化學(xué)模式識別和多維校正方法及其在復(fù)雜體系分析中的應(yīng)用研究.pdf

1、隨著現(xiàn)代科學(xué)技術(shù)的飛速發(fā)展,大量新型多通道高階分析儀器相繼問世,以及應(yīng)用體系日益復(fù)雜化,分析化學(xué)工作者面對的不再是進行簡單的標量或矢量響應(yīng)數(shù)據(jù)分析,而是成千上萬個數(shù)據(jù)點組成的基于陣列基礎(chǔ)之上的二維、三維甚至四維的化學(xué)數(shù)據(jù)陣分析。這些龐大的數(shù)據(jù)陣中不僅包含了豐富的有用化學(xué)信息,也包含了一些干擾組分響應(yīng)、背景響應(yīng)、儀器噪音等,化學(xué)計量學(xué)理論和方法的不斷發(fā)展為從這些復(fù)雜的數(shù)據(jù)中提取有用化學(xué)信息提供了各種有效的解決方法?；瘜W(xué)計量學(xué)理論體系中的化

2、學(xué)模式識別和多維校正方法是解析這些復(fù)雜數(shù)據(jù)信息的非常重要的兩個研究領(lǐng)域,本論文通過對這兩個領(lǐng)域的熱點和難點的追蹤研究,選取了其中幾個重要的問題進行方法探索和應(yīng)用研究,內(nèi)容主要涉及以下幾個方面:
　　 1、化學(xué)模式識別方法與中藥近紅外光譜的質(zhì)量控制研究(第二章-第三章)
　　 中藥材原料質(zhì)量除了與是否存在摻雜使假的真?zhèn)蝺?yōu)劣有關(guān)之外,其質(zhì)量特征和藥效還與它們的地理區(qū)域性密切相關(guān)。另外,對于復(fù)方中藥的質(zhì)量除了與所采用的中藥材原

3、料用藥密切相關(guān),還與市場上各個廠家的生產(chǎn)加工用藥和工藝流程相關(guān)。因此,中藥材的真?zhèn)蝺?yōu)劣、不同道地性藥材以及不同廠家的復(fù)方中藥的判別對中藥質(zhì)量控制和有效監(jiān)督市場行為具有重要的現(xiàn)實意義。本文通過利用近紅外漫反射技術(shù)采集不同質(zhì)量類屬的牛黃樣品以及不同廠家的復(fù)方中藥六味地黃丸的近紅外紅光譜,提出了一種移動窗口偏最小二乘判別分析(MWPLSDA)模式識別方法對這些不同類屬的牛黃樣品或六味地黃丸樣品的近紅外光譜數(shù)據(jù)進行表征和信息提取,相比傳統(tǒng)的主成

4、分分析(PCA)、線性判別分析(LDA)、偏最小二乘判別分析(PLSDA)模式識別方法,該方法通過剔除與分類無關(guān)以及干擾分類的無用信息變量的影響,能更有效地處理近紅外光譜指紋信息中的非線性和復(fù)共線性等復(fù)雜的相關(guān)關(guān)系,從而有助于更好地從差異微小的指紋分類信息中提取出能反映中藥材牛黃樣本真?zhèn)巍⒌赖匦圆顒e和復(fù)方中藥六味地黃丸樣本廠家來源的判別隱變量,給出更好的模式識別效果。該方法簡單快速而又切實可行,可望推廣用于判別市面各種中藥真?zhèn)巍a(chǎn)地歸屬

5、、質(zhì)量類別等。
　　 2、一階校正新算法研究與多元光譜數(shù)據(jù)分析(第四章)
　　 最小二乘支持向量機(LS—SVM)以其優(yōu)越的性能在對多元光譜的二維數(shù)據(jù)分析的一階校正建模中得到越來越廣泛的應(yīng)用,但它的性能在很大的程度上還依賴于數(shù)據(jù)集分布的均一性和模型誤差的同質(zhì)性,這也是一階校正算法中存在的普遍性問題。因此,對一階校正建模中的訓(xùn)練集樣品的代表性和最優(yōu)化樣品加權(quán)問題進行研究將關(guān)系到這類模型的進一步推廣應(yīng)用。但是,由于在多元光譜

6、分析中樣品光譜空間的多維性和復(fù)雜性以及樣品選取過程中的不確定性,使得準確估計訓(xùn)練集樣品在整個樣品空間的代表性尚存在一定困難。傳統(tǒng)的多元校正模型大多根據(jù)經(jīng)驗方法選擇代表性樣品,在某些不利的情況下可能會影響校正模型對新樣品的預(yù)測性能。為解決以上問題,同時考慮到樣品的代表性很難通過考察單個樣品進行估計以及多元校正模型本身還存在模型最佳參數(shù)的選擇與確定,我們把樣樣品加權(quán)和最小二乘支持向量機相結(jié)合,基于粒子群優(yōu)化算法,提出了一種自適應(yīng)訓(xùn)練最優(yōu)化樣

