Помощь в написании студенческих работ
Антистрессовый сервис

Методы декомпозиции спектральных кривых в анализе смесей сложного состава

Диссертация: Методы декомпозиции спектральных кривых в анализе смесей сложного состава
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Цель автомодельного разделения кривых заключается в том, чтобы, имея экспериментальную информацию о многокомпонентной системе, выделить реальное поглощение каждого компонента без использования физико-химической модели или априорной информации о системе. Как максимально эффективно и надежно достичь этого — задача исследований в области SMCR с начала возникновеиия и до настоящего времени… Читать ещё >

Методы декомпозиции спектральных кривых в анализе смесей сложного состава (реферат, курсовая, диплом, контрольная)

Содержание

  • Список условных обозначений и сокращений
  • ГЛАВА 1. Обзор литературы
    • 1. 1. Хемометрика в различных областях науки
    • 1. 2. Постановка задачи о декомпозиции спектров смесей
    • 1. 3. Классификация методов автомодельного разделения кривых
    • 1. 4. Анализ независимых компонент
    • 1. 5. Метод М1ЬСА
    • 1. 6. Метод вМСА
    • 1. 7. Предварительная обработка данных и анализ результатов декомпозиции
  • ГЛАВА 2. Реактивы и аппаратура
    • 2. 1. Объекты исследования. Вспомогательные вещества
    • 2. 2. Методы исследования
  • ГЛАВА 3. Применение алгоритмов декомпозиции различных типов спектроскопических сигналов для идентификации и количественного определения компонентов в смесях
    • 3. 1. Анализ спектров многокомпонентных смесей с использованием методов хемометрики
    • 3. 2. Применение новых алгоритмов декомпозиции для разделения спектров различной природы
      • 3. 2. 1. Электронные спектры поглощения
      • 3. 2. 2. Спектры флуоресценции
      • 3. 2. 3. ИК спектры
      • 3. 2. 4. ЯМР 'Н спектры
    • 3. 3. Оценка результатов идентификации и количественного определения соединений после декомпозиции
    • 3. 4. Сравнение результатов декомпозиции различными алгоритмами

Количественные методы спектроскопического анализа многокомпонентных смесей сложного состава являются широко используемым и активно развиваемым инструментом аналитической химии. По своей природе, эти методы обладают рядом уникальных преимуществ, в том числе универсальностью подходов (многие применимы для спектральных сигналов разного рода — ИК, УФ, видимого диапазона, рассеяния, ЭПР, с временным разрешением), неразрушающим характером измерений (что особенно важно при in vivo анализе природных объектов), возможностью раздельного проведения измерений и анализа спектральных сигналов альтернативными математическими методами.

В наиболее практически заманчивой постановке спектроскопический анализ смесей подразумевает определение числа значимых компонентов, их идентификацию и нахождение концентраций. Если при этом известен только спектральный сигнал, то речь идет о так называемой «черной смеси» (по аналогии с термином «черный ящик» [1]). При наличии экспериментальных спектров компонентов смеси (эталонов, натурных образцов стандартного состава) количественный анализ сводится к задачам линейной алгебры. Серьезные препятствия на этом пути очевидны.

Методы молекулярного моделирования и теория спектров предложили ключ к безэталонному анализу смесей [2]. Прорывный шаг вперед заключается в замене натурных эталонов математическими — рассчитанными спектрами молекулярных моделей предполагаемых компонентов смеси. Далее, использование многомерных (с временным разрешением [2]) спектров открывает возможность перевести анализ на полностью безэталонную основу по результатам эксперимента, что может быть сделано с использованием данных о динамике спектров во времени, тем самым целиком исключив необходимость привлечения методов расчета спектров [2].

Весьма представительный арсенал (более 20) альтернативных методов анализа смесей был создан за последние 40 лет в области хемометрики [3−5] (см. обзоры [1, 6−11]).

Одним из направлений хемометрики является автомодельное разделение кривых (SMCR) — комплекс математических алгоритмов для оценки спектров индивидуальных компонентов и их концентраций по спектрам смесей. Во многих случаях, SMCR — единственный доступный способ разделения сигналов компонентов в смесях сложного состава.

Цель автомодельного разделения кривых заключается в том, чтобы, имея экспериментальную информацию о многокомпонентной системе, выделить реальное поглощение каждого компонента без использования физико-химической модели или априорной информации о системе. Как максимально эффективно и надежно достичь этого — задача исследований в области SMCR с начала возникновеиия и до настоящего времени. К преимуществам методов относится их истинный автомодельный и «слепой» характер, применимость ко многим типам спектроскопического эксперимента, а также эксперессность и достаточная точность.

Несмотря на очевидную перспективность, число работ, посвященных применению алгоритмов декомпозиции для качественного и количественного анализа смесей сложного состава, единично [например, 1215]. Таким образом, необходимы исследования по практическому использованию алгоритмов SMCR (особенно новых) для разделения различных типов спектральных сигналов, выявлению факторов, влияющих на качество декомпозиции, сравнительному анализу различных подходов и апробации алгоритмов на смесях сложного состава.

Цель работы: Качественный и количественный спектроскопический анализ смесей сложного состава на основе новых алгоритмов декомпозиции суперпозиции сигналов MILCA (Mutual information Least Dependent Component Analysis) и SNICA (Stochastic Non-negative Independent Component Analysis), относящихся к группе методов анализа независимых компонент.

