人工神经网络—近红外光谱法用于药物无损非破坏定量分析的研究

论文摘要

本文应用近红外光谱（NIR Spectroscopy）结合人工神经网络（ANN）误差反向传播算法（BP）,简称BP网络,对六种不同药物的有效活性成分进行了定量分析,建立了适合于不同药物的神经网络模型,取得了较好的成果,实现了药物的无损非破坏定量分析。研究并建立了单一活性成分的扑热息痛片和西咪替丁片的最佳ANN模型,同时将它们分别研成粉末建立了粉末药的最佳ANN模型,并且和片剂模型做了比较。证明直接用片剂建立ANN模型可以得到良好的效果。研究并建立了含有两个活性成分的复方氨酚苯海拉明粉末药和复方氨酚烷胺片的最佳ANN模型。前者与偏最小二乘（PLS）模型做了比较,说明ANN法在处理复杂非线性体系比PLS法具有优越性。将主成分分析（PCA）技术引入神经网络,研究并建立了预测两个活性成分含量的去痛片和复方乙酰水杨酸片的PC-ANN模型,同时也建立了ANN模型,并将PC-ANN模型和ANN模型做了比较。结果表明:得分的使用减少了ANN的输入节点数,同时全面包含了有用的化学信息,因而PC-ANN模型的建立更具有优越性。

论文目录

• 前言
• 参考文献
• 第一章 近红外光谱分析技术及其应用
• 1.1 近红外光谱的发展概况
• 1.2 近红外光谱的产生及光谱特征
• 1.3 近红外光谱技术的特点
• 1.4 近红外光谱分析实验技术
• 1.4.1 近红外分析中的样品采样
• 1.4.2 近红外分析中的样品处理
• 1.4.3 近红外分析中的样品装载
• 1.4.4 校正集样品的选择
• 1.4.5 固体样品分析
• 1.4.6 近红外光谱漫反射分析技术
• 1.5 近红外光谱的定量分析
• 1.5.1 校正模型训练集样品的选择
• 1.5.2 测量光谱数据
• 1.5.3 原始光谱的预处理
• 1.5.4 校正模型的建立与验证
• 1.5.5 分析未知样品
• 1.6 近红外光谱分析中常用的多变量校正技术
• 1.7 近红外光谱技术的应用
• 参考文献
• 第二章 人工神经网络理论及其应用
• 2.1 人工神经网络的发展概况
• 2.2 人工神经网络的基本性质
• 2.3 神经元模型
• 2.4 BP-前馈人工神经网络
• 2.4.1 BP-前馈人工神经网络的提出
• 2.4.2 BP 网络的结构与算法的递推关系式
• 2.4.3 算法的实现步骤
• 2.4.4 BP 算法的收敛性和改进
• 2.5 使用BP 网络定量分析药物含量的整体设计
• 2.5.1 实验仪器及软件
• 2.5.2 BP 网络模型的设计
• 2.5.3 逼近度的使用
• 2.5.4 BP 网络模型的可靠性评价
• 2.6 PC-ANN 网络设计
• 2.6.1 主成分得分
• 2.6.2 输入节点的选择
• 2.7 人工神经网络在化学方面的应用
• 参考文献
• 第三章 扑热息痛片的定量分析
• 3.1 实验部分
• 3.1.1 样品的制备及含量测定
• 3.1.2 测量条件
• 3.2 结果与讨论
• 3.2.1 近红外漫反射光谱
• 3.2.2 扑热息痛片NIR 原始光谱建立最佳ANN 模型参数的选择
• 3.2.3 扑热息痛片一阶、二阶导数光谱和粉末药品光谱建立ANN 模型参数的选择
• 3.2.4 人工神经网络模型的可靠性评价
• 3.3 本章小结
• 参考文献
• 第四章 西咪替丁片的定量分析
• 4.1 实验部分
• 4.1.1 样品的制备及含量测定
• 4.1.2 测量条件
• 4.2 结果与讨论
• 4.2.1 近红外漫反射光谱
• 4.2.2 使用SNV 预处理光谱建立最佳ANN模型各个参数的选择
• 4.2.3 导数预处理光谱的最佳 ANN 模型以及粉末模型的建立
• 4.2.4 人工神经网络模型的可靠性评价
• 4.3 本章小结
• 参考文献
• 第五章 复方氨酚苯海拉明粉末药品的定量分析
• 5.1 实验部分
• 5.1.1 样品的制备及含量测定
• 5.1.2 测量条件
• 5.2 结果与讨论
• 5.2.1 近红外漫反射光谱
• 5.2.2 一阶导数预处理光谱建立最佳ANN 模型同时测定双组分含量
• 5.2.3 二阶导数和SNV 预处理光谱建立ANN 模型同时测定双组分含量
• 5.2.4 三种预处理光谱单独预测两个组分含量的最佳ANN模型
• 5.2.5 人工神经网络模型的可靠性评价
• 5.2.6 偏最小二乘法预测双组分含量
• 5.3 本章小结
• 参考文献
• 第六章 复方氨酚烷胺片的定量分析
• 6.1 实验部分
• 6.1.1 样品的制备及含量测定
• 6.1.2 测量条件
• 6.2 结果与讨论
• 6.2.1 近红外漫反射光谱
• 6.2.2 二阶导数光谱建立最佳片剂ANN 模型同时测定双组分含量
• 6.2.3 SNV 和一阶导数光谱建立最佳片剂模型同时测定双组分含量
• 6.2.4 三种预处理光谱单独预测双组分含量的最佳片剂ANN 模型
• 6.2.5 粉末药品的ANN 模型
• 6.2.6 ANN 模型的可靠性评价
• 6.3 本章小结
• 参考文献
• 第七章 去痛片的定量分析
• 7.1 实验部分
• 7.1.1 样品的制备及含量测定
• 7.1.2 测量条件
• 7.2 结果与讨论
• 7.2.1 近红外漫反射光谱
• 7.2.2 SNV 光谱建立的最佳PC-ANN 模型
• 7.2.3 其它预处理光谱建立的最佳PC-ANN 模型
• 7.2.4 四种预处理光谱的最佳ANN 模型
• 7.2.5 PC-ANN 模型和ANN 模型的可靠性评价
• 7.3 本章小结
• 参考文献
• 第八章 复方乙酰水杨酸片的定量分析
• 8.1 实验部分
• 8.1.1 样品的制备及含量测定
• 8.1.2 测量条件
• 8.2 结果与讨论
• 8.2.1 近红外漫反射光谱
• 8.2.2 一阶导数光谱建立的最佳PC-ANN 模型
• 8.2.3 其它预处理光谱建立的最佳PC-ANN 模型
• 8.2.4 四种预处理光谱的最佳ANN 模型
• 8.2.5 PC-ANN 模型和ANN 模型的可靠性评价
• 8.3 本章小结
• 参考文献
• 摘要
• 附录
• 致 谢