Хемометрика в анализе многокомпонентных объектов на основе данных ИК, ЯМР и рентгенофлуоресцентной спектроскопии, отличающихся большим значением взаимной информации тема диссертации и автореферата по ВАК РФ 02.00.02, кандидат наук Цикин, Алексей Максимович

• Цикин, Алексей Максимович
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Цикин, Алексей Максимович

Оглавление

Список условных обозначений и сокращений

ВВЕДЕНИЕ

1. ОБЗОР ЛИТЕРАТУРЫ

1.1. Хемометрика в анализе спектральных данных, характеризующихся большой взаимной информацией

1.1.1. Инфракрасная спектроскопия

1.1.2. Спектроскопия ядерного магнитного резонанса

1.1.3. Рентгенофлуоресцсптная спектроскопия

1.1.4. Совмещенные наборы данных

1.2.Характеристика хемометрических методов

1.2.1. Качественный анализ

1.2.1.1.Метод главных компонент

1.2.1.2. Линейный дискриминантный анализ

1.2.1.3. Анализ общих направлений и специфических весов

1.2.2. Количественный анализ

1.2.2.1 .Регрессия на главные компоненты

1.2.2.2.Проекции на латентные структуры

1.2.2.3.Метод чередующихся наименьших квадратов

1.2.2.4.Метод независимых компонент 42 Заключение к 1 главе

2. ОБЪЕКТЫ И МЕТОДЫ ИССЛЕДОВАНИЯ

2.1. Обоснование выбора спектроскопических методов

2.2. Реактивы и аппаратура

2.3. Обработка сигналов

2.3.1. Определение числа независимых компонент

2.3.2. Хемометрический анализ

3. ХЕМОМЕТРИЧЕСКАЯ ОБРАБОТКА ИК СПЕКТРОВ 5

3.1.Сглаживание спектральных кривых

3.2.Шкалирование спектров

2

3.2.1. Автошкалирование

3.2.2. Парето шкалирование

3.3.Смоделированные смеси

3.4.Искусственные смеси

3.5.Реальные объекты

3.5.1. Товарные бензины

3.5.2. Клейкие ленты

3.5.3. Органическое вещество морской среды

Заключение к 3 главе

4. ХЕМОМЕТРИЧЕСКИЕ МЕТОДЫ В РЕНТГЕНОФЛУОРЕСЦЕНТНОЙ СПЕКТРОСКОПИИ

4.1. Смоделированные смеси

4.2.Искусственные смеси

4.3.Реальные объекты

Заключение к 4 главе

5. ХЕМОМЕТРИЧЕСКИЙ АНАЛИЗ ДАННЫХ ЯМР СПЕКТРОСКОПИИ

5.1.Бакетин г

5.2.Искусственные смеси

5.2.1. Смеси кофеина и бензоата натрия

5.2.2. Компоненты меда

5.2.3. Компоненты электронных сигарет

5.2.4. Компоненты энергетических напитков

5.2.5. Компоненты молока

5.3.Реальные объекты

5.3.1. Безалкогольные напитки

5.3.2. Электронные сигареты

5.3.3. ComDim обработка соков и вин

Заключение к 5 главе

ВЫВОДЫ

Список использованной литературы

3

СПИСОК УСЛОВНЫХ ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ

Сокращение Расшифровка Перевод

MILCA Mutual Information Least Dependent Component Analysis Анализ наименее зависимых компонент, основанный на взаимной информации

SNICA Stochastic Non-negative Independent Component Analysis Стохастический анализ неотрицательных независимых компонент

SIMPLISMA Simple-To-Use Interactive Self-Modeling Mixture Analysis Простой интерактивный автомодельный анализ смесей

JADE Joint Approximate Diagonalization of Eigenmatrices Совместная приблизительная диа-гонализация собственных матриц

RADICAL The Robust Accurate, Direct ICA aLgorithm Надежный, точный, прямой МНК алгоритм

FastICA Fast Independent Component Analysis Быстрый анализ независимых компонент

MCR-ALS Multivariate Curve Resolution - Alternating Least Squares Многомерное разрешение кривых - Чередующиеся наименьшие квадраты

ICA, MI-IK Independent Component Analysis Метод независимых компонент

PCA, МГК Principal Component Analysis Метод главных компонент

PLS, ПЛС Projections on Latent Structures Проекции на латентные структуры

MLR, МЛР Multiple linear regression Множественная линейная регрессия

ComDim Analysis of Common Dimensions and Specific Weights Анализ общих направлений и специфических весов

FDA, ФДА Factorial discriminant analysis Факторный дискриминантный анализ

LDA, ЛДА Linear discriminant analysis Линейный дискриминантный анализ

Введение диссертации (часть автореферата) на тему «Хемометрика в анализе многокомпонентных объектов на основе данных ИК, ЯМР и рентгенофлуоресцентной спектроскопии, отличающихся большим значением взаимной информации»

ВВЕДЕНИЕ

Аналитическая спектроскопия способна предоставить необходимую информацию относительно состава и свойств различных объектов, таких как промышленные, сельскохозяйственные образцы и продукты питания. Эта информация может быть использована для контроля качества продуктов и оптимизации их состава. В связи с этим спектроскопия в мониторинге технологических процессов - это область, которая в настоящее время привлекает все большее внимание [1].

