一、扑热息痛片剂药品的近红外光谱法非破坏定量分析（论文文献综述）
李真,周立红,叶正良,杨功俊[1]（2016）在《近红外光谱分析技术在药物质量分析中的应用进展》文中认为近红外光谱分析技术具有原位无损分析、分析成本低、速度快、易实现在线检测等特点,对于提高药品质量控制,实现生产过程在线监控具有重要意义。通过查阅近年来国内外文献并进行归纳总结,综述了近红外光谱分析技术在原料药与辅料质量控制、药物理化参数分析、药物活性组分分析等领域的应用,为原料药的质量控制与药物生产的在线监控提供参考。
孟昱[2]（2013）在《中西药物的近红外分析方法研究》文中研究表明建立了应用近红外光谱技术对枸橼酸西地那非片的定量及定性分析方法。分别采用偏最小二乘和第一范围标定法建立定量和定性模型,将定量分析方法的结果与HPLC定量结果进行比对。所建定量分析模型,主成分数为4,R2为98.91%、RMSEP为1.54。该模型对预示集的枸橼酸西地那非HPLC平均方法回收率为100.14%（RSD=0.75%）,近红外光谱分析法处理结果与HPLC法处理结果无显着差异。定性分析模型组间选择性S值为5.09,对42批真伪样品判错率为0%。结果显示,所建立方法可对真伪枸橼酸西地那非片进行快速准确的定性及定量分析。建立了应用近红外光谱技术对含有枸橼酸西地那非成分的保健品的定量及定性分析方法。采用液体透射方式采集36个样品光谱,以主成分分析法和第一范围标定法建立定量和定性模型,并将定量分析方法的结果与HPLC定量结果进行比对。所建定量分析模型,主成分数为4,R2为99.92,RMSEP为31.5。该模型对预示集的枸橼酸西地那非HPLC平均方法回收率为104.8%（RSD=6.28%）,近红外光谱分析法处理结果与HPLC法处理结果无显着差异。定性分析模型组间选择性为4.38,对18批未知样品判错率为0%。结果表明建立的近红外方法可对保健品中含有的枸橼酸西地那非成分进行快速准确的定性及定量分析。建立了采用近红外光谱法对41种常用药用辅料的快速、准确、无损鉴别方法,每个品种6批次样品共得246张光谱,215张用于建立模型,41张用于验证模型。在3966-10414cm-1的范围内,使用二阶导数9点平滑光谱预处理方法,结合第一范围标定法建立的“总库1”定性分析模型可准确鉴定30种辅料,其余5大类11种辅料被直接转入“子库2-6”进一步鉴定,直至完全分离。结果表明,对验证集样品鉴别准确度达100%,对比于操作繁琐、费时的传统检测方法,该方法快速、准确,适用于制药企业在原料进厂时逐桶定性鉴别和车间投料的过程控制。采用近红外漫反射光谱法建立一种无损、快速定性分析方法,鉴别七种药用包装材料：透明聚氯乙烯、不透明聚氯乙烯、聚偏二氯乙烯、聚三氟氯乙烯、聚三氟氯乙烯/聚氯乙烯2000复合、冷成型铝薄/PE复合以及纸/铝/PE复合薄膜。98批样品用于建立模型,14批样品用于验证模型。在扫描谱区范围4000～9000cm-1的范围内,使用一阶导数9点平滑,结合第一范围标定法建立近红外包装材料定性分析模型,并进行验证。结果表明,定性分析模型可将每类产品唯一区分,组间选择性S值均大于2。14批未知样品预测样品的判错率为0%。近红外漫反射光谱法可以取代传统的鉴别方法对七种常用药用高分子包装材料进行定性分析。应用近红外光谱技术对七种不同产地贝母进行定性分析及对其中总生物碱进行定量分析。将炉贝、松贝、青贝、浙贝（大贝）、浙贝（珠贝）、伊贝母、平贝母7种不同产地的贝母药材分别烘干、粉碎、过筛后,对其进行近红外光谱分析。采用偏最小二乘和第一范围标定法建立定量及定性分析模型,并应用模型对预测集样品进行预测。不同产地贝母的总生物碱含量（以贝母素乙计）为0.1%～0.25%,所建定量分析模型,主成分数为8,R2为99.35%、交互验证均方根误差（RMSECV）为0.00339。该模型对预示集样品紫外光谱法平均方法回收率为97.38%（RSD=1.732%）,将定量分析结果与紫外光谱检测法定量结果进行比对,无显着差异。定性分析模型组间选择性S值均大于2,对15个预测集样品进行鉴定,误判率为0。该方法可对不同产地的贝母进行快速、准确的定性及定量分析。采用近红外光谱技术结合多元校正算法,建立快速鉴别不同地理坐标海参的新方法,选取辽东半岛附近海域（广鹿岛、海洋岛、庄河、哈仙岛）出产的海参为代表性样本对检测方法的可行性进行研究,并比较光纤、非接触式光纤谱图采集的实用性。最终在8736.5～8582.2cm-1,7278.5～7147.3cm-1,6422.2～6283.3cm-1,5693.2～5484.9cm-1范围内,应用二阶导数（9点平滑）进行光谱预处理,第一范围标定法进行建模,鉴别率为100%。该方法可简单、快速、准确鉴别海参产地,并可推广到其他海产品的品质检测领域,供海产品生产企业、质量监督管理部门用于快速质量监测与分析。
裘兰兰,李明梅,陈丽娟,刘红星[3]（2011）在《红外光谱法在药物定量分析中的应用》文中研究表明文章采用文献回顾、归纳总结法综述了近几年来国内外研究工作者红外光谱法在药物（化学药物和中药）定量分析中的研究成果。在简要回顾红外光谱法的定义、特点和研究内容的基础上,重点介绍了红外光谱法合偏最小二乘法、一阶导数、二阶导数、神经网络等法进行各种药物的无损分析,并与传统方法UV法、HPLC法等进行比较,相关系数好,准确度高。文章还指出红外光谱法在食品、农药、气体、共聚物、化学化工等方面也有广泛的应用。结果表明,该法除应用于定性分析外,基于其自身诸多优点,也能作为定量分析的重要手段,具有广泛的应用推广前景。