Independent Component Analysis, 1С A).

Достижение поставленной цели включало решение следующих задач:

— декомпозиция спектров модельных смесей различных по природе и числу компонентов с использованием новых алгоритмов MILCA и SNICA в различных спектральных диапазонах;

— изучение влияния различных физико-химических факторов на результаты декомпозиции спектровсравнительный анализ результатов декомпозиции спектров различными методами хемометрикиидентификация и количественное определение веществ в многокомпонентных смесях на основе методов автомодельного разделения спектральных кривых;

— разработка эффективных методик анализа объектов сложного состава с использованием спектроскопических методов и новых алгоритмов;

— спектроскопическое изучение различных типов равновесий в растворе с применением методов хемометрики.

На защиту выносятся:

— результаты качественного и количественного анализа смесей соединений алгоритмами MILCA и SNICA в различных спектральных диапазонах;

— результаты сравнения алгоритмов MILCA и SNICA с другими методами автомодельного разделения кривых;

— результаты оценки влияния различных факторов на декомпозицию спектров;

— методики совместного определения веществ в реальных объектах (поливитаминные препараты, энергетические и алкогольные напитки, топлива и др.) на основе спектров поглощения и ЯМР сигналов;

— результаты применения алгоритмов хемометрики для изучения равновесий в растворе (протолитические, таутомерные, реакции окислениявосстановления и комплексообразования).

Научная новизна. Решена важнейшая для аналитической химии задача, показывающая перспективность использования сочетания методов молекулярной и ЯМР спектроскопии и хемометрических алгоритмов, для идентификации и надежного и экспрессного совместного количественного определения компонентов в смесях сложного состава.

Оценено влияние различных факторов на результаты математического разделения спектров смесейустановлено, что относительная погрешность, вызванная этими факторами в условиях эксперимента, не превышает 10%.

Предложены новые методики определения веществ в важнейших объектах окружающей среды и продуктах питания. Показана возможность применения алгоритмов автомодельного разделения кривых для спектроскопического изучения различных равновесий (таутомерные, протолитические, реакции комплексообразования и окисления-восстановления).

Практическая значимость. Выработаны практические рекомендации по применению хемометрических алгоритмов (MILCA, SNICA, ALS и др.) в молекулярном и ЯМР спектроскопическом анализе. На их основе разработаны эффективные методики определения веществ в смесях, апробированные в анализе объектов сложного состава.

Результаты исследования используются в учебном процессе при чтении специальных курсов лекций «Хемометрика в спектроскопии», «Молекулярная спектроскопия» в Институте химии Саратовского государственного университета. Подготовлены новые учебные курсы «ЯМР-спектроскопия в анализе пищевых продуктов» и «Химическая экспертиза спиртосодержащих веществ». Результаты диссертационной работы представляют интерес для специалистов, работающих в области аналитической химии, математических методов обработки данных.

Апробация работы. Основные результаты диссертационной работы доложены на XV, XVI, XVII Международных конференции студентов и аспирантов «Ломоносов» (Москва, 2008;2010), II Международном форуме.

Аналитика и Аналитики" (Воронеж, 2008), Всероссийской молодежной конференции по математической и квантовой химии (Уфа, 2008), 6-ой Всероссийской конференции «Молекулярное моделирование» (Москва,.

2009), IV школе-семинаре молодых ученых «Квантово-химические расчеты: структура и реакционная способность органических и неорганических молекул» (Иваново, 2009), VII Всероссийской конференции по анализу объектов окружающей среды «Экоаналитика-2009» (Йошкар-Ола, 2009), международной конференции по аналитической химии «Euroanalysis-2009» (Австрия, Инсбрук, 2009), Всероссийской молодежной выставке-конкурсе прикладных исследований, изобретений и инноваций (Саратов, 2009), VII Международном симпозиуме по хемометрике (Санкт-Петербург, 2010), VII Всероссийской интерактивной конференции молодых ученых (Саратов,.

2010), IX Международном Курнаковском совещании по физико-химическому анализу (Пермь, 2010), научной конференции молодых ученых «Presentig Academic Achievements to the World» (Саратов, 2010).

Публикации. По теме диссертации опубликовано 26 печатных работ: 9 статей в журналах (из них 8 в изданиях, рекомендованных ВАК), 1 — в сборниках статей, 16 тезисов докладов, из них 6 — на Международных конференциях.

Структура и объем работы. Диссертация состоит из введения, 6 глав, выводов, списка использованной литературы и приложения. Библиография включает 163 источника. Диссертационная работа изложена на 186 страницах машинописного текста, содержит 40 рисунков и 42 таблицы в тексте, 4 рисунка и 7 таблиц в приложении.

ВЫВОДЫ.

1. Показано, что новые алгоритмы метода независимых компонент MILCA и SNICA позволяют проводить декомпозицию перекрывающихся спектроскопических сигналов, включая электронные (поглощения и испускания), PIK и ЯМР 'Н спектры. Установлено, что относительная погрешность определения концентраций соединений в смесях не превышают 10%, коэффициенты корреляции выделенных и экспериментальных спектров составляют не менее 0.90. Время разделения не превышает 5 минут.