7、品加權(quán)最小二乘支持向量新算法(OSWLS-SVM)并用于多元光譜分析。該算法通過對原來的訓(xùn)練集樣品進行非負加權(quán),在校正建模過程中同時考慮了模型的復(fù)雜性和預(yù)測能力,以同時優(yōu)化原始校正集樣品的訓(xùn)練和獨立驗證集樣品的預(yù)測為訓(xùn)練目標,采用粒子群優(yōu)化算法實現(xiàn)對樣品代表性的某種最優(yōu)化重新刻度的同時,也能實現(xiàn)模型超驗參數(shù)的優(yōu)化。將該新算法用于真實的多元光譜二維數(shù)據(jù)集的校正分析結(jié)果表明,原始校正樣品的代表性較差時,模型的預(yù)測性能確實能得以改善。另外對基

8、于粒子群優(yōu)化算法搜索性能的穩(wěn)定性和有效性進行了考察,結(jié)果也表明,新算法非常穩(wěn)定有效。新算法為二維數(shù)據(jù)分析校正問題提供了一種新的全自動建模方法,且構(gòu)建思想具有通用性,因此還能為改進其它一階校正方法提供一種參考。
　　 3、二階校正方法與三維熒光技術(shù)用于直接或間接定量分析體液中藥物含量(第五章-第六章)
　　 復(fù)雜體液中藥物的快速分析是現(xiàn)代生命醫(yī)學(xué)領(lǐng)域面臨的一個重要的問題,傳統(tǒng)方法采用色譜分離技術(shù)來實現(xiàn)這一目的,通常情況下通

9、過調(diào)整色譜柱或者色譜條件分離,但是由于體液中含有不可預(yù)測的基質(zhì)及其他干擾物,在某些情況下往往難以實現(xiàn)完全分離,并且對于萃取分離條件的考察也十分耗時耗材。因此,考慮到熒光檢測技術(shù)具有高靈敏度、高選擇性、費用低等優(yōu)點,以及化學(xué)計量學(xué)二階校正相比一階校正具有二階優(yōu)勢:即使有未知干擾共存也能對感興趣組分進行定量分析,我們利用二階校正方法與三維激發(fā)-發(fā)射熒光光譜相結(jié)合,運用平行因子(PARAFAC)和交替歸一加權(quán)殘差(ANWE)算法對三維熒光數(shù)據(jù)

10、進行解析,在不用對干擾物和背景物加以校正建模的情況下,以數(shù)學(xué)分離代替化學(xué)分離,再基于標樣的已知濃度,利用簡單回歸法實現(xiàn)了抗癌藥物伊立替康的血藥濃度和其在人尿液中濃度的直接有選擇性的定量分析。該方法快速簡便,花費成本低廉,定量結(jié)果滿意。有潛力成為一種臨床監(jiān)控人體液中伊立替康含量的快速、靈敏分析方法。另外,為了將熒光檢測技術(shù)與二階校正方法所體現(xiàn)的優(yōu)勢繼續(xù)發(fā)揮在體液中弱熒光藥物和無熒光藥物的量化分析,我們通過膠束增敏增強三維熒光策略與基于PA

11、RAFAC和ANWE的二階校正方法相結(jié)合,增強了熒光分析方法的選擇性,且僅需簡單的樣品預(yù)處理就實現(xiàn)了人血漿和同源藥物多潘立酮干擾共存下的甲氧氯普胺精確的光譜分辨和準確的濃度預(yù)測。此外,還提出了一種新的對無熒光藥物美洛昔康在未知干擾共存下的人體尿液中的定量分析方法。該方法基于無熒光的美洛昔康通過氧化衍生水解反應(yīng)后生成強熒光化合物這一特性,仍然采用PARAFAC和ANWE這兩種二階校正方法對衍生三維熒光進行數(shù)學(xué)分離,再通過間接校正目標分析物

12、美洛昔康,獲得了滿意的定量結(jié)果。
　　 4、三階校正新算法研究及優(yōu)勢探索(第七章-第八章)
　　 當對四線性成分模型的四維數(shù)據(jù)進行定量預(yù)測分析時,這一方法可被稱作三階校正,其具有的優(yōu)勢可稱三階優(yōu)勢。理論上,三階校正的優(yōu)勢不僅包括二階優(yōu)勢,應(yīng)該還會包括更多的優(yōu)勢。針對二階校正在解決某些復(fù)雜體系分析中存在的不足,以及為適應(yīng)將來更多復(fù)雜體系數(shù)據(jù)解析或者高階聯(lián)用儀器的高階數(shù)據(jù)分析,研究三階校正方法相當重要。然而,迄今為止,僅僅很

