支持向量機算法應用于生物活性混合體系的定量分析及重元素光譜能級分類.pdf

1、化學計量學（chemometrics）研究目的在于優(yōu)化化學量測過程，并從化學量測數據中最大限度地獲取有用的化學信息。支持向量機（support vector machine，SVM）方法，是一種基于結構風險最小化的新興化學計量學方法。SVM算法可以在很大程度上避免誤差反向傳播（back propagation neural networks，BPN）使用過程中存在的“過學習（over—fitting）”問題：通過選用不同的核函數可以尋找

2、出空間最優(yōu)平面，以期避免信息的丟失，取得更為可靠、更為準確的結果。SVM方法正逐步應用于包括多元分辨與校正分析、模式分類等研究領域中，也有望在數據處理和分析任務愈來愈繁重的現代分析科學中發(fā)揮它的積極作用。本論文主要應用SVM算法對多元混合體系的定量分析以及光譜的化學模式分類這兩個方面進行了研究，具體內容如下： 對于多元混合體系的定量分析，常需要花費大量的時間和精力在多組分的預分離，而借助化學計量學手段則可較簡單的實現復雜多組分的

3、同時直接測定。我們將支持向量機方法分別應用于處理多種混合氨基酸體系的拉曼光譜、兒茶酚胺類物質混合體系的微分脈沖伏安圖譜的定量分析研究。研究表明，支持向量機方法能更好地從混合體系的量測數據中提取信息以實現定量分析目的，較傳統(tǒng)的BPN方法，其分析結果更為精確。 原子光譜的電子組態(tài)通常是根據譜線的能級、強度、同位素位移、塞曼效應等測量數據進行確定，或者應用量子理論計算來指認。但由于原子光譜的復雜性，仍有部分高激發(fā)態(tài)的原子光譜所屬的電子