Izvestiya of Saratov University.

Chemistry. Biology. Ecology

ISSN 1816-9775 (Print)
ISSN 2541-8971 (Online)


Full text:
(downloads: 122)
Language: 
Russian
Heading: 
Article type: 
Article
UDC: 
543.4

Рентгенофлуоресцентный анализ систем серебро–кадмий и никель–кобальт хемометрическими алгоритмами метода независимых компонент

Autors: 
Cikin Aleksey Maksimovich, Saratov State University
Monakhova Yu. B., Saratov State University
Burashnikova Marina Mihaylovna, Saratov State University
Mushtakova Svetlana Petrovna, Saratov State University
Abstract: 

Качественный и количественный анализ химических веществ и их смесей является основной задачей химика-аналитика, при этом одним из методов, пригодным для решения поставленных задач, является спектроскопия в различных областях. Благодаря своим преимуществам (экспрессность, доступность методик анализа и приборов, их относительно невысокая стоимость) спектроскопический анализ находит широкое применение. Однако при любом его виде (спектроскопия в инфракрасной, ультрафиолетовой и видимой областях спектра, спектроскопия ядерного магнитного резонанса, рентгенофлуоресцентная спектроскопия) проблема анализа смесей соединений, характеризующихся высокой степенью взаимного перекрывания спектров, существует, и ее решение актуально. В частности, при рентгенофлуоресцентном анализе систем, в состав которых входят попарно соединения серебра и кадмия, кобальта и никеля, возникает проблема определения указанных компонентов ввиду высокой степени взаимного перекрывания их спектров. Для решения этой задачи были апробированы различные хемометрические алгоритмы декомпозиции спектровсмесей сложного состава, базирующиеся на методе независимых компонент.

Reference: 

1. Stogbauer H., Kraskov A., Astakhov S. A., Grassberger P. Least-dependent component analysis based on mutual information // Phys. Rev. E. 2004. Vol. 70. P. 066123–066140.

2. Astakhov S. A., Stogbauer H., Kraskov A., Grassberger P. Monte Carlo Algorithm for Least Dependent Non-Negative Mixture Decomposition // Anal. Chem. 2006. Vol. 78. P. 1620–1627.

3. Winding W., Guilment J. Interactive Self-Modeling Mixture Analysis // Anal. Chem. 1991. Vol. 63. P. 1425–1432.

4. Cardoso J.-F. High-Order Contrasts for Independent Component Analysis // Neural Computation. 1999. Vol. 11. P. 157–192.

5. Learned-Miller E. G., Fisher J. W. Using Spacing Estimates of Entropy // J. Machine Learning Research. 2003. Vol. 4. P. 1271–1295.

6. Hyvarinen A., Oja E. A Fast Fixed-Point Algorithm for Independent Component Analysis // Neural Computation. 1997. Vol. 9. P. 1483–1492.

7. Tauler R. Multivariate curve resolution applied to second order data // Chemometr. Intell. Lab. Syst. 1995. Vol. 30. P. 133–146.

8. Orfanidis S. J. Introduction to Signal Processing. N.Y.: Prentice-Hall, 1996. 63 p.

9. Malinowski E. R. Obtaining the key set of typical vectors by factor analysis and subsequent isolation of component spectra // Anal. Chim. Acta. 1982. Vol. 134. P. 129–137.

10. Milman B. Identifi cation of chemical compounds // Trends in Analytical Chemistry. 2005. Vol. 24. P. 493–508.

11. Monakhova Yu. B., Astakhov A. S., Kraskov A. V., Mushtakova S. P. Independent components in spectroscopic analysis of complex mixtures // Chemometr. Intell. Lab. Syst. 2010. Vol. 103. P. 108–115.