13、少的文獻報道過對四維數(shù)據(jù)的分析。作者在通過分析文獻中僅有的少數(shù)幾個四維算法的基礎(chǔ)上,總結(jié)了三階校正算法開發(fā)的總體思路,并首次基于四線性模型的不完全擴展的矩陣形式,開發(fā)了兩種三階校正新算法。
　　 針對基于完全擴展矩陣形式的四維平行因子(fourway—PARAFAC)對擬合模型需要的化學(xué)秩敏感、收斂速度慢、容易出現(xiàn)衰退解等不足,以及基于切片矩陣形式開發(fā)的交替懲罰四線性分解算法(APQLD)對噪聲容忍能力弱的缺點,本文第七章中,開

14、發(fā)了一種基于不完全擴展矩陣形式的交替加權(quán)殘差約束四線性分解(AWRCQLD)新算法。該算法構(gòu)建四個獨特的加權(quán)殘差函數(shù)作為四線性模型損失函數(shù)的約束項,以交替最小化四個新的加權(quán)殘差目標函數(shù)求解四維數(shù)據(jù)陣中四個潛在的矩陣。通過測試模擬的三維、四維數(shù)陣以及設(shè)計真實實驗以信息總量相等的三維和四維數(shù)陣進行解析對比,對應(yīng)用最為廣泛的幾種二階校正方法以及基于新算法AWRCQLD、fourway-PARAFAC和APQLD的三階校正方法的結(jié)果進行比較,探

15、索了三階校正相比二階校正所具有的三階優(yōu)勢,挖掘了新算法相比fourway-PARAFAC和APQLD兩種四維算法所具有的優(yōu)越性。研究表明,四維陣并不是三維陣的簡單集合,各維間有著其獨特的內(nèi)在聯(lián)系。三階校正能更充分的提取數(shù)據(jù)隱含信息和提高分辨能力,能解決二階校正無法正確解析的高度共線性病態(tài)模擬數(shù)據(jù),也能解決二階校正無法對血漿中某些內(nèi)源干擾物質(zhì)的熒光光譜與目標分析物奧沙普秦的光譜存在嚴重重疊且高度相似時的合理分辨和正確校正的問題。此外,新算

16、法AWRCQLD克服了兩種已有四維算法的不足,與fourway-PARAFAC算法相比,新算法不僅收斂速度快而且對組分數(shù)不敏感。與APQLD算法相比,新算法對噪聲有很強的容忍能力,穩(wěn)健性令人滿意。新算法的顯著特點就是當體系噪聲極大或共線性極強時,且組分數(shù)過剩時,分辨得到的感興趣分析物的圖譜都十分穩(wěn)定,并且具有較快的收斂速度。該算法極有潛力成為研究復(fù)雜化學(xué)體系和過程中的四維數(shù)據(jù)分析的一種普適性算法。
　　 二階優(yōu)勢的發(fā)現(xiàn),曾極大地

17、推動了化學(xué)計量學(xué)的長足發(fā)展。我們也可以大膽預(yù)測,三階優(yōu)勢也可能會在更多的實際應(yīng)用中展露鋒芒。為了能為四維數(shù)據(jù)分析提供更多可選擇的方法,在本文第八章中,我們?nèi)匀粡牟煌耆珨U展形式的四線性模型出發(fā),開發(fā)一種自約束交替四線性分解(SRAQLD)新算法。該算法設(shè)計了具有密切內(nèi)在聯(lián)系的四個目標函數(shù),其每個目標函數(shù)的兩個部分之間互為平衡約束,以交替最小化四個個自約束的殘差求解四維數(shù)據(jù)陣中四個潛在的矩陣。在實驗中,由于氯丙嗪與血漿存在熒光基體效應(yīng),而導(dǎo)

18、致二階校正和二階標準加入法對血漿中氯丙嗪的量化分析均出現(xiàn)不同程度的預(yù)測偏差。為了改善結(jié)果,通過增加血漿背景量的變化這一維信息,構(gòu)建激發(fā)-發(fā)射-背景體積量-樣本的熒光響應(yīng)四維數(shù)陣。并將four-way PARAFAC、APQLD與新提出的AWRCQLD和SRAQLD這四種三階校正方法對該體系進行研究。結(jié)果顯示,利用三階校正方法可提取藥物中氯丙嗪在不同血漿背景量下隱含的作用趨勢,使這種隱含信息不會被錯誤關(guān)聯(lián)在分辨得到的光譜輪廓與相對濃度中,