Хемометрика в аналитической химии
Зарегистрируйся в два клика и получи неограниченный доступ к материалам,а также
промокод
на новый заказ в Автор24. Это бесплатно.
Введение
Современные хроматографические и спектрометрические методы в изобилии предоставляют оцифрованные данные. В этой главе описывается важность предварительной обработки данных в хемометрии. Он различает основы различных методов анализа данных и обсуждает разницу между контролируемым и неконтролируемым распознаванием образов. В этой главе также проводится различие между классификацией и построением модели или регрессией. Он оценивает широкий спектр проблем аналитической химии, которые могут быть решены хемометрическими методами. В главе представлены объекты исследований в аналитической химии по-разному. Это объясняет важность проверки модели и обсуждает наиболее часто используемые методы проверки в аналитической химии. В этой главе представлен небольшой выбор различных и ярких приложений хемометрических методов в различных областях аналитической химии. Он знакомит читателя с многовариантным разрешением кривой, искусственными нейронными сетями и оптимизацией колоний муравьев. Современные хроматографические и спектрометрические методы в изобилии предоставляют оцифрованные данные. В частности, переносные методы, соединяющие методы разделения с детекторами, дают огромное количество данных. Вычислительная мощность современных компьютеров (скорость, количество данных) стала настолько высокой, что рационализация и передача данных в информацию стали одной из самых важных, интересных и полезных задач в аналитической химии. В этом смысле хемометрика (то есть многомерный статистический анализ химических данных) может рассматриваться как аналог хемоинформатики для приложений в аналитической химии. В то время как существует значительное совпадение между вычислительными наборами инструментов этих двух полей, хемометрики также часто применяют методы анализа данных, которые в первую очередь связаны с этой областью. На самом деле, хемометрическое сообщество внесло свой вклад в общий набор инструментов анализа данных, разработав важные методологии. В следующей главе мы дадим краткое введение в эти методы, включая методы предварительной обработки данных и проверки, часто используемые в хемометрике. Цели • Описать важность предварительной обработки данных • Различать основы различных методов анализа данных • Сравнить разницу между контролируемым и неконтролируемым распознаванием образов. • Различать разницу между классификацией и построением модели или регрессией • Оценить широкий спектр проблем аналитической химии, которые могут быть решены хемометрическими методами. • Представлять объекты исследований в аналитической химии по-разному • Выбрать дескрипторы для объектов, которые сильно влияют на исследуемое свойство • Объяснить важность проверки модели
Источники данных, предварительная обработка данных
Если данные расположены в матричной форме, векторы столбцов называются переменными (признаками), а строки - объектами (падежами). По соглашению в хемометрике образцы располагаются в строках, а измеренные величины, переменные, длины волн и т. Д. В сто...
Открыть главуЗаключение
Другие интересные приложения в области анализа пищевых продуктов можно найти в работе Beruetta et al. [60]). 9.6 Перспективы, перспективы Существует много более важных и часто используемых методов в хемометрии и аналитической химии. Чтобы привести некоторые недавние или просто интересные примеры, мы кратко познакомим читателя с многовариантным разрешением кривой (MCR, искусственные нейронные сети (ANN и оптимизация колоний муравьев) (ACO. Последние два являются отличными примерами методов, основные концепции которых основаны на естественных системах или явление. Разрешение многомерной кривой (MCR) имеет алгоритм, аналогичный PCA, и его невозможно решить без ограничений (неотрицательность, замыкание и т. д.) из-за неоднозначности вращения. В отличие от PCA, MCR может найти химический ранг и может теоретически 26 разложить спектры чистых составляющих, если выполняются некоторые условия. Одной из реализаций MCR является чередование наименьших квадратов (ALS) [61]. Искусственные нейронные сети (ANN) были разработаны для имитации функций реальной нейронной сети в мозг. Вдохновленный работой мозга, возможно, был создан лучший метод нелинейной подгонки. Этот метод развивает