive self-modeling mixture analysis. Anal. Chem., 63, 1425 (1991)
  148. Bogomolov A., Hachey M., Williams A. Software for interactive curve resolution using SIMPLISMA. В кн: Progress in Chemometrics Research (Ed: A.L. Pomerantsev) NovaScience Publishers, New York, pp. 119−135, 2005
  149. Diewok J., de Juan A., Marcel M., Tauler R., Lendl B. Application of a Combination of Hard and Soft Modeling for Equilibrium Systems to the Quantitative Analysis of pH-Modulated Mixture Samples. Anal Chem., 76, 641 (2003)
  150. БогомоловА.Ю., Ростовщикова Т. Н., Смирнов В. В. Комплексообразование хлорида железа (Ш) с хлористым водородом и водой в хлорорганическом растворителе. Ж. Физ. Хим., 69, 1197(1995)
  151. Seipel Н.А., Kalivas J.H. Effective rank for multivariate calibration methods. J. Chemom., 18, 306 (2004)
  152. Shrager R.I. Chemical transitions measured by spectra and resolved using singular value decomposition. Chemom. Intell. Lab. Syst., 1, 59 (1986)
  153. De Maesschalck R., Jouan-Rimbaud D., Massart D.L. Tutorial. The Mahalanobis distance. Chemom. Intell. Lab. Syst., 50, 1 (2000)
  154. Andrade J.M., Gomez-Carracedo M. P., Krzanowski W., Kubista M. Procrustes rotation in analytical chemistry, a tutorial. Chemom. Intell. Lab. Syst., 72, 123 (2004)
  155. RodionovaO.Ye., НошшПег L.P., Pomerantsev A.L., Gelad P., Burger J., Dorofeyev V.L., Arzamastsev A.P. NIR Spectrometry for Counterfeit Drug Detection. A Feasibility Study. Anal. Chim. Acta, 549, 151 (2005)
  156. SunL.X., Danzer K. Fuzzy cluster analysis by simulated annealing. J. Chemom., 10, 325 (1996)
  157. Myle A.J., Brown S.D. Induction of decision trees using fuzzy partitions. J. Chemom., 17, 531 (2003)
  158. Gonzalez-ArjonaD., Lopez-Perez G., Gonzalez A.G. Performing procrustes discriminant analysis with HOLMES. Talanta, 49, 189 (1999)
  159. Mark Н. Use of Mahalanobis distances to evaluate sample preparation methods for near-infrared reflectance analysis. Anal. Chem., 59, 790 (1987)
  160. Gemperline P.J., Boyer N.R. Classification of near-infrared spectra using wavelength distances: comparison to the Mahalanobis distance and residual variance methods. Anal. Chem., 67, 160(1995)
  161. Mark H.L., Tunnell D. Qualitative near-infrared reflectance analysis using Mahalanobis distances. Anal Chem., 57, 1449 (1985)
  162. Indahl U., Sing N.S., Kirkhuus В., Naes T. Multivariate strategies for classification based on NIR-spectra—with application to mayonnaise. Chemom. Intell Lab. Syst., 49, 19 (1999)
  163. Downey G., Boussion J., Beauchene D. Authentication of whole and ground coffee beans by near infrared reflectance spectroscopy. J. Near Infrared Spectrosc., 2, 85 (1994)
  164. Flaten G.R., Grung В., Kvalheim O.M. A method for validation of reference sets in SIMCA modelling. Chemom. Intell. Lab. Syst., 72, 101 (2004)
  165. Naes Т., Indahl U. A unified description of classical classification methods for multicollinear data. J. Chemom., 12, 205 (1998)
  166. McElhinney J., Downey G., Fearn T. Chemometric processing of visible and near infrared reflectance spectra for species identification in selected raw homogenised meats. J. Near Infrared Spectrosc., 7, 145 (1999)
  167. Zomer S., Brereton R., Carter J.F., Eckers C. Support vector machines for the discrimination of analytical chemical data: application to the determination of tablet production by pyrolysis-gas chromatography-mass spectrometry. Analyst, 129, 175 (2004)
