支持向量机回归—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)结合支持向量机回归(SVR),对三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支持向量回归模型,取得较好的成果,实现了药物的无损非破坏定量分析。研究并建立了活性成分的土霉素药品粉末,氨苄西林药品粉末和氧氟沙星药品粉末的最佳SVR模型。本文采用交叉验证均方差(RMSECV)作为交叉验证的检验指标,以相对偏差(RSE)来考察所建模型的性能和预测效果,并计算交叉验证和预测集上的相关系数(R),研究结果表明SVR方法具有一定的处理高维有限数量的非线性数据能力。鉴于药物分析领域小样本统计的课题甚多,将SVR理论应用于解决此类实际问题的研究具有一定意义。

论文目录

• 提要
• 第一章 化学计量学
• 1.1 化学计量学发展概况
• 1.2 化学计量学定义及研究范畴
• 1.3 化学计量学在分析化学中的应用
• 1.4 化学计量学在药品分析上的应用
• 参考文献
• 第二章 近红外光谱分析技术
• 2.1 近红外光谱的发展概况
• 2.2 近红外光谱的产生及光谱特征
• 2.3 近红外光谱技术的特点
• 2.4 近红外光谱分析实验技术
• 2.4.1 近红外分析中的样品采样
• 2.4.2 固体样品分析
• 2.4.3 近红外光谱漫反射分析技术
• 2.5 近红外光谱的定量分析
• 2.5.1 校正模型训练集样品的选择
• 2.5.2 测量光谱数据
• 2.5.3 近红外分析中的样品装载
• 2.5.4 校正样品集的选择
• 2.5.5 分析未知样品
• 2.6 近红外光谱分析中常用的多变量校正技术
• 2.7 近红外光谱技术的应用
• 参考文献
• 第三章 支持向量机基本理论及其应用
• 3.1 支持向量机的研究背景
• 3.2 支持向量机的理论基础
• 3.2.1 监督学习
• 3.2.2 机器学习问题的表示
• 3.2.3 经验风险最小化
• 3.2.4 复杂性和泛化性
• 3.2.5 VC 维
• 3.2.6 推广性的界
• 3.2.7 结构风险最小化
• 3.2.8 用于学习的支持向量机
• 3.3 支持向量机分类理论
• 3.3.1 线性可分情况
• 3.3.2 线性不可分情况
• 3.4 支持向量机回归理论
• 3.5 支持向量机的应用
• 参考文献
• 第四章 土霉素药品的定量分析
• 4.1 实验部分
• 4.1.1 仪器和软件
• 4.1.2 样品的制备
• 4.1.3 样品的含量测定
• 4.1.4 样品的测量条件
• 4.1.5 支持向量回归模型性能评估
• 4.2 结果与讨论
• 4.3 本章小结
• 参考文献
• 第五章 氧氟沙星药品的定量分析
• 5.1 实验部分
• 5.1.1 仪器和软件
• 5.1.2 样品的制备
• 5.1.3 样品的含量测定
• 5.1.4 样品的测量条件
• 5.1.5 支持向量回归模型性能评估
• 5.2 结果与讨论
• 5.3 本章小结
• 参考文献
• 第六章 氨苄西林药品的定量分析
• 6.1 实验部分
• 6.1.1 仪器和软件
• 6.1.2 样品的制备
• 6.1.3 样品的含量测定
• 6.1.4 样品的测量条件
• 6.1.5 支持向量回归模型性能评估
• 6.2 结果与讨论
• 6.3 本章小结
• 参考文献
• 摘要
• Abstract
• 致谢