云筠筠,王来成,吕冬梅[4]（2010）在《浅谈人工神经网络在药物分析学研究中的现状》文中研究表明对化学计量学及其范畴内的人工神经网络进行了概述,对近年来人工神经网络在药物分析学领域的应用情况进行综述和评价,并初步探讨了提高人工神经网络预报准确率的措施。
郭伟良[5]（2010）在《近红外光谱分析技术在发酵工艺中的应用研究》文中研究说明近红外（NIR）光谱分析技术由于具有无前期样品预处理程序、无需损坏样品、无需大量有机化学试剂、分析速度快、成本低、可多组分同时测定、在光纤探头的辅助应用下可实现在线检测和反馈控制等众多的优点,其伴随着计算机科学的快速发展而逐渐得到完善和广泛应用的绿色环保分析技术。NIR技术具有众多优点的同时,也存在固有的弱点,由于其主要检测的是分子振动倍频,信号比较弱,在涉及到水溶液的检测过程受水的严重干扰,同时NIR光谱技术是一种间接的分析技术,建立稳健性好,泛化能力强和预测能力强的校正模型是关键,本文考察了不同的光谱预处理方法,包括卷积平滑（Savitzky-Golay）、快速傅立叶变换光滑（Fast Fourier Transform Smoothing）、一阶导数（First Order Derivative）、二阶导数处理（Second Order Derivative）,标准正态变换（Standard Normal Variate）和小波变换（Wavelet Transform）等光谱预处理方法对样品的NIR光谱进行预处理时,去除光谱中随机噪声和提取有效信息的效果。采用蒙特卡罗偏最小二乘法（MCPLS）识别异常样本。分别尝试采用偏最小二乘法（PLS）和径向基神经网络（RBFNN）法建立模型,采用可移动窗口法筛选两种模型的波长变量,并以逼近度（Da）为指标,对两种模型的建模参数进行了优化。本文将NIR分析技术应用到发酵工艺分析领域。主要包括三方面的内容:（1）采用NIR光谱技术同时快速无损检测蛹虫草发酵产品蛹虫草菌丝体粉末样品中腺苷、蛋白质、多糖和虫草酸含量,以有效评价蛹虫草发酵产品质量,可推广应用于蛹虫草优良菌种的筛选和发酵条件优化等领域。（2）采用NIR光谱技术实时监测蛹虫草发酵过程中发酵液中生物量、胞内多糖、胞外多糖、虫草酸、腺苷和葡萄糖含量。为蛹虫草发酵工艺优化,参数自动控制和提高蛹虫草发酵水平做铺垫,同时也为NIR光谱技术在真菌发酵工艺实时监测中的应用进行可行性探索。（3）采用NIR光谱技术实时监测乳酸乳球菌发酵过程中发酵液中乳链菌肽效价、葡萄糖含量、pH和生物量,为NIR光谱技术在细菌发酵工艺优化和自动控制做铺垫。
梁力文[6]（2009）在《基于支持向量机的小波滤噪短波近红外光谱在药品定量分析中的研究》文中指出本文通过支持向量机（SVM）建立最佳预报模型,研究了短波近红外光谱分析技术在药品成分定量分析方面的应用。本文采用导数、SNV、OSC、MSC和小波滤噪等预处理方法建立最佳SVM模型,对四种药品的有效活性进行定量分析工作。采用不同的预处理方法分别建立了甲硝唑不同样本数目的SVM最佳模型（训练集样本数分别为70和26）,实验结果表明支持向量机回归方法能够较好的解决小样本学习问题。利用小波滤噪和支持向量机相结合,分别应用三种核函数sigmoidpolynomial和RBF（径向基函数）建立了西米替丁最佳SVM模型:通过与PLS模型比较,说明应用小波滤噪图谱建立的以RBF为核函数的SVM模型可以得到比较好的结果。为了寻找短波近红外图谱的最佳滤噪方法,通过不同小波基、不同小波阶次对扑热息痛片剂的近红外光谱图进行小波滤噪,并用SVM建立最佳模型,结果说明了不同的小波基滤波对结果影响并不明显;但是不同的小波阶次对滤噪有明显的影响。通过不同小波参数对环丙沙星短波近红外光谱图进行小波滤噪,并用SVM建立最佳预报模型,结果表明软阈值和硬阈值在不同的阈值处理方式中有不同的结果,但是均可得出比较理想的结果。研究结果表明基于短波近红外光谱的支持向量机模型可以应用于药物的定量分析。
曲楠[7]（2008）在《近红外光谱技术在药物无损非破坏定量分析中的应用研究》文中认为本文应用近红外光谱（NIR Spectroscopy）分别结合径向基函数（RBF）神经网络、主成分分析—径向基函数（PCA-RBF）神经网络、遗传算法优化的径向基函数（GA-RBF）神经网络和自适应神经模糊推理系统（ANFIS）对四种不同药品的有效活性成分进行了定量分析,实现了药物的无损分析。建立了基于短波近红外光谱的琥乙红霉素粉末药品的RBF网络模型和偏最小二乘（PLS）模型。研究表明,RBF网络模型在处理复杂非线性体系时比PLS具有优越性。另外将主成分分析（PCA）引入RBF网络模型,建立了基于近红外光谱的阿莫西林粉末药品的PCA-RBF网络模型,预报结果令人满意。研究并建立了基于近红外光谱的琥乙红霉素粉末药品和甲砜霉素粉末药品的GA-RBF网络模型。另外,在建立甲砜霉素粉末药品的GA-RBF网络模型时,将GA用于光谱波段的优化,提高了RBF网络的预报精度,改善了校正模型的鲁棒性。首次将自适应神经模糊推理系统（ANFIS）应用到药物无损非破坏定量分析中,结合PCA技术先对光谱数据进行了分析,并建立了基于近红外光谱的盐酸氟桂利嗪粉末药品的最优PCA-ANFIS模型。结果表明,用PCA-ANFIS模型与近红外漫反射光谱相结合可以对固态药物样品进行行之有效的非破坏定量分析。
蒋正立,朱萍,秦雄[8]（2007）在《近红外光谱分析技术在药学领域中的应用》文中提出近红外光谱分析技术自20世纪90年代以来发展迅速,该技术在药学领域有着广泛的应用,本文综述了近几年近红外光谱分析技术在定性鉴别,定量分析,在线检测及质量控制方面的最新进展,并对其应用前景进行了展望。