2. На базе репрезентативной выборки смесей произвольного состава установлено, что алгоритмы MILCA и SNICA во многих случаях превосходят специализированные методы хемометрики (MCR-ALS) и другие ICA алгоритмы (SIMPLISMA, JADE, RADICAL, FastICA) по точности решения задачи «слепого» разделения спектров смесей. Алгоритм MILCA может быть рекомендован для декомпозиции электронных спектров поглощения и ЯМР ]H сигналов, а метод SNICA оптимален при работе с ИК спектрами и спектрами флуоресценции.

3. Алгоритмы MILCA и SNICA позволяют проводить количественный анализ смесей при различном соотношении концентраций компонентов (до 1:20). Установлено, что метод независимых компонент применим к анализу многокомпонентных смесей веществ при относительных отклонениях аналитического сигнала от аддитивности до 10%. Подобраны оптимальные условия регистрации спектров. Применение сглаживающих фильтров целесообразно применять для систем, соединения в которых характеризуются небольшими значениями полуширин спектральных полос, и может уменьшить погрешность определения этих веществ до двух раз.

4. Разработаны методики совместного определения ароматических соединений в топливах, жирои водорастворимых витаминов в поливитаминных (в том числе ветеринарных) препаратах и энергетических напитках на основе спектров поглощения и расчета концентраций алгоритмом MILCA. Методики отличает экспрессность (единичный анализ занимает 10−15 минут), удовлетворительная относительная погрешность (до 12%) и возможность одновременного определения большого количества соединений (до 6) без их предварительного разделения. Полученные результаты хорошо согласуются с рецептурой продуктов, а также данными хроматографического анализа.

5. ЯМР! Н спектроскопия с программой подавления сигналов воды и спирта в сочетании с методом ПЛС использована для одновременного определения 13 летучих веществ в алкогольных напитках. Коэффициенты корреляции для большинства моделей больше 0.90. Разработанные методики применены для анализа разнообразных алкогольные напитков (14−81 об. % этилового спирта).

6. Установлена возможность спектроскопического изучения основных типов равновесий (таутомерные, протолитические, реакции комплексообразования и окисления — восстановления) в сочетании с хемометрическими алгоритмами. Данный подход проиллюстрирован на примере изучения кето-енольной таутомерии, комплексообразования железа с сульфосалициловой кислотой, лантаноидов с глицином и фторид-ионом, иода с алифатическими спиртами, кислотно-основного равновесия и реакции окисления реагентов ДФА ряда. Алгоритм MILCA превосходит по точности методы SIMPLISMA и ALS при описании изученных процессов.

