Химический анализ для идентификации лекарственных растений: хромато-масс-спектрометрия с интерпретацией данных методами машинного обучения Назаренко, Дмитрий Владимирович

Краткое описание

Назаренко, Дмитрий Владимирович.Химический анализ для идентификации лекарственных растений : хромато-масс-спектрометрия с интерпретацией данных методами машинного обучения : диссертация ... кандидата химических наук : 02.00.02 / Назаренко Дмитрий Владимирович; [Место защиты: Моск. гос. ун-т им. М.В. Ломоносова]. - Москва, 2019. - 140 с. : ил.

Оглавление диссертациикандидат наук Назаренко, Дмитрий Владимирович
1 Литературный обзор............................................................10
1.1 Профилирование лекарственных растений ............................10
1.1.1 Хроматографические методы ..................................13
1.1.2 ИК-спектроскопия .......................20
1.2 Хемометрика и машинное обучение..................20
1.2.1 Обучение без учителя......................23
1.2.2 Обучение с учителем ............................................33
2 Экспериментальная часть...........................48
2.1 Оборудование и материалы.......................48
2.2 Экстракция................................49
2.3 Схема эксперимента по ВЭЖХ-МС анализу образцов лекарственных растений...............................50
2.4 Программные средства, использованные для построения классификационных алгоритмов ................................................51
3 Построение классификационных алгоритмов для выборки из 36 классов . 52
3.1 Задача классификации .........................56
3.1.1 Предобработка данных.....................56
3.1.2 Логистическая регрессия....................57
3.1.3 Метод опорных векторов....................58
3.1.4 Решающие деревья и случайный лес..............59
3.1.5 Показатели эффективности..................61
3.1.6 Искусственные данные.....................63
3.2 Результаты и обсуждение........................64
4 Построение классификационных алгоритмов на выборке из 76 классов. . 70
4.1 База данных ...............................70
4.2 Кросс-валидация и показатели эффективности алгоритмов.....76
4.3 Использованные модели ..................................................77
4.3.1 Байесовские сети ................................................77
4.3.2 Автоэнкодер...........................80
4.3.3 Разложение Таккера с условиями неотрицательности и разреженности ........................................................82
4.3.4 Матричное разложение с условиями неотрицательности и разреженности ....................................................86
4.4 Результаты и обсуждение........................88
Литература.....................................122
Обозначения
BP-ANN искусственная нейронная сеть с обратным распространением ошибки FN ложноотрицательный FP ложноположительный
FP-ANN искусственная нейронная сеть с прямым распространением ошибки
HCA иерархический кластерный анализ
k-NN классификация по k ближайшим соседям
LDA линейный дискриминантный анализ
MC/МС тандемная масс-спектрометрия
PCA метод главных компонент
PLS-DA дискриминантный анализ с помощью регрессии на латентные структуры PLS-DA проекция на латентные структуры
SIMCA формальное независимое моделирование аналогий классов SOM cамоорганизующиеся карты SVM метод опорных векторов
TCCCN temperature-constrained cascade correlation network
TCM traditional chinese medicine
TN верно-отрицательный
TP верно-положительный
БАД биологически активная добавка к пище
БИК ближне волновая инфракрасная спектроскопия
БС байесовская сеть
ВЭЖХ высокоэффективная жидкостная хроматография ГВМ графическая вероятностная модель ГХ газовая хроматография
ГХхГХ комплексная двумерная газовая хроматография ДМД диодно-матричный детектор
ЖХхЖХ комплексная двумерная жидкостная хроматография
ИК инфракрасный
МНК метод независимых компонент
МС масс-спектрометрия
НБК наивный байесовский классификатор
УФ ультрафиолетовый
ЯМР ядерный магнитный резонанс