卜寿山[9]（2007）在《近红外光谱分析技术鉴别周围神经运动束和感觉束的实验研究》文中进行了进一步梳理目的：初步探讨近红外光谱分析法在鉴别周围神经运动束和感觉束的应用的可行性，以建立一种快速鉴别周围神经功能束性质的方法。方法：将Beagle犬分次麻醉后处死，立即从后背正中将椎管打开，取从硬膜外到脊神经根管入口这一段走行的L1-S2脊神经的前根和后根，；将马尾切取；分别经颞部、外耳道前、下颌下切开皮肤、皮下组织，充分显露腮腺及其上、前、后缘，显露、解剖、切取面神经的颞支、颧支、颊支、下颌缘支；从胸所乳突肌后缘切开皮肤，显露、解剖从该肌后缘中份穿出的颈丛皮神经，切取皮神经。将标本分类装入标本瓶中，迅速放在液氮里保存备用；取用时在室温下自然解冻，解冻后保存在湿盒里，防止标本脱水干燥。应用MPA傅立叶变换近红外光谱仪采集光谱。取备好的脊神经根，每一根切取长2mm，使用仪器自带的光纤探头，置于光纤探头顶部或透射单元测量。每个样品每次采样为连续扫描64次，每一次约二十秒得光谱图，重复3次，求平均光谱。取Beagle犬的脊神经126根前根和126根后根（前根为运动神经，后根为感觉神经），利用近红外漫反射方式进行快速采样，应用SIMCA（soft independent modeling of class analogy）法将前根和后根鉴别分类；分别取2条犬的12根脊神经的前根及14根脊神经的后根行漫透射和漫反射方式近红外光谱采样，运用模式识别法中的聚类分析法进行定性分类鉴别，比较两种采样方式；取4条犬的马尾，分离、切取马尾中未分类的40根前根和后根，用近红外漫反射方式进行快速采集光谱，运用模式识别法中的聚类分析法进行定性分类鉴别，这相同的40根脊神经的另一部分，进行切片，用Fuminori酶组织化学染色法染色并和进红外光谱法比较；取4条犬的20根面神经和20根颈丛皮神经，近红外漫反射采集光谱，运用聚类分析法分类鉴别。结果：单纯从脊神经（或马尾）的前根和后根、面神经和颈丛皮神经的近红外光谱原图、一阶或二阶导数光谱图观察，不能直观鉴别分类前根和后根、面神经和颈丛皮神经；经聚类分析或SIMCA可以将脊神经的前根和后根归为两类，鉴别准确率分别是83.7％和84.6％；经聚类分析，面神经和颈丛皮神经归为两类，鉴别准确率为90.0％；马尾的前根和后根的鉴别准确率为87.5％。在时间上，Fuminori酶组织化学染色法染色2小时后鉴别前根和后根的准确率为100％，近红外光谱分析法鉴别感觉神经束和运动束只需约2分钟。结论：近红外光谱分析技术有可能成为一种快速、原位、准确鉴别周围神经功能束性质的方法。
罗兰[10]（2007）在《近红外光谱技术用于茶碱浓度检测建模初步研究》文中提出近红外光谱分析技术是一种快速、高效、无损的分析技术,它在药物分析领域中的应用范围相当广泛,它不仅适用于药物的多种不同状态如原料、完整的片剂、胶囊与液体等制剂,还可以用于不同类型的药品,如蛋白质、中草药、抗生素等药物的分析。论文首先详细介绍了近红外光谱的产生和光谱特性,以及近红外光谱技术的理论基础;概括出近红外光谱分析的特点和流程;总结了近红外光谱分析技术的发展。在此基础上,论文提出了茶碱药物浓度预测建模的实验方案,用IRPrestige-21型傅里叶变换红外光谱仪对浓度范围在30-100μg/ml范围内的样本作全谱范围内透射扫描,得到样本的吸光度曲线图,以此吸光度数据作为建立浓度校正模型的基础。论文用BP人工神经网络方法建立校正模型,为了避免使用BP网络建立ANN模型时产生过拟合现象的缺点,论文引入逼近度来检测过拟合及优选模型设计参数。通过计算得出输入节点数、隐含层节点数、动量项、学习速率、学习次数的最优值,以此建立BP网络模型。模型校验结果为预测值与真值之间的相关系数为0.998989,建模样本集的标准误差为0.85,预测样本集的标准误差为1.08。论文研究了对光谱进行一阶导数预处理对BP网络模型的影响,初步实验结果表明,一阶导数预处理很好的消除了光谱中的噪声,提高了BP网络模型预测未知样本浓度的准确性。论文将用常规化学计量学方法包括多元线性回归、主成分回归和偏最小二乘回归建立的校正模型与BP网络模型进行比较,证明了BP网络模型在处理非线性问题上的优越性。论文最后总结了不足之处:实验选用CCl 4为背景,以茶碱纯品配置样本,降低了噪声对光谱的影响。但如果被测样本中含有其它的杂质或干扰因素,则样本的复杂性增加,需要重新建立校正模型。论文中将样本的浓度范围选择在30-100μg/ml内,因为仪器本身和光谱预处理技术的影响,当样本浓度在30μg/ml以下,所测量出的光谱图几乎没有变化,即提取不出特征信号用于建模。茶碱微溶于CCl 4,配置好的样本实际为均匀悬浊液,对近红外光有散射作用。从文献中可以看到这种样本更适合使用漫反射技术。由于受到仪器的限制,无法测量样本的漫反射光谱,这可作为下一步研究的重要内容。由于各仪器型号、数据格式、数据点数量、光谱分辨率等参数对光谱的采集有所影响,论文应用岛津IRPrestige-21型傅里叶变换红外光谱仪所采集的光谱数据建立的定量分析模型在别的型号仪器所采集的光谱数据是否可用尚未考察。这涉及近红外光谱技术中的模型传递问题,如何建立通用、可靠的定量校正模型有待进一步研究。利用光纤探头和便携式近红外光谱,对测量方法稍加改进,该方法在药物生产的原位检查和在线质量控制方面就会有很大的发展前景。论文应用BP人工神经网络-近红外光谱分析技术对茶碱样本浓度进行了定量分析,该方法完全可以扩展到其它药物中进行定量分析和质量控制。最终可望建立起药物近红外光谱谱图及分析库。