взаимосвязь между входной (независимой) переменной (-ями) и выходной (зависимой) вмятина) переменная (ые). В то время как существует много форм нейронных сетей, как для обучения без присмотра, так и для обучения под наблюдением, наиболее часто используемым является ANN с прямой связью (также называемый ANN с обратным распространением ошибок). Обычно вводится один скрытый слой, состоящий из блоков, называемых «узлами». Исходные дескрипторы (переменные) взвешиваются и преобразуются между входом / выходом и скрытыми слоями. Как правило, рекомендуется избегать минимального количества скрытых узлов, чтобы избежать их переоснащения. (Хотя этот метод упоминается как непараметрический, вышеупомянутые веса, а также смещение (или смещение) являются настраиваемыми параметрами ANN.) Хотя ANN можно использовать как простой метод регрессии - особенно если набор данных имеет нелинейность - Есть и другие важные применения, например, выбор переменных [62–64]. Оптимизация колоний муравьев (ACO) может применяться для сложных задач комбинаторной оптимизации. Идея основана на реальных муравьиных колониях, где члены колонии оставляют следы феромонов, чтобы вести других к источнику пищи. Этот метод может быть успешно использован, например, для выбора спектральной длины волны или задач кластеризации. ACO - это метаэвристический алгоритм, подобный генетическим алгоритмам или моделируемому отжигу. В процессе ACO несколько «агентов» (типа муравьев) создают итеративно разные решения для точной задачи [65]. Хотя в хемометрике существуют устоявшиеся методологии и основы, всегда есть новые проблемы, новые проблемы, которые необходимо решать. В частности, по мере увеличения объема данных, генерируемых (переносимыми) аналитическими методами, анализ данных, связанных с химией, начинает приближаться к области больших данных. Тем не менее, расширения существующих методологий анализа данных уже разрабатываются и успешно применяются в смежных областях. Алгоритмы машинного обучения сменяются методами глубокого обучения, которые могут работать с чрезвычайно сложными моделями (например, нейронными сетями со многими тысячами или даже миллионами узлов). Однако, когда мы применяем эти методы, наша забота должна быть примерно такой же, поскольку их труднее понять (и контролировать). Таким образом, разработка подходящих методов проверки будет иметь первостепенное значение.
Список литературы
1. М.А. Шараф, Д.Л. Иллмэн, Б.Р. Ковальски. Хемометрика, Пер. с англ. М. Мир: 1987 [M. Sharaf, D. Illman, B. Kowalski. Chemometrics. NY: Wiley. 1986] 2. Ю.А. Золотов. Аналитическая химия: проблемы и достижения, М. Наука 1992 3. Ю.В. ГрановскийУспехи и проблемы. Вест. МГУ Сер 2 Химия, 38, 211 (1997) 4. Ю.А. Карпов, Т.М. Полховская. Стандартизация и метрология в металлургическом производстве: М. МИСИС 1989 5. P. Geladi, K. Esbensen. Chemometrics, a growing and maturing discipline (Editorial). Chemom. Intell. Lab. Syst., 7, 197 (1990) 6. D.L. Massart. Chemometrics: a textbook, Elsevier, NY, 1988 7. S. Wold. Chemometrics; what do we mean with it, and what do we want from it? Chemom. Intell. Lab. Syst., 30, 109 (1995). 8. M. Blanco, I. Villarroya. NIR spectroscopy: a rapid-response analytical tool, Trends Anal. Chem., 21, 240 (2002) 9. B.G. Osborne, T. Fearn. Near Infrared Spectroscopy in Food Analysis, Longman Scientific and Technical, Harlow, Essex, England, 1986. 10. M. Blanco, J. Coello, H. Iturriaga, S. Maspoch, E. Rovira, J. Pharm. Biomed. Anal., 16, 255 (1997). 11. A. Espinosa, D. Lambert, M. Valleur. Hydrocarbon Process, 74, 86 (1995). 12. T. Næs, C. Irgens, H. MartensComparison of linear statistical methods for calibration of NIR instruments. Appl. Stat., 35, 195 (1986) 13. H. Martens, T. Næs. Multivariate calibration. I. Concepts and distinctions. Trends Anal. Chem., 3, 204 (1984) 14. K. Pearson. On lines and planes of closest fit to systems of points in space, Philippine Mag., 2 (6), 559 (1901) 15. W.S. Gosset (”Student”). The probable error of a mean. Biometrika, 6 , 1 (1908) 16. R.A. Fisher. Statistical methods for research workers. Oliver and Boyd, Edinburgh.1925. 17. R.A. Fisher. The design of experiments. Oliver and Boyd, Edinburgh. 1935. 18. В. Налимов Применение математической статистики при анализе вещества М, 1960 19. S. Wold, K. Esbensen, P. Geladi. Principal component analysis. Chemom. Intell. Lab. Syst., 2, 37 (1987).
