论文部分内容阅读
全文共分六章,概述了近红外光谱分析技术结合化学计量学方法及其应用研究进展,介绍了本论文中主要用到的多元校正方法及其原理,并用这些方法构建了中药川芎中阿魏酸、新型抗癫痫药托吡酯以及常用抗高血压药卡托普利的定量校正模型,对其模型进行评价,结果令人满意。第一章概述了近红外光谱分析技术的原理和特点,并介绍了近红外光谱分析技术结合化学计量学方法的定量分析过程及其在药物分析领域的应用研究进展。第二章是对本论文涉及到的化学计量学方法的简单介绍。在第三章中,采用近红外光谱分析技术和化学计量学方法构建了川芎中阿魏酸含量的定量测定模型。通过偏最小二乘法建立数学模型,并对预测集进行预测。34个川芎样品经交叉验证建立校正模型,交叉验证均方根误差为0.146%,预测值与参考值之间的相关系数为0.9883。用11个川芎样品进行预测,预测值与参考值之间的相关系数达0.9751,预测均方根误差为0.251%。该方法简便快速,结果准确,可用于对四川产地不同批次的川芎进行快速检查或质量控制。在第四章中,采用偏最小二乘法结合近红外漫反射光谱法测定了新型抗癫痫药托吡酯的含量。运用偏最小二乘法建立了托吡酯的校正模型,并对光谱数据预处理方法和潜变量数的选择进行了讨论。结果表明,39个托吡酯样品经过交叉验证所建的托吡酯模型中预测值与参考值之间的相关系数为0.9345,交叉验证均方根误差为0.0169,用13个托吡酯样品进行预测,预测值与参考值之间的相关系数达0.9155,预测均方根误差为0.0239。该方法应用于测定托吡酯的含量,结果令人满意。在第五章中,采用化学计量学方法结合近红外光谱分析技术构建托毗酯含量的非线性定量校正模型。首先通过主成分分析(PCA)对光谱数据进行压缩,提取特征值,然后采用误差反向传输神经网络算法(BPNN)构建了托吡酯的定量分析模型,同时考察了输入层节点数、隐含层节点数、学习次数、学习速率和动量因子对模型性能的影响,从而得到最优的校正模型。结果表明,托吡酯的PCA-BPNN模型比较稳定,预测结果准确可靠。该方法测定过程简便快速,为药物的快速检测提供了新的参考方法。在第六章中,构建了一种快速测定卡托普利含量的PCA-BPNN定量分析模型。通过主成分分析对样品的近红外光谱数据进行压缩,采用误差反向传输神经网络算法(BPNN)建立测定卡托普利含量的PCA-BPNN分析模型,考察了输入层节点数、隐含层节点数、学习次数、学习速率和动量因子对模型性能的影响来优化模型结构,并对测试集样品进行预测,同时构建了PLS线性校正模型,结果表明,PCA-BPNN模型预测结果优于PLS模型。该测定方法准确可靠,为不同批次卡托普利的快速测定提供了一个重要的参考。