Показать весь текст

Список литературы

  1. Liang Y.-Z., Kvalheim O.M., Manne R. White, grey and black multicomponent systems: A classification of mixture problems and methods for their quantitative analysis // Chemom. Intell. Lab. Syst. 1993. V. l8. P. 235−250.
  2. Л.А., Баранов В. И., Эляшберг M.E. Безэталонный молекулярный спектральный анализ. Теоретические основы. М.: Эдиториал УРСС, 2002. 320 с.
  3. Kowalski В. Chemometrics: Theory and Applications. American Chemical Society: Washington, USA, 1977. 485 p.
  4. Massart D., Dijkstra A., Kaufman L. Evaluation and optimization of laboratory methods and analytical procedures. A Survey of Statistical and Mathematical Techniques. Elsevier: Amsterdam, 1978. 596 p.
  5. Malinowski E., Howery D. Factor Analysis in Chemistry. Wiley: New York, 1980. 415 p.
  6. Brown S.D., Sum S.T., Despagne F., Lavine B.K. Chemometrics // Anal. Chem. 1996. V. 68. P. 21R-61R.
  7. Норке P.K. The evolution of chemometrics // Anal. Chim. Acta. 2003. V. 500. P. 365−377.
  8. Lavine В., Workman J.J. Chemometrics // Anal. Chem. 2004. V. 76. P. 3365−3371.
  9. Jiang T.-H., Liang Y., Ozaki Y. Principles and methodologies in self-modeling curve resolution // Chemom. Intell. Lab. Syst. 2004. V. 71. P. 1−12.
  10. Monakhova Yu.B., Kolesnikova S.S., Mushtakova S.P., Astakhov A. S. Chemometrics-assisted spectrophotometric method for simultaneous determinationof vitamins in complex mixtures // Anal. Bioanal. Chem. 2010. V. 397. P.1297−1306.
  11. Frenich A.G., Zamora D. P., Vidal J.L., Galera M. M. Resolution (and quantitation) of mixtures with overlapped spectra by orthogonal projection approach and alternating least squares // Anal. Chim. Acta. 2001. V. 449. P. 143— 155.
  12. Azzouz Т., Tauler R. Application of multivariate curve resolution alternating least squares (MCR-ALS) to the quantitative analysis of pharmaceutical and agricultural samples // Talanta. 2008. V. 74. P. 1201−1210.
  13. Pasadakis N., Kardamakis A. Identifying constituents in commercial gasoline using Fourier transform-infrared spectroscopy and independent component analysis //Anal. Chim. Acta. 2006. V. 578. P. 250−255.
  14. Massart D.L. Chemometrics: a textbook, Elsevier: New York, 1988. 500 p.
  15. Lavine В. K. Chemometrics // Anal. Chem. 2000. V. 72. P. 91R-97R.
  16. Lawton W. H., Sylvestre E. A. Self modeling curve resolution // Technometrics. 1971. V. 13. P. 617−633.
  17. Silva E.C., Martins V.L., Araujo A.F., Araujo M.C. Implementation of a Generalized Standard Addition Method in a Flow Injection System Using Merging-Zones and Gradient Exploitation//Anal. Sci. 1999. V. 15. P. 1235−1240.
  18. Yu R., Xie Y., Liang Y. Robust principal component analysis and constrained background bilinearization for quantitative analysis // Data Handl. Sci. Technol. 1995. V. 15. P. 57−83.
  19. Zhu Zh.L., Xia J., Zhang J., Li Т.Н. Determination of rate constants from two-way kinetic-spectral data by using rank annihilation factor analysis // Anal. Chim. Acta. 2002. V. 454. P. 21−30.
  20. Sanchez E., Kowalski B.R. Generalized rank annihilation factor analysis // Anal. Chem. 1986. V. 58. P. 496−499.
  21. Wilson B.E., Lindberg W., Kowalski B.R. Multicomponent quantitative analysis using second-order nonbilinear data: theory and simulations // J. Am. Chem. Soc. 1989. V. 111. P. 3797−3804.
  22. Oehman J., Geladi P., Wold S. Residual bilinearization. Part 1: Theory and algorithms // J. Chemometr. 1990. V. 4. P. 79−90.
  23. Thissen U., Ustun B., Meissen W.J., Buydens L.M. Multivariate Calibration with Least-Squares Support Vector Machines // Anal. Chem. 2004. V. 76. P. 30 993 105.
  24. Ohta N. Estimating absorption bands of component dyes by means of principal component analysis // Anal. Chem. 1973. V. 45. P. 553−557.
  25. K. Sasaki, S. Kawata, S. Minami. Constrained Nonlinear Method for Estimating Component Spectra from Multicomponent Mixtures// Appl. Opt. 1983. V. 22. P. 3599−3603.
  26. Henry R.S., Kim B.M. Extension of self-modeling curve resolution to mixtures of more than three components: Part 1. Finding the basic feasible region// Chemometr. Intell. Lab. Syst. 1990. V. 8. P. 205−216.
  27. Wentzell P.D., Wang J.H., Loucks L.F., Miller K.M. Direct optimization of self-modeling curve resolution: application to the kinetics of the permanganate -oxalic acid reaction // Can. J. Chem. 1998. V. 76. P. 1144−1155.
  28. Leger M. N., Wentzell P. D. Dynamic Monte Carlo self-modelling curve resolution method for multicomponent mixtures // Chemometr. Intell. Lab. Syst. 2002. V. 62. P. 171−188.
  29. Maeder M., Zuberbuehler A.D. The resolution of overlapping chromatographic peaks by evolving factor analysis // Anal. Chim. Acta. 1986. V. 181. P. 287−291.
  30. Malinowski E.R. Window factor analysis: Theoretical derivation and application to flow injection analysis data // J. Chemometr. 1992. V. 6. P. 29−40.
  31. Winding W., Guilment J. Interactive Self-Modeling Mixture Analysis // Anal. Chem. 1991. V. 63. P. 1425−1432.