二、扑热息痛片剂药品的近红外光谱法非破坏定量分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、扑热息痛片剂药品的近红外光谱法非破坏定量分析（论文提纲范文）
（1）近红外光谱分析技术在药物质量分析中的应用进展（论文提纲范文）
| 1原料药判别分析 |
| 1.1中药材的真伪鉴别 |
| 1.2同属中药种类鉴定 |
| 1.3中药材的产地 |
| 2辅料识别 |
| 3药物的物理化学参数 |
| 3.1晶型 |
| 3.2粒度与密度 |
| 3.3水分 |
| 4药物中活性组分的测定 |
| 5结语 |
| 5.1目前存在的问题 |
| 5.2以后研究的侧重点 |
（2）中西药物的近红外分析方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 近红外光谱技术的研究进展 |
| 1.1 近红外光谱的国内外研究概况 |
| 1.1.1 近红外光谱的发展过程 |
| 1.1.2 近红外光谱的分析基础 |
| 1.1.3 近红外光谱技术的特点 |
| 1.1.4 近红外光谱分析方法的基本流程 |
| 1.1.5 近红外光谱预处理 |
| 1.2 近红外光谱的定量分析 |
| 1.2.1 计算药物分析方法基本原理 |
| 1.2.2 定量模型的验证 |
| 1.3 近红外光谱的定性分析 |
| 1.3.1 标准方法 |
| 1.3.2 因子法 |
| 1.3.3 第一范围标定法 |
| 1.3.4 确定定性测试的阈值 |
| 1.3.5 定性分析步骤 |
| 1.4 近红外光谱技术在中药、西药领域的应用 |
| 1.4.1 近红外光谱技术概述 |
| 1.4.2 近红外在中西药定量、定性分析方面的应用 |
| 1.5 贝母分析方法研究进展 |
| 1.5.1 贝母简介 |
| 1.5.2 贝母生物碱 |
| 1.6 论文的选题背景与意义 |
| 2 近红外光谱技术对真伪枸橼酸西地那非片的快速定性定量分析 |
| 2.1 引言 |
| 2.2 实验部分 |
| 2.2.1 仪器与材料 |
| 2.2.2 光谱采集 |
| 2.2.3 原料与辅料的近红外漫反射光谱采集 |
| 2.2.4 枸橼酸西地那非片的近红外漫透射光谱采集 |
| 2.2.5 HPLC测定实际样品中西地那非含量 |
| 2.2.6 数据处理 |
| 2.3 结果与讨论 |
| 2.3.1 近红外定性分析 |
| 2.3.2 定性模型分析方法选择 |
| 2.3.3 定性模型分析方法优化 |
| 2.3.4 定性分析结果 |
| 2.3.5 PLS主因子数的选择和交叉验证 |
| 2.3.6 定量分析结果 |
| 2.3.7 样品收集 |
| 2.4 小结 |
| 3 近红外光谱技术对保健品含有枸橼酸西地那非成分的快速定性定量分析 |
| 3.1 引言 |
| 3.2 实验部分 |
| 3.2.1 仪器与材料 |
| 3.2.2 近红外光谱采集 |
| 3.2.3 HPLC测定保健品中西地那非含量 |
| 3.2.4 数据处理 |
| 3.3 结果与讨论 |
| 3.3.1 定性分析预处理方法选择 |
| 3.3.2 定性分析算法选择 |
| 3.3.3 定性分析结果 |
| 3.3.4 近红外定量分析交叉检验建模 |
| 3.3.5 偏最小二乘(PLS)方法 |
| 3.4 小结 |
| 4 近红外漫反射光谱法快速鉴别药用辅料 |
| 4.1 引言 |
| 4.2 实验部分 |
| 4.2.1 仪器与材料 |
| 4.2.2 近红外光谱采集 |
| 4.2.3 近红外数据分析方法 |
| 4.3 结果与讨论 |
| 4.3.1 预处理方法对模型的影响 |
| 4.3.2 定型模型的建立 |
| 4.3.3 子库的建立 |
| 4.4 小结 |
| 5 近红外漫反射光谱法鉴定七种药用包装材料 |
| 5.1 引言 |
| 5.2 实验部分 |
| 5.2.1 仪器与样品 |
| 5.2.2 药用包装材料的光谱采集 |
| 5.2.3 近红外光谱采集 |
| 5.3 结果与讨论 |
| 5.3.1 光谱预处理 |
| 5.3.2 光谱范围选择 |
| 5.3.3 定性分析结果 |
| 5.4 结论 |
| 6 贝母的近红外分析方法研究 |
| 6.1 引言 |
| 6.2 实验部分 |
| 6.2.1 仪器与材料 |
| 6.2.2 光谱扫描条件 |
| 6.3 光谱聚类分析 |
| 6.3.1 聚类分析方法选择 |
| 6.3.2 样品处理方法选择 |
| 6.3.3 聚类分析结果 |
| 6.4 种贝母药材的近红外定性分析 |
| 6.4.1 光谱预处理方法的选择 |
| 6.4.2 不同产地贝母的定性模型建立 |
| 6.4.3 同一产地贝母的定性分析 |
| 6.5 贝母总生物碱的定量分析 |
| 6.5.1 生物碱有色离子对的形成 |
| 6.5.2 最大吸收波长的选择 |
| 6.5.3 准确性评估 |
| 6.5.4 标准曲线的确定 |
| 6.5.5 西贝碱的标准曲线制备 |
| 6.6 样品生物碱含量的测定 |
| 6.6.1 样品生物碱的提取 |
| 6.6.2 应用紫外光谱测定样品生物碱的含量 |
| 6.6.3 回收率实验 |
| 6.6.4 PLS法对贝母总生物碱含量建模 |