  168. Sarker M., Rayens W. Partial least squares for discrimination. J. Chemom., 17, 166 (2003)
  169. Herrero A., Zamponi S., Marassi R.,. Conti P, Ortiz M.C., Sarabia L.A. Determination of the capability of detection of a hyphenated method: application to spectroelectrochemistry. Chemom. Intell. Lab. Syst., 61, 63 (2002)
  170. Bijlsma S., Smilde A.K. Estimating reaction rate constants from two-step reaction: a comparison between two-way and three-way methods. J. Chemom., 14, 541 (2000)
  171. Bro R. PARAFAC. Tutorial and applications. Chemom. Intell. Lab. Syst., 38, 149 (1997)
  172. Kiers H. Some procedures for displaying results from three-way methods.J. Chemom., 14, 151 (2000)
  173. Faber N.M., Bro R., Норке P.K. Recent developments in CANDECOMP/PARAFAC algorithms: a critical review. Chemom. Intell. Lab. Syst., 65, 119 (2003)
  174. Andersson C.A., Bro R. The N-way toolbox for MATLAB. Chemom. Intell. Lab. Syst., 52, 1 (2000)184. del Rio F.J., Riu J., Rius F.X. Prediction intervals in linear regression taking into account errors on both axes. J. Chemom., 15, 773 (2001)
  175. Brereton R.G. Introduction to multivariate calibration in analytical chemistry. Analyst, 125, 2125 (2000)
  176. Hoskuldsson A. PLS Regression Methods. J. Chemom., 2, 211 (1988)187. de Jong S. SIMPLS: an alternative approach to partial least squares regression. Chemom. Intell. Lab. Syst., 18, 251 (1993)
  177. Li В., Morris A.J.,. Martin E.B. Generalized partial least squares regression based on the penalized minimum norm projection. Chemom. Intell. Lab. Syst, 72, 21 (2004)
  178. Hubert M., Vanden Branden K. Robust methods for partial least squares regression. J. Chemom., 17, 537 (2003)
  179. Vigneau E., Devaux M., Qannari M., Robert P. Principal component regression, ridge regression and ridge principal component regression in spectroscopy calibration. J. Chemom., 11,239 (1997)
  180. Geladi P. Some recent trends in the calibration literature. Chemom. Intell. Lab. Syst., 60, 211 (2002)
  181. JI.B. О некоторых новых подходах к вычислительным методам и обработке наблюдений. Сиб. мат. эюурн., 3, 701 (1962)
  182. Rodionova О. Ye., Pomerantsev A.L. Principles of Simple Interval Calculations, В кн: Progress in Chemometrics Research, Pomerantsev AL (ed.). Nova Science Publishers: New York, pp43−64, 2005
  183. В.М., Суханов В. А., Унгер Ф. Г. Теоретические и прикладные аспекты метода центра неопределенности. Новосибирск, Наука, 1995
  184. Bro R. Multi-way calibration. Multi-linear PLS. J. Chemom., 10, 47 (1996)
  185. Bro R., Andersson C.A. The N-way Toolbox for MATLAB, Version 2.02, 2003. Доступно на http://www.models.kvl.dk/source 3 мая 2007.
  186. Ni Y., Huang C., Kokot S. Application of multivariate calibration and artificial neural networks to simultaneous kinetic-spectrophotometric determination of carbamate pesticides. Chemom. Intell. Lab. Syst., 71, 177 (2004)
  187. Chen Z.P., Morris J., Martin E., Yu R.-Q., Liang Y.-Z., Gong F. Recursive evolving spectral projection for revealing the concentration windows of overlapping peaks in two-way chromatographic experiments. Chemom. Intell. Lab. Syst., 72, 9 (2004)
  188. F. M., Tudino M. В., Troccoli О. E. Multicomponent kinetic determination of Cu, Zn, Co, Ni and Fe at trace levels by first and second order multivariate calibration. Anal. Chim. Acta, 433, 119 (2001)
  189. Й. Нелинейное оценивание параметров. М.: Статистика, 1979. Y. Bard, Nonlinear Parameter Estimation, Academic Press, New York, 1974.