  32. Kvalheim O.M. Liang Y.Z. Heuristic evolving latent projections: resolving two-way multicomponent data. 1. Selectivity, latent-projective graph, datascope, local rank, and unique resolution // Anal. Chem. 1992. V. 64. P. 936−946.
  33. Windig W., Antalek B., Lippert J. L., Batonneau Y., Bremard C. Combined use of conventional and second-derivative data in the SIMPLISMA self-modeling mixture analysis approach // Anal. Chem. 2002. V. 74. P. 1371−1379.
  34. Duponchel L., Elmi-Rayaleh W., Ruckebusch C., Huvenne J. P. Multivariate curve resolution methods in imaging spectroscopy: Influence of extraction methods and instrumental perturbations // J. Chem. Inf. Comput. Sci. 2003. V. 43. P. 2057−2067.
  35. Tauler R. Interpretation of environmental data using chemometrics. in Sample Handling and Trace Analysis of Pollutants: Techniques, Applications and Quality Assurance. Elsevier, Amsterdam, 2000. 689 p.
  36. Gemperline P.J. A priori estimates of the elution profiles of the pure components in overlapped liquid chromatography peaks using target factor analysis// J. Chem. Inf. Comput. Sci. 1984. V. 24. P. 206−212.
  37. Tauler R. Multivariate curve resolution applied to second order data // Chemometr. Intell. Lab. Syst. 1995. V. 30. P. 133−146.
  38. Manne R., Shen H., Liang Y. Subwindow factor analysis // Chemometr. Intell. Lab. Syst. 1999. V. 45. P. 171−176.
  39. Xu C. J., Liang Y. Z., Jiang J. H. Resolution of the embedded chromatographic peaks by modified orthogonal projection resolution and entropy maximization method // Anal. Letters. 2000. V. 33. P. 2105−2128.
  40. Manne R. On the Resolution Problem in Hyphenated Chromatography // Chemometr. Intell. Lab. Syst. 1995. V. 27. P. 89−94.
  41. Jaumot J., Gargallo R., de Juan A., Tauler R. A graphical user-friendly interface for MCR-ALS: a new tool for multivariate curve resolution in MATLAB // Chemometr. Intell. Lab. Syst. 2005. V. 76. P. 101−110.
  42. Gemperline P. J. A priori estimates of the elution profiles of the pure components in overlapped liquid chromatography peaks using target factor analysis //J. Chem. Inf. Comput. Sci. 1984. V. 24. P. 206−212.
  43. Vandeginste B. G., Derks W., Kateman G. Multicomponent self-modeling curve resolution in high performance liquid chromatography by iterative target transformation factor analysis // Anal. Chim. Acta. 1985. V. 173. P. 253−264.
  44. Mason C., Maeder M., Whitson A. Resolving factor analysis // Anal. Chem. 2001. V. 73. P. 1587−1594.
  45. Hamilton J. C., Gemperline P.J. Mixture analysis using factor analysis. II: Self-modeling curve resolution // J. Chemometr. 1990. V. 4. P. 1−13.
  46. Hyvarinen A., Karhunen, J., Oja, E. Independent Component Analysis. Wiley: New York, 2001. 475 p.
  47. Cichocki, A., Aivrapn S. Adaptive Blind Signal and Image Processing. Learning Algorithms and Applications. Wiley: New York, 2002. 522 p.
  48. Jutten C., Herault J. Blind separation of sources .1. An adaptive algorithm based on neuromimetic architecture // Signal Process. 1991. V. 24. P. 1−10.
  49. Comon P. Independent component analysis, a new concept? // Signal Process. 1994. V. 36. P. 287−314.
  50. Wallace R. M. Analysis of absorption spectra of multicomponent systems // J. Phys. Chem. 1960. V. 64. P. 899−901.
  51. Sanchez F. C., Toft J., Bogaert B., Massart D. L. Orthogonal Projection Approach Applied to Peak Purity Assessment // Anal. Chem. 1996. V. 68. P. 7985.
  52. Nuzillard D., Bourg S., Nuzillard J.-M. Model-Free Analysis of Mixtures by NMR Using Blind Source Separation // J. Magn. Resonan. 1998. V.133. P. 358.
  53. Chen J., Wang X. Z. A New Approach to Near-Infrared Spectral Data Analysis Using Independent Component Analysis // J. Chem. Inf. Comput. Sci. 2001. V. 41. P. 992−1001.
  54. Comon P., Jutten C., Herault J. Blind separation of sources, part II: Problems statement // Signal Process. 1991. V. 24. P. 11−20.
  55. Bell A. J., Sejnowski T. J. An Information-Maximization Approach to Blind Separation and Blind Deconvolution // Neural Computation. 1995. V. 7. P. 11 291 159.
  56. Hyvarinen A., Oja E. A Fast Fixed-Point Algorithm for Independent Component Analysis //Neural Computation. 1997. V. 9. P. 1483−1492.
  57. Belouchrani A., Abed-Meraim K., Cardoso J.-F., Moulines E. A blind source separation technique using second-order statistics // IEEE Transactions Signal Process. 1997. V. 45. P. 434−444.
  58. Cardoso J.-F. High-Order Contrasts for Independent Component Analysis // Neural Computation. 1999. V. 11. P. 157−192.
  59. Stogbauer H., Kraskov A., Astakhov S. A., Grassberger P. Least-dependent-component analysis based on mutual information // Phys. Rev. E. 2004. V. 70. P.66 123−66 140.
  60. Plumbley M. D., Oja E. A. A «nonnegativePCA» algorithm for independent component analysis // IEEE Transactions on Neural Networks. 2004. V.15. P. 6676.