| 6.6.5 定量分析结果 |
| 6.7 结果与讨论 |
| 6.7.1 预处理方法对选择性的影响 |
| 6.7.2 平滑点数对选择性的影响 |
| 6.7.3 波数范围对选择性的影响 |
| 6.7.4 阈值设置对选择性的影响 |
| 6.7.5 建模样品的选取 |
| 6.7.6 贝母样品的处理 |
| 6.7.7 交叉检验建模 |
| 6.7.8 不同溶剂对生物碱提取的影响 |
| 6.8 小结 |
| 7 海参的近红外分析方法研究 |
| 7.1 引言 |
| 7.2 实验部分 |
| 7.2.1 仪器与材料 |
| 7.2.2 样品的处理 |
| 7.2.3 光谱的采集 |
| 7.3 结果与讨论 |
| 7.3.1 样品处理方法、光谱采集方式的选择 |
| 7.3.2 光谱预处理 |
| 7.3.3 波段的选择 |
| 7.3.4 模型的验证 |
| 7.4 小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 研究展望 |
| 参考文献 |
| 创新点摘要 |
| 致谢 |
| 作者简介 |
| 攻读博士学位期间发表学术论文情况 |
（3）红外光谱法在药物定量分析中的应用（论文提纲范文）
| 1 红外光谱法在化学药物定量分析中的应用 |
| 2 红外光谱法在中药定量分析中的应用 |
| 3 其他 |
| 4 总结 |
（5）近红外光谱分析技术在发酵工艺中的应用研究（论文提纲范文）
| 内容提要 |
| 第一章 绪论 |
| 1.1 近红外光谱技术概述 |
| 1.1.1 近红外光谱发现与发展 |
| 1.1.2 近红外光谱技术的理论基础 |
| 1.1.3 近红外光谱分析技术的特点 |
| 1.1.4 近红外光谱技术的应用 |
| 1.2 化学计量学概述 |
| 1.2.1 化学计量学发展史 |
| 1.2.2 化学计量学内容与方法 |
| 1.2.3 化学计量学的应用 |
| 1.3 立题的背景和研究意义 |
| 第二章 近红外光谱技术在蛹虫草发酵产品检测中的应用 |
| 2.1 引言 |
| 2.2 材料与仪器 |
| 2.2.1 实验仪器 |
| 2.2.2 软件 |
| 2.2.3 材料和试剂 |
| 2.2.4 菌种与培养基 |
| 2.3 实验方法 |
| 2.3.1 蛹虫草培养方法 |
| 2.3.2 蛹虫草菌丝体样品的制备 |
| 2.3.3 高效液相色谱法蛹虫测定草菌丝体中腺苷含量 |
| 2.3.4 凯氏定氮法测定蛹虫草菌丝体中蛋白质含量 |
| 2.3.5 蒽酮硫酸法测定蛹虫草菌丝体中多糖含量[205] |
| 2.3.6 分光光度法测定蛹虫草菌丝体中虫草酸含量[218] |
| 2.3.7 样品近红外光谱的采集 |
| 2.3.8 蒙特卡罗偏最小二乘法识别异常样本 |
| 2.3.9 蒙特卡罗偏最小二乘法校正集样本数的选择 |
| 2.3.10 PLS 模型的光谱预处理方法、波长变量和隐变量数选择 |
| 2.3.11 最优PLS 模型的建立 |
| 2.3.12 RBFNN 模型光谱预处理方法、波长变量、隐含层节点数和扩展常数选择 |
| 2.3.13 最优RBFNN 模型的建立 |
| 2.3.14 最优PLS 模型和最优RBFNN 模型的比较 |
| 2.4 结果与讨论 |
| 2.4.1 常规方法测定样品中各组分含量分布 |
| 2.4.2 样品的近红外光谱 |
| 2.4.3 异常样品的识别 |
| 2.4.4 校正集样本数的选择 |
| 2.4.5 PLS 模型光谱预处理方法、波长变量和隐变量数的选择 |
| 2.4.6 最优PLS 模型的建立 |
| 2.4.7 RBFNN 模型的光谱预处理方法、波长变量、隐含层节点数和扩展常数的选择 |
| 2.4.8 最优RBF 模型的建立 |
| 2.4.9 最优PLS 模型与最优RBF 模型的比较 |
| 2.5 本章小结 |
| 第三章 近红外光谱技术在蛹虫草发酵过程监测中的应用 |
| 3.1 引言 |
| 3.2 实验仪器材料与试剂 |
| 3.2.1 实验仪器 |
| 3.2.2 材料与试剂 |
| 3.2.3 菌种与培养基 |
| 3.3 实验方法 |
| 3.3.1 种子液的培养 |
| 3.3.2 蛹虫草发酵 |
| 3.3.3 样品的采集及其近红外光谱扫描 |
| 3.3.4 样品有效成分含量分析 |
| 3.3.5 数学模型的建立及优化 |
| 3.4 实验结果及讨论 |
| 3.4.1 蛹虫草发酵参数曲线 |
| 3.4.2 蛹虫草发酵液样品近红外光谱 |
| 3.4.3 蒙特卡罗偏最小二乘法识别异常样本 |
| 3.4.4 样品集的划分 |
| 3.4.5 PLS 模型光谱预处理方法、波长变量和隐变量数的选择 |
| 3.4.6 最优PLS 模型的建立 |
| 3.5 本章小结 |
| 第四章 近红外光谱技术在乳酸乳球菌产乳链菌发酵过程监测中的应用 |
| 4.1 引言 |
| 4.2 实验仪器材料与试剂 |
| 4.2.1 实验仪器 |
| 4.2.2 材料与试剂 |
| 4.2.3 菌种与培养基 |
| 4.3 实验方法 |
| 4.3.1 乳酸乳球菌发酵 |
| 4.3.2 乳酸乳球菌发酵液样品制备 |
| 4.3.3 近红外光谱的采集 |
| 4.3.4 样品的乳链菌肽效价测定 |
| 4.3.5 生物量测定方法 |
| 4.3.6 还原糖的测定 |
| 4.3.7 pH 值的测定 |
| 4.3.8 蒙特卡罗偏最小二乘法识别异常样本 |
