Известия Саратовского университета. Новая серия.

Серия Химия. Биология. Экология

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


Для цитирования:

КОЛЕСНИКОВА С. С., Монахова Ю. Б., Муштакова С. П. СПЕКТРОХЕМОМЕТРИЧЕСКОЕ ОПРЕДЕЛЕНИЕ НЕКОТОРЫХ МЕТАЛЛОВ В СМЕСЯХ СЛОЖНОГО СОСТАВА // Известия Саратовского университета. Новая серия. Серия: Химия. Биология. Экология. 2011. Т. 11, вып. 1. С. 25-31. DOI: 10.18500/1816-9775-2011-11-1-25-31, EDN: OGDLRX

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
(загрузок: 140)
Полный текст в формате PDF(En):
(загрузок: 106)
Язык публикации: 
русский
Рубрика: 
Тип статьи: 
Научная статья
УДК: 
543.422.3:543.272.8
EDN: 
OGDLRX

СПЕКТРОХЕМОМЕТРИЧЕСКОЕ ОПРЕДЕЛЕНИЕ НЕКОТОРЫХ МЕТАЛЛОВ В СМЕСЯХ СЛОЖНОГО СОСТАВА

Авторы: 
КОЛЕСНИКОВА СВЕТЛАНА СЕРГЕЕВНА, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Монахова Юлия Борисовна, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Муштакова Светлана Петровна, Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского
Аннотация: 

Проведена оценка возможности использования алгоритмов метода независимых компонент для совместного определения цветных и платиновых металлов в их двух- и трехкомпонентных модельных смесях. Проведено сравнение различных хемометрических алгоритмов MILCA, SNICA, SIMPLISMA, RADICAL, JADE. Алгоритм MILCA является наиболее эффективным алгоритмом для анализа изученных систем. Проведен качественный и количественный анализ искусственных смесей систем различных металлов.

Список источников: 
  1. Иванов В.М. Гетероциклические азотсодержащие азосоединения. М., 1982. 230 с.                                                                 
  2. Leger M.N.Wentzell P.D. Dynamic Monte Carlo self-modeling curve resolution method for multicomponent mixtures // Chemom. Intell. Lab. Syst. 2002. Vol.62. P.171-188.                                                                                                                                                             
  3. Moussaoui S.Carteret C.Brie D.Mohammad-Djafari A. Bayesian analysis of spectral mixture data using Markov Chain Monte Carlo Methods // Chemom. Intell. Lab. Syst. 2006. Vol.81. P.137-148.                                                                                                                       
  4. Douglas S.C.Yuan Z.Oja E. Average convergence behavior of the FastICA algorithm for Blind Source Separation // ICA. 2006. P.790-798.           
  5. Feng LuShu LiJian Le, Guiliang Chen, Yan CaoYunpeng Qi, Yifeng Chai, Yutian Wu. <http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6TF4-4N7SBS3-6&_user=10&_coverDate=04%2F25%2F2007&_rdoc=1&_fmt=high&_orig=search&_sort=d&_docanchor=&view=c&_searchStrId=1385100963&_rerunOrigin=google&_acct=C000050221&_version=1&_urlVersion=0&_userid=10&md5=0bcb9eefe22701977164e8ee5d5be064> A new method for testing synthetic drugs adulterated in herbal medicines based on infrared spectroscopy // Anal. Chim. Acta. 2007. Vol.589. P.200-207.  EDN: KDWYWX                                                                                                                                                                           
  6. 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.                                                                                                                                        
  7. Stogbauer H.Kraskov A.Astakhov S.A.Grassberger P. Least-dependent-component analysis based on mutual infor-mation // Phys. Rev. E. 2004. Vol. 70. P. 066123 [17 p.].  EDN: JFMNFO                                                                                                                                                                                                                                                 
  8. Windig W.Guilment J. Spectroscopic comparison between humic and fulvic acids from urban waste compost and soil // Anal. Chem. 1991. Vol. 63. P. 1425-1432.                                                                                                                                                                                                                         
  9. Journґee1 M., Absil P.-A., Sepulchre R. Optimization on the orthogonal group for independent component analysis // Springer-Verlag Berlin Heidelberg. 2007. P. 564.                                                                                                                                                                                                                                                                                                                                          
  10.    CardosoJ.-F. High-order contrasts for independent com-ponent analysis // Neural Computation. 1999. Vol. 11, № 1. P. 157.                                                                                                                                                                           
  11. Milman B. Identification of chemical compounds // Trends in Analytical Chemistry. 2005. Vol. 24, № 6. P. 493.  EDN: MGZQIH                   
  12. Astakhov S. A.Stogbauer H.Kraskov A.Grassberger P. Spectral mixture decomposition by Least Dependent Compo-nent analysis // URL: http://arxiv.org/abs/physics/ 0412029.                                                                                                                                       
  13.  Cichocki A.Amari S. Adaptive Blind Signal and Image Processing. Learning Algorithms and Applications. N.Y., 2002.                                                    
Поступила в редакцию: 
19.04.2010
Принята к публикации: 
19.03.2010
Опубликована: 
19.02.2011
Краткое содержание:
(загрузок: 96)