  61. Astakhov S. A., Stogbauer H., Kraskov A., Grassberger P. Monte Carlo Algorithm for Least Dependent Non-Negative Mixture Decomposition // Anal. Chem. 2006. V. 78. P. 1620−1627
  62. Moussaoui S., Carteret C., Brie D., Mohammad-Djafari A. Bayesian analysis of spectral mixture data using Markov Chain Monte Carlo Methods // Chemometr. Intell. Lab. Syst. 2006. V. 81. P. 137−148.
  63. Lathauwer L., De Moor B., Vandewalle J. An introduction to independent component analysis //J. Chemometr. 2000. V. 14. P. 123.
  64. Astakhov S. A., Stogbauer H., Kraskov A., Grassberger P. Spectral Mixture Decomposition by Least Dependent Component Analysis // arxiv.org/abs/physics/412 029
  65. Ladroue C., Tate A. R., Howe F. A., Griths J. R. Unsupervised Feature Extraction of in vivo Magnetic Resonance Spectra of Brain Tumours Using Independent Component Analysis // Lecture Notes in Computer Science. 2002. V. 2412. P. 441−446.
  66. Huang Y., Lisboa P. J., El-Deredy W. Tumour grading from magnetic resonance spectroscopy: a comparison of feature extraction with variable selection // Statistics in Medicine. 2003. V. 22. P. 147−164.
  67. Scholz M., Gatzek S., Sterling A., Fiehn O., Selbig J. Metabolite fingerprinting: detecting biological features by independent component analysis // Bioinformatics. 2004. V. 22. P. 2447−2454.
  68. Visser E., Lee T.-W. An information-theoretic methodology for the resolution of pure component spectra without prior information using spectroscopic measurements // Chemometr. Intell. Lab. Syst. 2004. V. 70. P. 147 155.
  69. Albazzaz H., Wang X. Z. Introduction of dynamics to an approach for batch process monitoring using independent component analysis // Chem. Engineer. Communications. 2007. V. 194. P. 218−233.
  70. Pulkkinen J., Hakkinen A.M., Lundbom N., Paetau A., Kauppinen R. A., Hiltunen Y. Independent component analysis to proton spectroscopic imaging data of human brain tumours // Eur. J. Radiology. 2005. V. 56. P. 160−164.
  71. Bonnet N., Nuzillard D. Independent component analysis: A new possibility for analysing series of electron energy loss spectra // Ultramicroscopy. 2005. V. 102. P. 327−337.
  72. Moussaoui S., Brie D., Mohammad-Djafari A., Carteret C. Separation of Non-Negative Mixture of Non-Negative Sources Using a Bayesian Approach and MCMC Sampling // IEEE Transactions on Signal Process. 2006. V. 54. P. 41 334 145.
  73. Nascimento J. M., Dias J. M. B. Does Independent Component Analysis Play a Role in Unmixing Hyperspectral Data? // Lecture Notes in Computer Science. 2003. V. 2652. P. 616−625.
  74. Pasadakis W., Kardamakis A. K. Identifying constituents in commercial gasoline using Fourier transform-infrared spectroscopy and independent component analysis // Anal. Chim. Acta. 2006. V. 578. P. 250−255.
  75. Nieves J. L., Valero E. M., Hernandez-Andres J., Romero J. Recovering fluorescent spectra with an RGB digital camera and color filters using different matrix factorizations // Appl. Optics. 2007. V. 46. P. 4144−4154.
  76. Bi X., Li T. H., Wu L. Application of independent component analysis to the IR spectra analysis // Chem. J. Chin. Univ. 2004. V. 25. P. 1023−1027.
  77. Shao X. G., Wang G. Q., Wang S. F., Su Q. D. Extraction of Mass Spectra and Chromatographic Profiles from Overlapping GC/MS Signal with Background //Anal. Chem. 2004. V. 76. P. 5143−5148.
  78. Ren J. Y., Chang C. Q., Fung P. C. W., Shen J. G., Chan F. H. Y. Free radical EPR spectroscopy analysis using blind source separation // J. Magn. Reson. 2004. V. 166. P. 82−91.
  79. Chang C., Ren J., Fung P. C. W., Hung Y. S., Shen J. G., Chan F. H. Y. Novel sparse component analysis approach to free radical EPR spectra decomposition // J. Magn. Resonan. 2005. V. 175. P. 242−255.
  80. Shao X., Wang W., Hou Z., Cai W. A new regression method based on independent component analysis // Talanta. 2006. V. 69. P. 676−680.
  81. Wang G. Q., Cai W. S., Shao X. G. A primary study on resolution of overlapping GC-MS signal using mean-field approach independent component analysis // Chemometr. Intell. Lab. Syst. 2006. V. 82. P. 137−144.
  82. Ma J., Sun Z.Q. Exploring the Intrinsic Structure of Magnetic Resonance Spectra Tumor Data Based on Independent Component Analysis and Correlation Analysis // Lecture Notes in Computer Science. 2006. V. 4132. P. 788−797.
  83. Feng L., Shu L., Jian L., Guiliang C., Yan C., Yunpeng Q., Yifeng C., Yutian W. A new method for testing synthetic drugs adulterated in herbal medicines based on infrared spectroscopy // Anal. Chim. Acta. 2007. V. 589. P. 200−207.
  84. Shinzawa PL, Jiang J.-H., Iwahashi M., Noda I., Ozaki Y. Self-modeling curve resolution (SMCR) by particle swarm optimization (PSO) // Anal. Chim. Acta. 2007. V. 595. P. 275−281.
  85. Wang W., Cai W.-S., Shao X.-G. A post-modification approach to independent component analysis for resolution of overlapping GC/MS signals: from independent components to chemical components // Sci. China, Ser. B: Chemistry. 2007. V. 50. P. 530−537.