| 4.3.9 蒙特卡罗偏最小二乘选择光谱预处理方法、波长变量和隐变量数 |
| 4.3.10 最优PLS 模型的建立 |
| 4.3.11 RBFNN 模型光谱预处理方法、波长变量、隐含层节点数和扩展常数选择 |
| 4.3.12 最优RBFNN 模型的建立 |
| 4.3.13 最优PLS 模型和最优RBFNN 模型的比较 |
| 4.4 结果与讨论 |
| 4.4.1 乳链菌肽标准曲线的绘制 |
| 4.4.2 生物量工作曲线 |
| 4.4.3 葡萄糖标准曲线 |
| 4.4.4 乳酸乳球菌发酵曲线及各参量统计量 |
| 4.4.5 样品近红外光谱 |
| 4.4.6 异常样本的识别 |
| 4.4.7 光谱预处理方法、波长变量和隐变量数的选择 |
| 4.4.8 最优PLS 模型的建立 |
| 4.4.9 RBFNN 模型光谱预处理方法、波长变量、隐含层节点数和扩展常数的选择 |
| 4.5 本章小结 |
| 第五章 全文工作总结和后续工作建议 |
| 5.1 试验主要结论 |
| 5.2 本文创新之处 |
| 5.3 以后工作建议 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 摘要 |
| ABSTRACT |
（6）基于支持向量机的小波滤噪短波近红外光谱在药品定量分析中的研究（论文提纲范文）
| 内容提要 |
| 前言 |
| 参考文献 |
| 第一章 近红外光谱分析技术及其应用 |
| 1.1 近红外光谱分析原理 |
| 1.1.1 近红外分子振动光谱 |
| 1.1.2 近红外光谱定量分析基础 |
| 1.1.3 近红外光谱漫反射分析技术 |
| 1.2 NIR光谱技术的特点 |
| 1.3 短波近红外光谱的定量分析 |
| 1.3.1 短波近红外原始光谱的预处理 |
| 1.3.2 短波近红外校正模型的建立 |
| 1.3.3 短波近红外校正模型的验证 |
| 1.3.4 未知样品的分析 |
| 参考文献 |
| 第二章 支持向量机的理论基础 |
| 2.1 机器学习理论 |
| 2.2 统计学习理论 |
| 2.2.1 经验风险最小化准则 |
| 2.2.2 VC维理论 |
| 2.2.3 推广性的界 |
| 2.2.4 结构风险最小化准则 |
| 2.3 支持向量机算法 |
| 2.3.1 支持向量分类机 |
| 2.3.2 支持向量回归机 |
| 2.3.3 Mercer定理及常用核函数 |
| 2.4 本章小结 |
| 参考文献 |
| 第三章 小波分析的基本理论 |
| 3.1 小波分析概述 |
| 3.2 小波变换及其性质 |
| 3.2.1 母小波(母函数)与小波(小波函数) |
| 3.2.2 尺度函数 |
| 3.3 小波变换及其性质 |
| 3.3.1 小波变换的种类 |
| 3.3.2 连续小波变换 |
| 3.3.3 离散小波变换 |
| 3.3.4 多分辨分析概念 |
| 3.4 小波基的数学特性 |
| 参考文献 |
| 第四章 甲硝唑的定量分析 |
| 4.1 实验部分 |
| 4.1.1 样品的制备及含量测定 |
| 4.1.2 样品的分组 |
| 4.1.3 测量条件 |
| 4.1.4 短波近红外漫反射光谱及数据的前处理 |
| 4.1.5 SVM模型的建立 |
| 4.2 结果与讨论 |
| 4.2.1 大样本最佳SVM模型各个参数的选择 |
| 4.2.2 小样本 SVM模型的建立 |
| 4.2.3 支持向量机模型的可靠性评价 |
| 4.3 本章小结 |
| 参考文献 |
| 第五章 西咪替丁片的定量分析 |
| 5.1 实验部分 |
| 5.1.1 样品的制备及含量测定 |
| 5.1.2 测量条件 |
| 5.1.3 短波近红外漫反射光谱及数据的小波去噪前处理 |
| 5.1.4 SVM模型的建立 |
| 5.2 结果与讨论 |
| 5.2.1 RBF核最佳SVM模型的建立 |
| 5.2.2 其他核函数最佳SVM模型的建立 |
| 5.2.3 支持向量机模型的可靠性评价 |
| 5.2.4 偏最小二乘法预测含量 |
| 5.3 本章小结 |
| 参考文献 |
| 第六章 扑热息痛片的定量分析 |
| 6.1 实验部分 |
| 6.1.1 样品的制备及含量测定 |
| 6.1.2 测量条件 |
| 6.1.3 短波近红外漫反射光谱及数据的小波去噪前处理 |
| 6.1.4 SVM模型的建立 |
| 6.2 结果与讨论 |
| 6.2.1 最佳SVM模型的确定 |
| 6.2.2 支持向量机模型的可靠性评价 |
| 6.3 本章小结 |
| 参考文献 |
| 第七章 环丙沙星的定量分析 |
| 7.1 实验部分 |
| 7.1.1 样品的制备及含量测定 |
| 7.1.2 测量条件 |
| 7.1.3 短波近红外漫反射光谱及数据的小波去噪前处理 |
| 7.1.4 SVM模型的建立 |
| 7.2 结果与讨论 |
| 7.2.1 最佳SVM模型的确定 |
| 7.2.2 支持向量机模型的可靠性评价 |
| 7.3 本章小结 |
| 参考文献 |
| 总结 |
| 附录 |
| 作者攻读博士期间发表的学术论文 |
| 致谢 |
| 摘要 |
| ABSTRACT |
（7）近红外光谱技术在药物无损非破坏定量分析中的应用研究（论文提纲范文）
| 提要 |
| 第一章 绪论 |
| 1.1 近红外光谱技术的发展 |
| 1.2 近红外光谱分析的理论基础 |
| 1.2.1 近红外光谱的产生原理 |