  190. Barry D.M., Meites L. Titrimetric applications of multiparametric curve-fitting. Part 1 Potentiometric titrations of weak bases with strong acids at extreme dilutions. Anal. Chim. Acta, 68, 435 (1974)
  191. . В кн. Химики ТГУ на пороге третьего тысячелетия. Томск, Изд -во ТГУ, сс. 48−58, 1998
  192. Berglund A., Wold S. INLR, implicit non-linear latent variable regression. J. Chemom., 11, 141 (1997)
  193. Berglund A., Kettaneh N.L.U., Wold S., Bendwell N., Cameron D.R. The GIFI approach to non-linear PLS modelling. J. Chemom., 15, 321 (2001)
  194. Wold S. Nonlinear partial least squares modelling II. Spline inner relation. Chemom. Intell. Lab. Syst., 14, 71 (1992)
  195. Zupan J., Gasteiger J. Neural networks: A new method for solving chemical problems or just a passing phase? Anal. Chim. Acta, 248, 1 (1991)
  196. Zupan J., Gasteiger J. Neural Network for Chemists, An Introduction. VCH, Weinheim, 1993.
  197. Wu W., Walczak В., Massart D.L., Heuerding E., Erni F.E., Last I.R., Prebble K.A. Artificial neural networks in classificafion of NIR spectral data: Design of the training set. Chemom. Intell. Lab. Syst., 33, 35 (1996)
  198. Smits J.R.M., Meissen W.J., Buydens L.M.C., Kateman G. Using artificial neural networks for solving chemical problems. Part I. Multi-layer feed-forward networks. Chemom. Intell. Lab. Syst., 22, 165 (1994)
  199. Meissen W.J., Smits J.R.M., Buydens L.M.C., Kateman G. Using artificial neural networks for solving chemical problems. Part II. Kohonen self-organising feature maps and Hopfield networks. Chemom. Intell. Lab. Syst., 23, 267 (1994)
  200. Hibbert D.B. Genetic algorithms in chemistry. Chemom. Intell. Lab. Syst., 19, 277, (1993)
  201. Leardi R. Genetic algorithms in chemometrics and chemistry: a review. J. Chemom., 15, 559 (2001)
  202. Shao X., Chen Z., Lin X. Resolution of multicomponent overlapping chromatogram using an immune algorithm and genetic algorithm. Chemom. Intell. Lab. Syst., 50, 91 (2000)
  203. А.П., Бочков А. Ф., Сотиров Г. Р. Методы анализа данных при интервальной нестатистической ошибке. Завод, лаб., 56, 76 (1990)
  204. В.М., Померанцев A.JL, Новорадовский А. Г., Карпухин О. Н. Определение чувствительности объектов к полихроматическому световому воздействию. Жури, прикл. спектрос, 46, 117 (1987)
  205. С.И., Тимошенко В. И., Слинько М. Г. Применение метода выравнивания по П.Л. Чебышеву при построении кинетических модели сложной химической реакции. Докл. АН СССР, 192, 580 (1970)
  206. М.Г., Спивак С. И., Тимошенко В. И. О критериях определения параметров кинетических моделей. Кинетика и катализ, 13, 1570 (1972)
  207. И.Р., Ахмадишин 3. Ш., Спивак С. И. Математическая интерпретация кинетического эксперимента сложных реакций сопряженного окисления. Хим. физика, 12, 1660 (1982)
  208. Р.Х., Спивак С. И. Нечеткие интервальные оценки в кинетике химических реакций. Химия и хим. технол., 42, 92 (1999)
  209. А.И. О методе центра неопределенности. Ж. Аналит. химии, 51, 347 (1996)
  210. Померанцев A. JL, Родионова О. Е. О двух подходах к анализу кинетических данных на примере предсказания активности антиоксидантов. Кинетика и катализ, 47, 553 (2006)
  211. CookR.D. Detection of Influential Observations in Linear Regression. Technometrics-, 19, 15(1977)
  212. Cook R.D. Influential Observations in Linear Regression J. Am. Statis. Ass., 74, 169 (1979)
  213. Andrews D.F., Pregibon D. Finding the outliers that matter.J. Royal Statis. Soc. B, 40, 84 (1978)
  214. Draper N.R., John J. A Influential Observations and Outliers in Regression. Technometrics, 23,21 (1981)
  215. Naes T. The design of calibration in near infra-red reflectance analysis by clustering. J. Chemometrics, 1, 121 (1987)
  216. A.JI., Родионова О. Е. Построение многомерной калибровки методом простого интервального оценивания. Ж. Аналит. химии, 61, 1032 (2006)
  217. Clancey V.J. Statistical methods in chemical analyses. Nature, 159, 339 (1947)
  218. Rajko R. Treatment of model error in calibration by robust and fuzzy procedures. Anal. Letters, 27,215 (1994)
  219. А.А. Математическая статистика (Оценки параметров. Проверка гипотез). М.: Наука, 1984
  220. Э. Статистика экстремальных значений. М. Мир, 1965 Gumbel Е Statistics of extremes, Columbia University Press: N.Y., 1962.