  86. Hahn S., Yoon G. Identification of pure component spectra by independent component analysis in glucose prediction based on mid-infrared spectroscopy // Appl. Optics. 2006. V. 45. P. 8374−8380.
  87. Lee H., Jun C. H., Song J., Hong J. W. The estimation of phase fractions in a galvannealed steel sheet using independent component analysis // Chemometr. Intell. Lab. Syst. 2007. V. 87. P. 81−87.
  88. Vosough M. Using mean field approach independent component analysis to fatty acid characterization with overlapped GC-MS signals // Anal. Chim. Acta. 2007. V. 598. P. 219−226.
  89. Shashilov V. A., Xu M., Ermolenkov V. E., Lednev I. K. Latent variable analysis of Raman spectra for structural characterization of proteins // J. Quantitative Spectrosc. Radiat. Transfer. 2006. V. 102. P. 46−61.
  90. Pichler A., Sowa M. G. Independent component analysis of photoacoustic depth profiles // J. Mol. Spectrosc. 2005. V. 229. P. 231−237.
  91. Learned-Miller E. G., Fisher J. W. ICA Using Spacings Estimates of Entropy//J. Machine Learning Research. 2003. V. 4. P. 1271−1295.
  92. Malinowski, E. R. Obtaining the key set of typical vectors by factor analysis and subsequent isolation of component spectra// Anal. Chim. Acta. 1982. V. 134. P. 129−137.
  93. Bu D. S., Brown C. W. Self-Modeling Mixture Analysis by Interactive Principal Component Analysis //Appl. Spectrosc. 2000. V. 54. P. 1214−1221.
  94. Widjaja E., Li C., Chew W., Garland M. Band-Target Entropy Minimization. A Robust Algorithm for Pure Component Spectral Recovery. Application to Complex Randomized Mixtures of Six Components // Anal. Chem. 2003. V. 75. P. 4499−4507.
  95. Kraskov A., Stogbauer H., Grassberger P. Estimating Mutual Information // Phys. Rev. E. 2004. V. 69. P. 66 138−66 154.
  96. H.C. Теория и практика применения реагентов дифениламинового ряда в анализе. Саратов: Изд-во СГУ, 1976. 113 с.
  97. Varmuza К., Karlovits М., Demuth W. Spectral similarity versus structural similarity: infrared spectroscopy // Anal. Chim. Acta. 2003. V. 490. P. 313−324.
  98. Л.И., Прик H.H. Прибор для изучения кинетики реакций оптическим методом // Заводск. лаборатория. 1960. Т. 26, № 8. С. 23−29.
  99. Orfanidis SJ. Introduction to Signal Processing. Prentice-Hall: New Jork, 1996. 124 p.
  100. Granovsky A. http://classic.chem.msu.su/gran/gamess/index.html
  101. Guo L., Sprenger P., Garland M. A combination of spectral re-alignment and BTEM for the estimation of pure component NMR spectra from multi-component non-reactive and reactive systems // Anal. Chim. Acta. 2008. V. 608. P. 48−55.
  102. Gao F., Zhang H., Guo L., Garland M. Application of the BTEM family of algorithms to reconstruct individual UV-Vis spectra from multi-component mixtures. // Chemometr. Intell. Lab. Syst. 2009. V. 95. P. 94−100.
  103. Shen H., Airiau C. Y., Brereton R. G. Resolution of LC/!H NMR data applied to a three-component mixture of polyaromatic hydrocarborns // J. Chemometr. 2002. V. 16. P. 165−175.
  104. Schoonover J. R., Marx R., Zhang S. Multivariate Curve Resolution in the Analysis of Vibrational Spectroscopy Data Files // Appl. Spectrosc. 2003. V. 57. P. 154A-170A.
  105. Saurina J., Hernndez-Cassou S., Tauler R. Multivariate Curve Resolution and Trilinear Decomposition Methods in the Analysis of Stopped-Flow Kinetic Data for Binary Amino Acid Mixtures // Anal. Chem. 1997. V. 69. P. 2329−2336.
  106. Ong L. R., Widjaja E., Stanforth R., Garland M. Fourier transform Raman spectral reconstruction of inorganic lead mixtures using a novel band-target entropy minimization (BTEM) method. // J. Raman Spectrosc. 2003. V. 34. P. 282−289.
  107. Winding W., Stephenson D.A. Self-Modeling mixture analysis of second-derivative near-infrared spectral data using simplisma approach // Anal. Chem. 1992. V. 64. P. 2735−2742.
  108. Levina E., Wagaman A.S., Callender A.F., Mandair G.S., Morris M.D. Estimating the number of pure chemical components in a mixture by maximum likelihood // J. Chemometr. 2007. V. 21. P. 24−34,
  109. Zyrianov Y. Problem of mixtures with known compositions and IRONFLEA method for multivariate curve resolution // Anal. Chim. Acta. 2007. V. 602. P. 4754.
  110. Wang G., Ding Q., Hou Z. Independent component analysis and its applications in signal processing for analytical chemistry // Trends Anal. Chem. 2008. V. 27. P. 368−376.
  111. Nuzillard D., Bourg S., Nuzillard J. M. Model-Free Analysis of Mixtures by NMR Using Blind Source Separation // J. Magn. Reson. 1998. V. 133. P. 358−363.
  112. Linstrom P.J., Mallard W.G. NIST Mass Spec Data Center. «Infrared Spectra» in NIST ChemistryWebBook, NIST Standard Reference Database. National Institute of Standards and Technology, Gaithersburg, MD, 2003 (http ://webbook.nist.gov)
  113. Kong R.C., Lee M., Tominaga Y., Pratap R., Iwao M., Castle R.N. Mesogenic polysiloxane stationary phase for high-resolution gaschromatography of isomeric polycyclic aromatic-compounds // Anal. Chem. 1982. V. 54. P. 18 021 806.
