支持向量機(jī)在多元校正、QSAR及化學(xué)模式識(shí)別研究中的應(yīng)用.pdf

1、化學(xué)計(jì)量學(xué)是一門(mén)結(jié)合了數(shù)學(xué)、統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)的新興交叉學(xué)科，它對(duì)化學(xué)實(shí)驗(yàn)數(shù)據(jù)具有很強(qiáng)的處理能力和挖掘能力。作為一種近年來(lái)正逐步得以廣泛應(yīng)用的新興計(jì)量學(xué)方法，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)最小化的新算法。SVM不同于采用經(jīng)驗(yàn)誤差最小化標(biāo)準(zhǔn)的、以誤差反向傳播(back propagation neural networks，BPN)算法為代表的人工神經(jīng)網(wǎng)絡(luò)方法，它可以在很大程度上

2、避免BPN算法使用過(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)可以尋找出空間最優(yōu)平面，以期避免信息的丟失，獲得更為可靠、更為準(zhǔn)確的結(jié)果。SVM方法正在包括多元分辨和校正分析和模式分類(lèi)研究等領(lǐng)域中逐步得以應(yīng)用，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。本論文就從多元混合體系的同時(shí)定量分析，定量構(gòu)效研究和模式識(shí)別研究三個(gè)方面對(duì)支持向量機(jī)進(jìn)行了應(yīng)用研究，具體內(nèi)容如下： 對(duì)于多

3、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，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)直接測(cè)定。我們將支持向量機(jī)應(yīng)用于處理混合重金屬離子的紫外.可見(jiàn)分光光度圖譜、蘆丁和抗壞血酸混合體系的紫外-可見(jiàn)分光光度圖譜及微分脈沖伏安圖譜以及多種混合氨基酸的拉曼圖譜。實(shí)驗(yàn)和計(jì)算表明，支持向量機(jī)方法能很好地提取從混合圖譜中得到的信息進(jìn)行解析，建模和預(yù)報(bào)的結(jié)果較BPN更為精確。 原子光譜的電子組態(tài)通常是根據(jù)譜線的能

4、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)。但由于光譜的復(fù)雜性，也有某些高激發(fā)態(tài)的原子光譜所屬的電子組態(tài)難于確定。雖然已有學(xué)者采用傳統(tǒng)的化學(xué)計(jì)量學(xué)方法進(jìn)行了初步研究，但仍存在許多未知樣本無(wú)法預(yù)報(bào)和預(yù)報(bào)模糊的情況。因此，嘗試采用支持向量機(jī)預(yù)報(bào)Cm Ⅱ、Pu Ⅰ、U Ⅰ的未知組態(tài)。計(jì)算結(jié)果表明，相對(duì)傳統(tǒng)化學(xué)模式識(shí)別方法，支持向量機(jī)更全面、更準(zhǔn)確地預(yù)報(bào)了未知組態(tài)；同時(shí)在各個(gè)方法的預(yù)報(bào)結(jié)果對(duì)比后，加強(qiáng)說(shuō)明了支持