發(fā)布時間：2019-12-04 12:19

【摘要】：近紅外光譜分析技術(shù)是20世紀(jì)90年代以來發(fā)展最快、最引人注目的光譜分析技術(shù)。隨著計算機(jī)技術(shù)的迅速發(fā)展,帶動了分析儀器的數(shù)字化和化學(xué)計量學(xué)科的發(fā)展。NIR方法主要是通過構(gòu)建一系列的NIR模型,實(shí)現(xiàn)對產(chǎn)品質(zhì)量的快速篩查。因此,構(gòu)建預(yù)測能力強(qiáng)、適用范圍廣的NIR模型是至關(guān)重要的。NIR方法的優(yōu)劣與所采用的模型關(guān)系密切。好的NIR模型不僅與模型所選擇的建模譜段、預(yù)處理方法、算法有關(guān),更與建模訓(xùn)練集樣本的代表性關(guān)系密切。理想的訓(xùn)練集樣本應(yīng)能覆蓋預(yù)測樣品的全部變異范圍,但其樣本數(shù)并不是越多越好,樣本數(shù)過多引入誤差的機(jī)會就越多,樣本量過少又不能包括全部組分與背景的特征信息,因此必須從大量的樣本中挑選出適宜的建模樣本。當(dāng)NIR模型在應(yīng)用中遇到訓(xùn)練集樣本未涉及的新樣本時,模型的預(yù)測結(jié)果可能出現(xiàn)較大偏差。此時,可以通過模型更新法擴(kuò)展原通用性模型的適用范圍。本研究以注射用頭孢呋辛鈉、注射用頭孢曲松鈉、注射用頭孢唑林鈉、注射用頭孢哌酮鈉舒巴坦鈉為例,探討均質(zhì)模型理念在判斷N1R模型更新指標(biāo)中的驗證與應(yīng)用。首先,分析各注射劑原模型中均質(zhì)樣本的分類情況,判斷當(dāng)模型遇到建模訓(xùn)練集未包括的新的均質(zhì)樣本時,原模型即認(rèn)為不能滿足預(yù)測的需要,需要對模型進(jìn)行更新；其次,將建模樣品全波段光譜與訓(xùn)練集樣本平均光譜的相似系數(shù)(r1),作為判斷模型需要更新的客觀指標(biāo),一般認(rèn)為當(dāng)r199.0%時,模型需要更新；通過本研究發(fā)現(xiàn),當(dāng)原模型各均質(zhì)樣本間,光譜數(shù)量分布不均,導(dǎo)致模型對某些光譜數(shù)量較少的均質(zhì)樣本在預(yù)測時,預(yù)測偏差較大,此類情況被認(rèn)為是樣本分布有失均衡,此時,98.0%r199.0%,模型對樣本的整體預(yù)測水平可以接受,但通過補(bǔ)充數(shù)量較少的均質(zhì)樣本的方法,實(shí)現(xiàn)對模型的優(yōu)化,提高模型的預(yù)測能力：同時結(jié)合不同樣品的實(shí)際情況,將模型更新的指標(biāo)加以驗證和細(xì)化。在對模型進(jìn)行更新時,分別采用相關(guān)系數(shù)法和聚類分析法篩選新樣本；相關(guān)系數(shù)法則是以新光譜與原模型訓(xùn)練集平均光譜的r1中心值為起點(diǎn),以0.02%作為選樣間隔,向上向下選擇新光譜；同時按照均質(zhì)樣本的分類情況,結(jié)合PCA分布圖,向原模型中補(bǔ)充新的均質(zhì)樣本,或所屬類別中均質(zhì)樣本數(shù)量較少的樣本,完成模型更新；此方法選擇樣本方便、快捷,避免了繁瑣的樣本篩選過程,提高模型更新效率。聚類分析法是在聚類分析圖最大距離的1/50處將新光譜分為若干類,然后向原模型中隨機(jī)加入一定數(shù)量的各類新光譜,完成模型更新；通過比較兩種更新方法的平均預(yù)測偏差,發(fā)現(xiàn)兩種更新方法的預(yù)測結(jié)果基本一致,初步判斷可以將相關(guān)系數(shù)法作為聚類分析法的替代方法,應(yīng)用于模型更新樣本的選擇。另外,本研究以頭孢克肟干混懸劑、顆粒劑、非鋁塑膠囊劑、非鋁塑片劑為樣本,探討均質(zhì)樣本在構(gòu)建頭孢克肟通用性定量模型中的應(yīng)用。分別采用相關(guān)系數(shù)法(模型12)和聚類分析法(模型13、模型14)選擇建模樣本：按照各劑型中均質(zhì)樣本的分布情況,合理選擇每一類均質(zhì)樣本的數(shù)量,同時結(jié)合新光譜在PCA分布圖中的位置,選擇建模樣本,建立頭孢克肟通用性定量模型；模型的平均預(yù)測偏差分別為3.03%、3.04%和3.13%；在對模型進(jìn)行優(yōu)化時,向模型中補(bǔ)充預(yù)測偏差大于5%的新光譜,同時兼顧增加均質(zhì)樣本數(shù)量相對較少的光譜,可以有效提高模型的預(yù)測能力,更新后模型的平均預(yù)測偏差分別為2.63%、2.65%和2.90%。通過研究,為合理選擇建模樣本和模型更新樣本提供參考。
【圖文】：