  114. Hagenmaier H., Kaut H., Krauss P. Analysis of polycyclic aromatic-hydrocarbons in sediments, sewage sludges and composts from municipal refuse by HPLC //Int. J. Environ. Anal. Chem. 1986. V. 23. P. 331−345.
  115. Blanco D., Fernandez M., Gutierrez M. Simultaneous determination of fat-soluble vitamins and provitamins in dairy products by liquid chromatography with a narrow-bore column // Analyst. 2000. V.125. P. 427−431.
  116. Monferrerpons L., Capella-peiro M., Agust M., Esteve-Romero J. Micellar liquid chromatography determination of B vitamins with direct injection and ultraviolet absorbance detection // J. Chromatogr. A. 2003. V. 984. P. 223−231.
  117. Gana F., Hopke P., Wang J. A spectral similarity measure using Bayesian statistics // Anal. Chim. Acta. 2009. V. 635. P. 157−161.
  118. Monakhova Yu.B., Astakhov A.S., Kraskov A.V., Mushtakova S.P. Independent components in spectroscopic analysis of complex mixtures // Chemometr. Intell. Lab. Syst. 2010. V. 103. P. 108−115.
  119. Savitzky A., Golay M. Smoothing and Differentiation of Data by Simplified Least Squares Procedures // Anal. Chem. 1964. V. 36. P. 1627−1639.
  120. Press W. H., Teukolsky S. A., Vetterling W. T., Flannery B. P. Numerical Recipes in Fortran 77: The Art of Scientific Computing- Cambridge University Press: Cambridge, 1996. 818 p.
  121. Feuerstein D., Parker K. H., Boutelle M. G. Practical Methods for Noise Removal: Applications to Spikes, Nonstationary Quasi-Periodic Noise, and Baseline Drift // Anal. Chem. 2009. V. 81. P. 4987−4994.
  122. Grant D.C., Helleur R.J. Simultaneous analysis of vitamins and caffeine in energy drinks by surfactant-mediated matrix-assisted laser desorption/ionization // Anal. Bioanal. Chem. 2008. V. 391. P. 2811−2818.
  123. Luypaert J., Massart D.L., Heyden Y. Near-infrared spectroscopy applications in pharmaceutical analysis // Talanta. 2007. V. 72. P. 865−883.
  124. Lachenmeier D.W., Sohnius E-M, Attig R., Lopez M.G. Quantification of selected volatile constituents and anions in Mexican Agave spirits (Tequila, Mezcal, Sotol, Bacanora). // J. Agric. Food Chem. 2006. V. 54. P. 3911−3915.
  125. Jaumot J., Vives M., Gargallo R., Tauler R. Multivariate resolution of NMR labile signals by means of hard- and soft-modelling methods // Anal. Chim. Acta. 2003. V. 490. P. 253−264.
  126. Abdollahi H., Mahdavi V. Tautomerization Equilibria in Aqueous Micellar Solutions: A Spectrophotometric and Factor-Analytical Study // Langmuir. 2007. V. 23. P. 2362−2368.
  127. Jaumot J.5 Gemperline P. J., Stang A. Non-negativity constraints for elimination of multiple solutions in fitting of multivariate kinetic models to spectroscopic data// J. Chemometr. 2005. V. 19. P. 97−106.
  128. Cruz S. C., Rothenberg G., Westerhuis J. A., Smilde A. K. Estimating kinetic parameters of complex catalytic reactions using a curve resolution based method//Chemometr. Intell. Lab. Syst. 2008. V. 91. P. 101−109.
  129. Saurina J., Hernandez-Cassou S., Tauler R. Multivariate curve resolution applied to continuous-flow spectrophotometric titrations. Reaction between amino acids and 1,2-naphthoquinone-4-sulfonic acid // Anal. Chem. 1995. V. 67. P. 37 223 726.
  130. Leeson F., Lundstedt T., Lejon T. Multivariate analysis in reaction mechanism studies // J. Chemometr. 2006. V. 20. P. 386−391.
  131. Guo L., Sprenger P., Garland M. A combination of spectral re-alignment and BTEM for the estimation of pure component NMR spectra from multi-component non-reactive and reactive systems // Anal. Chim. Acta. 2008. V.608. P. 48−55.
  132. Э., Тиммонс К. Электронная адсорбционная спектроскопия в органической химии. М: Мир, 1974. 296 с.
  133. В.М., Громова М. И. Методы абсорбционной спектроскопии в химии. М.: Высшая школа. 1976. 280 с.
  134. McBryde W, Rohr J.L., Penciner J.S., Page J.A. Stability constants of three iron (III) salicylates // Can. J. Chem. 1970. V. 48. P. 2574−2586.
  135. И.В., Хмелев С. С. Анализ качества готовой редкометаллической продукции // Цветные металлы. 2009. Т. ЗО, № 11. С. 46 -53.
  136. К.Б., Крис Е. Е., Гвяздовский B.JI. Константы устойчивости комплексов металлов с биолигандами. Киев: «Наукова Думка». 1979, С. 31.
  137. Е. Н., Гольдштейн И. П., Ромм И. П. Донорно-акцепторная связь. М: Химия. 1973. 400 с.
  138. С.П. Теория действия и применение органических редокс-реагентов ряда дифениламина в спектрофотометрическом анализе: Дис.. канд. хим. наук. Саратов: Сарат. ун-т, 1987. 462 с.
  139. Э. Индикаторы. Том 2. М.: Мир. 1976, 446 с.
  140. А.Н., Щавлев А. Е. Протолитические, окислительно-восстановительные и полярные свойства реагентов ряда дифениламина: квантовохимическая оценка // Журн. аналит. химии. 2001. Т.56, № 2. С. 143 151.
  141. Ю.Б., Муштакова С. П. Оценка основных характеристик реагентов дифениламинового ряда квантово-химическими и хемометрическими методами // Журн. аналит. химии. 2010. Т. 65, № 10. С. 1020−1026.
Заполнить форму текущей работой

Сессия? Спокойно!