假藥是世界各國共同面臨的難題,2018年全球報(bào)道的假藥事件就有4405起,在五年內(nèi)已增長102%。我國從“十一五”至“十三五”國家藥品安全規(guī)劃都強(qiáng)調(diào)要嚴(yán)厲打擊制售假劣藥品等違法違規(guī)行為。近紅外光譜（NIRS）分析技術(shù)因具有方便、高效、準(zhǔn)確、成本低、可現(xiàn)場檢測、不破壞樣品、不消耗化學(xué)試劑和不污染環(huán)境等優(yōu)勢,從2004年起就被中國食品藥品檢定研究院應(yīng)用于全國車載近紅外藥品快速分析系統(tǒng),并裝備于全國363個(gè)地市的400余臺(tái)藥品檢查車。近紅外藥品快速分析系統(tǒng)通過定性方法來判斷藥品真?zhèn)?確定藥品與其標(biāo)簽標(biāo)示名稱是否一致,通過定量方法來測定藥品關(guān)鍵指標(biāo)成分的含量,從而快速檢驗(yàn)藥品質(zhì)量或判別藥品是否為特定企業(yè)產(chǎn)品。目前,該系統(tǒng)保障了我國用藥安全,節(jié)約了大量檢測費(fèi)用,積累了大量的現(xiàn)場快速檢測獲得的光譜數(shù)據(jù)和對應(yīng)的實(shí)驗(yàn)室分析驗(yàn)證數(shù)據(jù)。但隨著制假水平的提升,市場上更多的是以次充好或質(zhì)量不達(dá)標(biāo)的劣藥,這些藥品和真藥有著相似的化學(xué)成分,鑒別他們難度更大,因此以下問題仍制約著NIRS分析技術(shù)在藥品質(zhì)量監(jiān)督領(lǐng)域的大規(guī)模、深入應(yīng)用和推廣:1)NIRS分析技術(shù)作為一種間接測量方法,無法直接分析出被測樣本的含量或類別,... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：158 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 研究內(nèi)容及目標(biāo)
    1.3 論文組織結(jié)構(gòu)
第二章 近紅外光譜建模的基本問題及方法介紹
    2.1 近紅外光譜經(jīng)典數(shù)據(jù)處理及建模方法
        2.1.1 預(yù)處理方法
        2.1.2 分類方法
        2.1.3 回歸方法
        2.1.4 模型轉(zhuǎn)移方法
    2.2 深度學(xué)習(xí)方法
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 數(shù)據(jù)增強(qiáng)
    2.3 近紅外光譜校正模型評價(jià)方法
        2.3.1 分類模型評價(jià)方法
        2.3.2 回歸模型評價(jià)方法
    2.4 實(shí)驗(yàn)數(shù)據(jù)集與實(shí)驗(yàn)環(huán)境
        2.4.1 分類數(shù)據(jù)集
        2.4.2 回歸數(shù)據(jù)集
        2.4.3 實(shí)驗(yàn)環(huán)境
    2.5 本章小結(jié)
第三章 基于正則化監(jiān)督字典學(xué)習(xí)的近紅外光譜分類方法
    3.1 引言
    3.2 算法描述
        3.2.1 稀疏字典原理
        3.2.2 正則化稀疏分類模型
        3.2.3 稀疏模型的優(yōu)化
        3.2.4 基于稀疏模型的分類器
    3.3 實(shí)驗(yàn)結(jié)果與討論
        3.3.1 數(shù)據(jù)集和實(shí)驗(yàn)設(shè)置
        3.3.2 藥品數(shù)據(jù)集實(shí)驗(yàn)
        3.3.3 煙葉實(shí)驗(yàn):數(shù)據(jù)集1
        3.3.4 煙葉實(shí)驗(yàn):數(shù)據(jù)集2
        3.3.5 模型穩(wěn)健性分析
    3.4 本章小結(jié)
第四章 基于CNN的多品種多廠商藥品近紅外光譜分類研究
    4.1 引言
    4.2 算法描述
        4.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        4.2.2 深度卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)
        4.2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        4.2.4 其它對比實(shí)驗(yàn)算法簡介
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.3.2 光譜數(shù)據(jù)預(yù)處理
        4.3.3 建立校正模型
        4.3.4 二分類和四分類實(shí)驗(yàn)
        4.3.5 多分類實(shí)驗(yàn)
    4.4 本章小結(jié)
第五章 基于CNN-SVR的近紅外光譜回歸方法研究
    5.1 引言
    5.2 CNN-SVR算法描述
        5.2.1 支持向量機(jī)回歸
        5.2.2 CNN線性回歸
        5.2.3 CNN-SVR
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集
        5.3.2 CNN結(jié)構(gòu)及參數(shù)
        5.3.3 CNN和CNN-SVR方法對比
        5.3.4 CNN-SVR與經(jīng)典回歸方法對比分析
        5.3.5 CNN-SVR超參數(shù)對性能的影響
        5.3.6 不同數(shù)據(jù)集大小對CNN-SVR模型性能的影響
        5.3.7 不同儀器對CNN-SVR模型性能的影響
    5.4 本章小結(jié)
第六章 基于遷移學(xué)習(xí)的近紅外光譜建模方法研究
    6.1 引言
    6.2 深度遷移學(xué)習(xí)
    6.3 基于深度遷移學(xué)習(xí)的分類算法研究
        6.3.1 問題描述
        6.3.2 數(shù)據(jù)集介紹
        6.3.3 模型訓(xùn)練
        6.3.4 實(shí)驗(yàn)結(jié)果及分析
    6.4 基于深度遷移學(xué)習(xí)的回歸算法研究
        6.4.1 問題描述
        6.4.2 模型訓(xùn)練
        6.4.3 實(shí)驗(yàn)結(jié)果及分析
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻(xiàn)
附錄A縮略語表
致謝
攻讀博士期間主要科研成果



本文編號：3202326