  221. Gass S. Linear Programming (4-th ed.). McGow-Hill: New York, 1975
  222. Kuhn H.W., Tucker A.W. Linear Inequalities and Related Systems. Ann. Math. Studies, 38, Princeton University Press: Princeton, N.J., 1956
  223. Lehmann E.L. Testing Statistical Hypotheses. Wiley, New York, 1960
  224. Eicker F. Asymptotic normality and consistency of the least squares estimators for families of linear regressions. Ann. Math. Stat., 34, 447 (1963)
  225. Дж. Линейное программирование, его применение и обобщение. М. Прогресс, 1966 Dantzing G.B. linear Programming and Extensions, Princeton University Press, Princeton, New Jersey, 1963.
  226. X. Введение в исследование операций. М. Мир, 1985, т.1. Taha Н., Operations Research. An Introduction, (3-d ed), vol.1, MacMillan Publishing Co., N. Y., 1982.
  227. Cook R.D. Detection of influential observations in linear regression. Technometrics, 21, 15(1977)
  228. Belsley D.A., Kuh E., Welsch R.E. Regression diagnostics. Identifying influential data and sources of collinearity. John Wiley & Sons Ltd. New York, 1980
  229. Walkenbach J. Excel 2000 Power Programming with VBA, 2001
  230. Esbensen K.H., Halstensen M, Lied T.T., Saudland A, Svalestuen J., .de Silva S, Hope B. Acoustic chemometrics from noise to information. Chemom. Intell.Lab.Syst., 44, 61 (1998)
  231. M. M., Краева А. Г., Бухгейм A.B. Обратная задача химической кинетики. Новосибирск: ВЦ СО АН СССР, 1980
  232. Спивак С. И, Горский В. Г. Неединственность решения задачи восстановления кинетических констант. Докл. АН СССР, 275, 412 (1981)
  233. Применение вычислительной математики в химической и физической кинетике. Под ред. Л. С. Полака, М.: Наука, 1969
  234. .В., Родионова О. Е. Математическое моделирование сложных самоускоряющихся реакций. Теор. основы хим. технологии, 28, 251 (1994)
  235. .В., Родионова О. Е. Проблемы математического моделирования в неравновесной теории химических процессов. Хим. физика., 17, 27 (1998)
  236. .В., Брин Э. Ф. Обратная задача химической кинетики. Хим. физика, 3(3), 393 (1984)
  237. .В., Родионова О. Е. Численное решение систем линейных обыкновенных дифференциальных уравнений с постоянными коэффициентами. Ж. вычил. матем. иматем. физ., 34, 622 (1994)
  238. .В., Родионова О. Е. Методика усреднения при дискретизации кинетического интегро-дифференциального уравнения. Ж. вычил. матем. и матем. физ., 36, 143 (1996)
  239. Bijlsma S., Louwerse D.J., Windig W., Smilde А. К .Rapid estimation of rate constants using on-line SW-NIR and trilinear models. Anal.Chim.Acta, 376, 339 (1998)
  240. Pomerantsev A.L., Rodionova O.Ye. Chemometrics in Russia. Chemom. Intell. Lab. Syst, 48, 121 (1999)
  241. Pomerantsev A.L., Rodionova О.Ye. Prediction of antioxidants activity using DSC measurements. A feasibility study. В сб.: Zaikov et al (Eds) Aging of polymers, polymer blends and polymer composites, 1, NovaScience Publishers, NY, pp. 19−29, 2002,.