| 1.2.2 近红外光谱的定量分析原理 |
| 1.3 近红外光谱技术的特点 |
| 1.3.1 近红外光谱技术的优点 |
| 1.3.2 近红外光谱技术的缺点 |
| 1.4 近红外光谱分析基本流程 |
| 1.4.1 训练集样品的选择 |
| 1.4.2 标准方法的测定 |
| 1.4.3 光谱数据的测量 |
| 1.4.4 校正模型的建立与验证 |
| 1.4.5 未知样品的预测 |
| 1.5 近红外光谱分析中常见的化学计量学方法 |
| 1.5.1 光谱预处理方法 |
| 1.5.2 定量分析方法 |
| 1.5.3 定性分析方法 |
| 1.6 近红外光谱技术的应用 |
| 1.7 本文研究目标和内容 |
| 参考文献 |
| 第二章 神经网络与自适应神经模糊推理系统概述 |
| 2.1 RBF 神经网络 |
| 2.1.1 RBF 神经网络结构 |
| 2.1.2 正交最小二乘（OLS）训练算法 |
| 2.1.3 模型参数评价指标 |
| 2.2 基于遗传算法的RBF 网络训练方法 |
| 2.2.1 遗传算法基本原理 |
| 2.2.2 GA-RBF 神经网络 |
| 2.3 自适应神经模糊推理系统 |
| 2.3.1 模糊集合 |
| 2.3.2 语言变量 |
| 2.3.3 模糊关系 |
| 2.3.4 模糊if-then 规则 |
| 2.3.5 模糊推理 |
| 2.3.6 模糊推理系统 |
| 2.3.7 ANFIS 结构 |
| 2.3.8 混合学习算法 |
| 2.4 ANN、GA 和ANFIS 在化学领域中的应用 |
| 参考文献 |
| 第三章 短波NIR 光谱结合RBF 网络对琥乙红霉素粉末药品的定量分析 |
| 3.1 实验部分 |
| 3.1.1 实验仪器及软件 |
| 3.1.2 样品的制备及含量测定 |
| 3.1.3 测量条件 |
| 3.2 结果与讨论 |
| 3.2.1 近红外漫反射光谱 |
| 3.2.2 原始光谱的最优RBF 网络模型 |
| 3.2.3 预处理光谱的最优RBF 网络模型 |
| 3.2.4 RBF 网络模型的可靠性评价 |
| 3.2.5 偏最小二乘法预测琥乙红霉素粉末药品含量 |
| 3.3 本章小结 |
| 参考文献 |
| 第四章 NIR 光谱结合PCA-RBF 网络对阿莫西林粉末药品的定量分析 |
| 4.1 实验部分 |
| 4.1.1 实验仪器及软件 |
| 4.1.2 样品的制备及含量测定 |
| 4.1.3 测量条件 |
| 4.2 结果与讨论 |
| 4.2.1 近红外漫反射光谱 |
| 4.2.2 原始光谱的最优PCA-RBF 网络模型 |
| 4.2.3 SNV 光谱和MSC 光谱的最优PCA-RBF 网络模型 |
| 4.2.4 PCA-RBF 网络模型的可靠性评价 |
| 4.2.5 主成分回归和偏最小二乘法的预测结果 |
| 4.3 本章小结 |
| 参考文献 |
| 第五章 NIR 光谱结合GA-RBF 网络对琥乙红霉素粉末药品的定量分析 |
| 5.1 实验部分 |
| 5.1.1 实验仪器及软件 |
| 5.1.2 样品的制备及含量测定 |
| 5.1.3 测量条件 |
| 5.2 结果与讨论 |
| 5.2.1 近红外漫反射光谱 |
| 5.2.2 MSC 光谱的最优GA-RBF 网络模型 |
| 5.2.3 其它预处理光谱的最优GA-RBF 网络模型 |
| 5.2.4 GA-RBF 网络模型的可靠性评价 |
| 5.2.5 RBF 网络模型的预报结果 |
| 5.3 本章小结 |
| 参考文献 |
| 第六章 NIR 光谱结合波段选择 GA-RBF 网络对甲砜霉素粉末药品的定量分析 |
| 6.1 实验部分 |
| 6.1.1 实验仪器及软件 |
| 6.1.2 样品的制备及含量测定 |
| 6.1.3 测量条件 |
| 6.2 结果与讨论 |
| 6.2.1 近红外漫反射光谱 |
| 6.2.2 MSC 光谱的最优GA-RBF 网络模型 |
| 6.2.3 其它预处理光谱的最优GA-RBF 网络模型 |
| 6.2.4 GA-RBF 网络模型的可靠性评价 |
| 6.2.5 基于全光谱数据的GA-RBF 网络 |
| 6.3 本章小结 |
| 参考文献 |
| 第七章 NIR 光谱结合ANFIS 对盐酸氟桂利嗪粉末药品的定量分析 |
| 7.1 实验部分 |
| 7.1.1 实验仪器及软件 |
| 7.1.2 样品的制备及含量测定 |
| 7.1.3 测量条件 |
| 7.2 结果与讨论 |
| 7.2.1 近红外漫反射光谱 |
| 7.2.2 SNV 预处理光谱的最优PCA-ANFIS 模型 |
| 7.2.3 其它光谱的最优PCA-ANFIS 模型 |
| 7.2.4 PCA-ANFIS 模型的可靠性评价 |
| 7.2.5 PLS 模型的预报结果 |
| 7.3 本章小结 |
| 参考文献 |
| 全文总结 |
| 攻读博士学位期间发表的学术论文 |
| 致谢 |
| 摘要 |
| Abstract |
（8）近红外光谱分析技术在药学领域中的应用（论文提纲范文）
| 1 定性鉴别 |
| 2 定量分析 |
| 3 在线检测及质量控制 |
| 4 近红外光谱分析技术的展望 |
（9）近红外光谱分析技术鉴别周围神经运动束和感觉束的实验研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 前言 |
| 第一部分 进红外光谱分析基础 |
