隨著計(jì)算機(jī)技術(shù)和檢測(cè)技術(shù)的持續(xù)進(jìn)步和不斷發(fā)展,獲得的儀器數(shù)據(jù)正在迅速增長(zhǎng),各類(lèi)的數(shù)據(jù)庫(kù)也層出不窮。如何從大量檢測(cè)數(shù)據(jù)中發(fā)現(xiàn)事物間所存在的特征和規(guī)律是當(dāng)代學(xué)者亟待解決的主要課題。模式識(shí)別是當(dāng)前對(duì)采集后的數(shù)據(jù)信息進(jìn)行分析并挖掘的最佳方法之一,并已在眾多領(lǐng)域得到廣泛應(yīng)用。本文利用偏最小二乘法線性判別分析(PLS-LDA)、隨機(jī)森林(RF)、偏最小二乘法(PLS)、主成分分析(PCA)等模式識(shí)別方法分別對(duì)肺癌、水質(zhì)和茶葉的質(zhì)譜數(shù)據(jù)展開(kāi)模式識(shí)別分析,同時(shí)建立了相應(yīng)的分類(lèi)識(shí)別模型,取得了較好的結(jié)果,為模式識(shí)別方法在質(zhì)譜數(shù)據(jù)中的應(yīng)用提供了新的研究思路。本文的主要研究?jī)?nèi)容包括:(1)建立了一種基于偏最小二乘法線性判別分析(PLS-LDA)的肺癌診斷模型。采用電噴霧萃取電離質(zhì)譜對(duì)肺癌組織和正常組織進(jìn)行直接質(zhì)譜分析,結(jié)合偏最小二乘法線性判別分析(PLS-LDA)對(duì)肺癌組織和正常組織的質(zhì)譜數(shù)據(jù)進(jìn)行模式判別,并對(duì)組織樣本中存在的潛在生物標(biāo)記物進(jìn)行了鑒別和分析,為未來(lái)進(jìn)一步探究肺癌的發(fā)生、生長(zhǎng)規(guī)律及尋找潛在的生物標(biāo)記物奠定基礎(chǔ)。(2)建立了兩種基于隨機(jī)森林(RF)的水質(zhì)直接質(zhì)譜分類(lèi)模型。對(duì)五類(lèi)地表水進(jìn)行直接質(zhì)譜...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
    1.2 模式識(shí)別的常用方法及應(yīng)用
        1.2.1 主成分分析(Principal component analysis,PCA)
        1.2.2 偏最小二乘法(Partial Least Squares,PLS)
        1.2.3 線性判別分析(Linear Discriminant Analysis,LDA)
        1.2.4 隨機(jī)森林算法(Random forest,RF)
        1.2.5 人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)
        1.2.6 支持向量機(jī)算法(Support Vector Machine,SVM)
        1.2.7 聚類(lèi)算法
            1.2.7.1 k-means聚類(lèi)算法
            1.2.7.2 層次聚類(lèi)算法
            1.2.7.3 自組織神經(jīng)映射(Self-organizing Feature Map,SOM)聚類(lèi)算法
            1.2.7.4 模糊C均值(Fuzzy C-means,FCM)聚類(lèi)算法
    1.3 本文的主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)
第二章 基于偏最小二乘法線性判別分析(PLS-LDA)建立的肺癌診斷模型
    2.1 引言
    2.2 實(shí)驗(yàn)部分
        2.2.1 儀器試劑
        2.2.2 實(shí)驗(yàn)組織樣品的收集及制備
        2.2.3 實(shí)驗(yàn)參數(shù)及條件
        2.2.4 實(shí)驗(yàn)方法
        2.2.5 數(shù)據(jù)處理
    2.3 結(jié)果與討論
        2.3.1 實(shí)驗(yàn)條件優(yōu)化
        2.3.2 肺癌組織樣品的一級(jí)質(zhì)譜分析
        2.3.3 偏最小二乘法線性判別分析(PLS-LDA)
    2.4 小結(jié)
第三章 基于隨機(jī)森林算法(RF)建立的水質(zhì)信息模型
    3.1 引言
    3.2 實(shí)驗(yàn)部分
        3.2.1 儀器與試劑
        3.2.2 樣本的采集及制備
        3.2.3 EESI工作原理及其實(shí)驗(yàn)參數(shù)
        3.2.4 TOF-MS工作原理
        3.2.5 數(shù)據(jù)處理
    3.3 結(jié)果與討論
        3.3.1 水樣的質(zhì)譜分析
            3.3.1.1 五類(lèi)水質(zhì)水樣的EESI-TOF-MS一級(jí)掃描譜圖
            3.3.1.2 不同含量的重金屬Cu離子水樣的EESI-LTQ-MS一級(jí)掃描譜圖
        3.3.2 隨機(jī)森林(RF)分析模型
            3.3.2.1 EESI-TOF-MS實(shí)驗(yàn)下的五類(lèi)水質(zhì)水樣的隨機(jī)森林(RF)模式識(shí)別模型
            3.3.2.2 EESI-LTQ-MS實(shí)驗(yàn)下的五類(lèi)水質(zhì)水樣的隨機(jī)森林(RF)模式識(shí)別模型
            3.3.2.3 三類(lèi)不同含量重金屬Cu離子水樣的隨機(jī)森林(RF)模式識(shí)別模型
    3.4 小結(jié)
第四章 基于偏最小二乘法(PLS)和隨機(jī)森林算法(RF)建立的茶葉分類(lèi)模型
    4.1 引言
    4.2 實(shí)驗(yàn)部分
        4.2.1 儀器與試劑
        4.2.2 實(shí)驗(yàn)條件及參數(shù)
        4.2.3 數(shù)據(jù)處理
    4.3 結(jié)果與討論
        4.3.1 茶葉品種的鑒別
            4.3.1.1 基于偏最小二乘法(PLS)建立的茶葉品種模式識(shí)別模型
            4.3.1.2 基于隨機(jī)森林算法(RF)建立的茶葉品種模式識(shí)別模型
        4.3.2 茶葉產(chǎn)地的鑒別
            4.3.2.1 基于偏最小二乘法(PLS)建立的茶葉產(chǎn)地模式識(shí)別模型
            4.3.2.2 基于隨機(jī)森林算法(RF)建立的茶葉產(chǎn)地模式識(shí)別模型
    4.4 小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
附錄
致謝



本文編號(hào)：3915427