  242. Shlyapnikov Yu. A In: Development in Polymer Stabilization, Applied Science Publishers, London, 5, 1 (1981)
  243. Pomerantsev A.L. Successive Bayesian estimation of reaction rate constants from spectral data Chemometrics Intell.Lab.Syst., 66, 127 (2003)
  244. A.Jl., Родионова O.E. Содержательный и формальный подход к анализу кинетических данных. В сб. Химическая и биологическая кинетика. Новые горизонты. М. Химия, 2005 (ISBN: 5−98 109−035−9), 1, 124−172
  245. Bystritskaya E.V., Pomerantsev A.L., Rodionova О.Ye. Conferentia chemometrica (CC-97), Budapest, Pos. 54, (1997)
  246. Fitter Solutions On line., http://polycert.chph.ras.ru/solution.htm [3 мая 2007]
  247. .В., Повзнер А. Я. Об одном методе численного интегрирования систем обыкновенных дифференциальных уравнений. Ж. Вычисл. Мат. Мат. Физ., 13, 1056 (1973)
  248. Marquardt D.W. An algorithm for least-squares estimation of non-linear parameters. SIAMJ., 11,431 (1963)
  249. Levenberg K. A Method for the Solution of Certain Problems in Last Squares. Quart. Appl. Math., 2, 164 (1944)
  250. Pomerantsev A.L. Confidence intervals for nonlinear regression extrapolation. Chemom. Intell.Lab.Syst., 49, 41 (1999)
  251. О.E., Померанцев А. Л. Оценивание параметров в уравнении Аррениуса. Кинетика и катализ, 46, 329 (2005)
  252. Counterfeit drugs. Guidelines for the development of measures to combat counterfeit drugs, WHO, Geneva (1999)
  253. Counterfeit drugs: threat to Public Health. 55 World Health Assembly, Geneva (2002)
  254. Arzamastsev A.P., Dorofeyev V.L., Kochin V. Yu, et al. Using Thin-Layer Chromatography for the Fast Identification of the Fluoroquinolone Drugs. World Congress of Pharmacy and Pharmaceutical Sciences 2002: 62nd International Congress ofFIP, 39 (2002)
  255. Arzamastsev А.Р., Dorofeyev V.L., Konovalov A.A., KochinV.Yu., Titov I.V. Determining Adulterated Drugs by Modern Analytical Techniques. Pharmaceutical Chemistry Journal, 38, 166 (2004)
  256. Shewhart W.A. Economic Control of Quality of Manufactured Product, Van Nostrand, New York, 1931
  257. MacGregor J., Kourti Th. Statistical process Control of Multivariate Processes. Control Engineering Practice, 3, 403 (1995)
  258. A.JI., Родионова O.E. Многомерный статистический контроль процессов. Методы менеджмента качества, 6, 15 (2002)
  259. Kourti Th., MacGregor J. Process analysis, monitoring and diagnosis, using multivariate projection methods. Tutorial. Chemom. Intell. Lab. Syst., 28, 3, (1995)
  260. Westerhuis J.A., Kourti Th., MacGregor J. Analysis of multiblock and hierarchical PCA and PLS models. J. Chemom., 12, 301 (1998)
  261. Hoskuldsson A., Rodionova O.Ye., PomerantsevA.L. Path Modelling and Process Control, Chemom. Intell. Lab.Syst., 88, 84 (2007)
  262. Pomerantsev A.L., Rodionova O.Ye. Multivariate statistical process control and optimisation. В кн: Progress in Chemometrics Research (Ed: A.L. Pomerantsev) NovaScience Publishers, New York, pp. 209−227, 2005
  263. Gabrielsson J., Lindberg N-O., Lundstedt T. Multivariate methods in pharmaceutical applications./ Chemom., 16, 141 (2002)