| 第一章 近红外光谱的发展概况 |
| 1.1 近红外光谱分析仪器的发展 |
| 1.2 近红外光谱分析技术的发展 |
| 1.3 应用领域的发展 |
| 第二章 近红外光谱的产生及光谱特性 |
| 2.1 近红外分子振动光谱 |
| 2.2 有机化合物的近红外光谱特征 |
| 2.3 现代近红外光谱分析系统组成 |
| 2.4 分析软件 |
| 3.近红外光谱分析技术的特点 |
| 第三章 近红外光谱分析技术 |
| 3.1 定量分析技术 |
| 3.2 定性分析技术 |
| 3.3 近红外光谱分析中的聚类分析方法 |
| 3.4 SIMCA的算法原理 |
| 第二部分 实验部分 |
| 第一章 近红外漫反射光谱分析法鉴别脊神经的前根和后根 |
| 1 材料与方法 |
| 2 结果 |
| 第二章 近红外漫反射和透射光谱分析法鉴别脊神经的前根和后根的比较 |
| 1 材料与方法 |
| 2 结果 |
| 第三章 近红外光谱分析法鉴别马尾神经的前根和后根 |
| 1 材料与方法 |
| 2 结果 |
| 第四章 近红外光谱分析法鉴别面神经和颈丛皮神经 |
| 1 材料与方法 |
| 2 结果 |
| 第五章 讨论 |
| 小结 |
| 参考文献 |
| 致谢 |
| 综述和参考文献 |
（10）近红外光谱技术用于茶碱浓度检测建模初步研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 近红外光谱技术常用的建模方法 |
| 1.2.1 多元线性回归 |
| 1.2.2 主成分回归 |
| 1.2.3 偏最小二乘回归 |
| 1.3 论文研究的内容 |
| 2 近红外光谱分析原理 |
| 2.1 近红外光谱的产生和光谱特性 |
| 2.1.1 近红外光谱的信息源 |
| 2.1.2 近红外光谱的化学信息基础及特征 |
| 2.2 近红外光谱技术的理论基础 |
| 2.2.1 近红外透射光谱技术 |
| 2.2.2 近红外反射光谱技术 |
| 2.3 近红外光谱技术的特点和分析流程 |
| 2.4 近红外光谱技术的发展 |
| 3 人工神经网络理论及其应用 |
| 3.1 人工神经网络的原理 |
| 3.1.1 人工神经网络的特点 |
| 3.1.2 神经元模型 |
| 3.2 人工神经网络的应用 |
| 4 BP 人工神经网络用于茶碱浓度分析 |
| 4.1 BP 网络的原理与算法 |
| 4.1.1 BP 网络结构 |
| 4.1.2 BP 网络学习步骤 |
| 4.1.3 BP 网络学习特点 |
| 4.2 实验部分 |
| 4.2.1 实验设计及样本制备 |
| 4.2.2 实验仪器及测试条件 |
| 4.2.3 模型的校验方法 |
| 4.3 用BP 网络建立校正模型 |
| 4.3.1 逼近度的使用 |
| 4.3.2 输入层与输出层的设计 |
| 4.3.3 隐含层的设计 |
| 4.3.4 动量项与学习系数的选择 |
| 4.3.5 网络学习次数的设计 |
| 4.4 模型的校验 |
| 4.5 一阶导数光谱对BP 网络模型的影响 |
| 4.5.1 一阶导数光谱 |
| 4.5.2 BP 网络的设计 |
| 4.5.3 模型的检验 |
| 5 BP 网络模型与常规计量学模型的比较 |
| 5.1 多元线性回归建立校正模型 |
| 5.1.1 多元线性回归的原理 |
| 5.1.2 模型的校验 |
| 5.1.3 小结 |
| 5.2 主成分回归建立校正模型 |
| 5.2.1 主成分回归的原理 |
| 5.2.2 模型的校验 |
| 5.2.3 小结 |
| 5.3 偏最小二乘回归建立校正模型 |
| 5.3.1 偏最小二乘回归的原理 |
| 5.3.2 模型的校验 |
| 5.3.3 小结 |
| 5.4 BP 网络模型与常规计量学模型的比较 |
| 6 总结 |
| 6.1 论文所做的工作 |
| 6.2 论文不足之处及展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 发表论文 |
| 参与项目 |
四、扑热息痛片剂药品的近红外光谱法非破坏定量分析（论文参考文献）
- [1]近红外光谱分析技术在药物质量分析中的应用进展[J]. 李真,周立红,叶正良,杨功俊. 药物评价研究, 2016(04)
- [2]中西药物的近红外分析方法研究[D]. 孟昱. 大连理工大学, 2013(07)
- [3]红外光谱法在药物定量分析中的应用[J]. 裘兰兰,李明梅,陈丽娟,刘红星. 中国实验方剂学杂志, 2011(18)
- [4]浅谈人工神经网络在药物分析学研究中的现状[A]. 云筠筠,王来成,吕冬梅. 2010年中国药学大会暨第十届中国药师周论文集, 2010
- [5]近红外光谱分析技术在发酵工艺中的应用研究[D]. 郭伟良. 吉林大学, 2010(08)
- [6]基于支持向量机的小波滤噪短波近红外光谱在药品定量分析中的研究[D]. 梁力文. 吉林大学, 2009(08)
- [7]近红外光谱技术在药物无损非破坏定量分析中的应用研究[D]. 曲楠. 吉林大学, 2008(11)
- [8]近红外光谱分析技术在药学领域中的应用[J]. 蒋正立,朱萍,秦雄. 海峡药学, 2007(08)
- [9]近红外光谱分析技术鉴别周围神经运动束和感觉束的实验研究[D]. 卜寿山. 南京医科大学, 2007(03)
- [10]近红外光谱技术用于茶碱浓度检测建模初步研究[D]. 罗兰. 重庆大学, 2007(06)