支持向量機(jī)算法應(yīng)用于生物分子混合體系的定量分析與原子光譜的模式分類.pdf

1、化學(xué)計(jì)量學(xué)(chemometrics) 研究目的在于優(yōu)化化學(xué)量測(cè)過(guò)程，并從化學(xué)量測(cè)數(shù)據(jù)中最大限度地獲取有用的化學(xué)信息。支持向量機(jī)(support vector machine,SVM)方法，是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的新興化學(xué)計(jì)量學(xué)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(guò)程中存在的“過(guò)學(xué)習(xí)(over-fitting)”問(wèn)題；通過(guò)選用不同的核函數(shù)可以尋

2、找出空間最優(yōu)平面，以期避免信息的丟失，取得更為可靠、更為準(zhǔn)確的結(jié)果。SVM方法正逐步應(yīng)用于包括多元分辨與校正分析、模式分類等研究領(lǐng)域中，也有望在數(shù)據(jù)處理和分析任務(wù)愈來(lái)愈繁重的現(xiàn)代分析科學(xué)中發(fā)揮它的積極作用。本論文主要應(yīng)用SVM算法對(duì)多元混合體系的定量分析以及光譜的化學(xué)模式分類這兩個(gè)方面進(jìn)行了研究，具體內(nèi)容如下：對(duì)于多元混合體系的定量分析，常需要花費(fèi)大量的時(shí)間和精力在多組分的預(yù)分離，而借助化學(xué)計(jì)量學(xué)手段則可較簡(jiǎn)單的實(shí)現(xiàn)復(fù)雜多組分的同時(shí)直接

3、測(cè)定。我們將支持向量機(jī)方法分別應(yīng)用于處理多種混合氨基酸體系的拉曼光譜、兒茶酚氨類物質(zhì)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(jī)方法能更好地從混合體系的量測(cè)數(shù)據(jù)中提取信息以實(shí)現(xiàn)定量分析目的，較傳統(tǒng)的BPN 方法，其分析結(jié)果更為精確。原子光譜的電子組態(tài)通常是根據(jù)譜線的能級(jí)、強(qiáng)度、同位素位移、塞曼效應(yīng)等測(cè)量數(shù)據(jù)進(jìn)行確定，或者應(yīng)用量子理論計(jì)算來(lái)指認(rèn)。但由于原子光譜的復(fù)雜性，仍有部分高激發(fā)態(tài)的原子光譜所屬的電子組態(tài)難于確定。因