  264. Bro R. Exploratory study of sugar production using fluorescence spectroscopy and multi-way analysis. Chemom. Intell. Lab. Syst., 46, 133 (1999)
  265. Yoo C.K., Lee J.-M., Vanrolleghem P.A., Lee I.-B. On-line monitoring of batch processes using multiway independent component analysis. Chemom. Intell Lab. Syst., 71, 151 (2004)
  266. Baroni M., Benedetti P., Fraternale S. Scialpi, F., Vix P., Clementi S. The CARSO procedure in process optimization. J. Chemom., 17, 9 (2003)
  267. Martens H., Martens M. Multivariate Analysis of Quality: An Introduction, John Wiley & Sons Ltd., Chichester, 2001
  268. Dyson R.M., Hazenkamp M., Kaufmann K.,. Maeder M, Studer M., Zilian A. Modern tools for reaction monitoring: hard and soft modelling of non-ideal, on-line acquired spectra.,/. Chemom., 14, 737 (2000)
  269. Pollanen К., Hakkinen A., Reinikainen S.-P., Louhi-Kultanen M., Nystrom L. ATR-FTIR in monitoring of crystallization processes: comparison of indirect and direct OSC methods. Chemom. Intell. Lab. Syst., 76, 25 (2005)
  270. Thurston T.J., Brereton R.G., Foord D.J., Escott R.E.A. Principal components plots for exploratory investigation of reactions using ultraviolet-visible spectroscopy: application to the formation of benzophenone phenylhydrazone. Talanta, 63, 757 (2004)
  271. Bezemer E., Rutan S.C. Multivariate curve resolution with non-linear fitting of kinetic profiles. Chemom. Intell. Lab. Syst., 59, 19 (2001)
  272. Workman Jr., Creasy K.E., Doherty S" Bond L., Koch M., Ullman A., Veltkamp D.J. Process analytical chemistry. Anal. Chem., 73, 2705 (2001)
  273. Gurden S.P., Martin E.B., Morris A.J. The introduction of process chemometrics into an industrial pilot plant laboratory. Chemom. Intell. Lab. Syst., 44, 319 (1998)
  274. ASTM Standard El655. Standard Practices for Infrared Multivariate Quantitative Analysis, 1997
  275. Pomerantsev A.L., Rodionova O.Ye., Hoskuldsson A. Process control and optimization with simple interval calculation method. Chemom. Intell. Lab.Syst., 81 (2), 165 (2006)
  276. Wagen L.E., Kowalski B. A multiblock partial least squares algorithm for investigation complex chemical systems. J. Chemometrics, 3, 3 (1998)
  277. Kennard R.W., Stone L.A. Computer Aided Design of Experiment. Technometrics, 11, 137(1969)
  278. В.В. Теория оптимального эксперимента. Наука, Москва, 1971
  279. Rodionova O.Ye., Pomerantsev A.L. Application of simple interval calculation method for representative subset selection. Тез.докл. на международной конф. ICAS 2006, Москва 2006
  280. Rajer-Kanduc K., Zupan J., Majcen N. Separation of data on the training and test set for modelling: a case study for modelling of five colour properties of a white pigment. Chemometrics Intell. Lab. Syst, 65,221 (2003)
  281. Andersson P. M., Sjostro M., Wold S., Lundstedt T. Strategies for subset selection of parts of an in-house chemical library. J. Chemometrics, 15, 353 (2001)
  282. Cruciani G., Baroni M., Carosati E., Clementi M., Valigi R., Clementi S. Peptide studies by means of principal properties of amino acids derived from MIF descriptors. J. Chemometrics, 18,146 (2004)
Заполнить форму текущей работой

Сессия? Спокойно!