訓(xùn)練集、驗證集和新光譜）的聚類分析圖�？梢姡x擇ｒｉ或ｒｒ的聚類結(jié)果雖然逡逑略有差異，但全部光譜均可明顯分為Ｈ類，每－類分別代表一個均質(zhì)樣本（表９）。逡逑由圖３可見，新光譜分別屬于原模型中的第一和第二均質(zhì)樣本；通過計算新光譜逡逑與其所屬均質(zhì)樣本平均光譜的相關(guān)系數(shù)可知，屬于第２類均質(zhì)樣本的新光譜與原逡逑模型訓(xùn)練集第２類均質(zhì)樣本平均光譜之間的ｎ．部分ｒｉ＜９９．０％，且ｎ＞９９．０％或逡逑ｒ，，＜９９．０％的樣本無明顯分布規(guī)律；由原模型對新光譜的預(yù)測偏差可知，原模型能逡逑夠?qū)崿F(xiàn)對新光譜的預(yù)測（平均預(yù)測偏差為１．４７％）；雖然最大預(yù)測偏差為４．０％，逡逑但通過比較相關(guān)系數(shù)ｒ，與預(yù)測偏差之間的關(guān)系發(fā)現(xiàn)，兩者之間無明思的相關(guān)性，逡逑提示其可能為偶然誤差；因此，原模型可Ｗ較準(zhǔn)確的巧測新光譜的含量（表６）；逡逑即模型Ｂ無需更新。逡逑１７逡逑

留２頭巧巧辛銷模型中ｒ，寫ｈ的相關(guān)性逡逑Ｌ４．２．２頭跑曲松銷模型逡逑圖３ａ和圖化分別為采用全譜段和建模譜段，全部頭抱曲松} 光譜（原模型逡逑訓(xùn)練集、驗證集和新光譜）的聚類分析圖。可見，選擇ｒｉ或ｒｒ的聚類結(jié)果雖然逡逑略有差異，但全部光譜均可明顯分為Ｈ類，每－類分別代表一個均質(zhì)樣本（表９）。逡逑由圖３可見，新光譜分別屬于原模型中的第一和第二均質(zhì)樣本；通過計算新光譜逡逑與其所屬均質(zhì)樣本平均光譜的相關(guān)系數(shù)可知，屬于第２類均質(zhì)樣本的新光譜與原逡逑模型訓(xùn)練集第２類均質(zhì)樣本平均光譜之間的ｎ．部分ｒｉ＜９９．０％，且ｎ＞９９．０％或逡逑ｒ，＜９９．０％的樣本無明顯分布規(guī)律；由原模型對新光譜的預(yù)測偏差可知，原模型能逡逑夠?qū)崿F(xiàn)對新光譜的預(yù)測（平均預(yù)測偏差為１．４７％）；雖然最大預(yù)測偏差為４．０％，逡逑但通過比較相關(guān)系數(shù)ｒ
【學(xué)位授予單位】：北京協(xié)和醫(yī)學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：O657.33;R91

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 丁柯;張月敬;沈廣輝;于賢龍;楊增玲;劉賢;;蛋白飼料原料粗蛋白含量近紅外光譜模型轉(zhuǎn)移研究[J];光譜學(xué)與光譜分析;2016年05期

2 洪永勝;于雷;耿雷;張薇;聶艷;周勇;;應(yīng)用DS算法消除室內(nèi)幾何測試條件對土壤高光譜數(shù)據(jù)波動性的影響[J];華中師范大學(xué)學(xué)報(自然科學(xué)版);2016年02期

3 賈帥蕓;徐冰;楊嬋;崔向龍;史新元;喬延江;;基于SIC算法的丹參醇提過程近紅外定量模型更新研究[J];中國中藥雜志;2016年05期

4 薛忠;徐冰;張志強(qiáng);史新元;付靜;杜新剛;喬延江;;藥物粉末混合過程在線監(jiān)控技術(shù)研究進(jìn)展[J];中國藥學(xué)雜志;2016年02期

5 王菊香;孟凡磊;劉林密;崔偉成;;樣品選擇結(jié)合分段直接校正法和偏最小二乘法用于近紅外光譜分析模型傳遞研究[J];兵工學(xué)報;2016年01期

6 羅峻;聶鳳明;吳淑煥;范偉;許敏;;紡織品快速無損檢測校正模型的轉(zhuǎn)移與共享研究[J];中國纖檢;2016年01期

7 張文君;唐紅;蔣巧勇;;不同光照下的近紅外光譜模型傳遞研究[J];中國測試;2015年12期

8 匡靜云;管驍;劉靜;;原料乳中蛋白質(zhì)與脂肪的近紅外光譜快速定量研究[J];分析科學(xué)學(xué)報;2015年06期

9 宋海燕;秦剛;;土壤有機(jī)質(zhì)近紅外預(yù)測FIR模型傳遞算法研究[J];光譜學(xué)與光譜分析;2015年12期

10 王家俊;者為;劉言;蔡文生;邵學(xué)廣;;基于拓展光譜的近紅外光譜模型轉(zhuǎn)移方法[J];中國煙草學(xué)報;2014年06期

本文編號：2569610