Эффективность затрат - еще одна тенденция, которая способствует появлению новых, быстрых и недорогих методов исследования. Тренд современной спектроскопии выражается в выполнении меньшего числа измерений, но получении большего объема данных из каждого из них. Так клинические анализы и медицинская диагностика сейчас осуществляются с помощью многомерных спектроскопических измерений, например, для классификации различных болезней или физиологического состояния пациента [2]. Быстрое совершенствование приложений спектроскопии для исследований и рутинного анализа было бы невозможно без параллельного развития хемометриче-ских методов.

Спектр предлагаемых хемометрикой методов и алгоритмов обширен. Однако следует отметить, что подавляющее большинство работ посвящено апробации различных хемометрических подходов для анализа данных электронной спектроскопии. Несмотря на очевидную перспективность, число работ, посвященных анализу данных инфракрасной (ИК), рентгенофлуорес-центной (РФ) спектроскопии и спектроскопии ядерного магнитного резонанса (ЯМР), единично. Данные, получаемые с использованием этих спектроскопических методов анализа, характеризуются большим значением взаимной информации, а, значит, одновременно и трудны для хемометрической обработки, и перспективны для разработки методов анализа товарных продуктов.

Примеры использования хемометрики для анализа данных ИК, РФ и ЯМР спектроскопии рассмотрены в обзоре литературы. Однако ввиду очень малого количества и перспективности направления работ необходимы исследования по практическому использованию рассматриваемых методов, выявлению факторов, влияющих на качество анализа, сравнительному анализу различных подходов и апробации алгоритмов на смесях сложного состава (в том числе товарных продуктах).

Необходимо также отметить, что все спектральные методы качественного и количественного анализа основаны на использовании эталонов (образцов стандартного состава). Необходимость применения эталонов представляет большое ограничение в применении спектроскопии как таковой. Вопрос о том, как этот важнейший момент можно обойти, возник сравнительно недавно, и оказалось, что проблема безэталонного анализа, то есть получение качественного и количественного ответов без использования натурных образцов стандартного состава, вполне может быть разрешена, если воспользоваться теоретическими расчётами спектров [3]. Впоследствии использование многомерных спектров открывает возможность перевести анализ на полностью безэталонную основу, тем самым исключив необходимость привлечения методов расчета спектров [4]. Исследования в этой области, выполненные Грибовым Л.А. и соавторами, показывают несомненную перспективность этого направления [5-7].

Цель работы: повышение эффективности ИК, ЯМР и рентгенофлуорес-центного спектрометрического анализа на основе методов хемометрики.

Достижение поставленной цели включало решение следующих задач:

- априорное определение числа независимых компонент в спектральных данных;

- апробация методов предварительной обработки спектров: ИК -сглаживание и шкалирование, ЯМР - бакетинг;

- качественный и количественный ИК, ЯМР и РФ анализ смоделированных и искусственных смесей хемометрическими методами;

- идентификация и количественное определение компонентов товарных продуктов (клейких лент, лакокрасочных покрытий, безалкогольных напитков, электронных сигарет, морских донных отложений) по данным ИК, ЯМР и РФ спектроскопии на основе хемометри-ческих методов;

- применение новых хемометрических подходов к классификации сложных объектов: МНК и СотБт, позволяющий значительно улучшить результаты определений за счет использования совмещенных наборов данных разных инструментальных методов, а иногда стать единственно возможным методом анализа.

На защиту выносятся:

- результаты качественного и количественного анализа смесей соединений различными алгоритмами метода независимых компонент по данным ИК, ЯМР и РФ спектроскопии, оценка и сравнение производительности используемых хемометрических алгоритмов;

- влияние различных факторов (количество компонентов в объекте, агрегатное состояние системы, предварительная математическая обработка) на декомпозицию спектров с применением хемометрических методов обработки;

- результаты применения новых классификационных методов: МНК и СошВ1ш - для повышения производительности и качества классификации сложных объектов: лакокрасочных покрытий, соков и вин;

- методики совместного определения веществ в реальных объектах на основе ИК, ЯМР и РФ спектров и хемометрики.

Научная новизна

Решена важная и перспективная задача использования методов ЯМР }Н, ИК, РФ спектроскопии в сочетании с хемометрическими алгоритмами

для идентификации и надежного экспрессного совместного количественного определения компонентов в смесях сложного состава.

Оценено влияние различных факторов на результаты математического разделения спектров смесей: число значимых компонентов в спектрах, агрегатное состояние системы, предварительная математическая обработка спектральных данных.

Апробирована работа разработанной в среде МАТЬАВ программы, позволяющей априори определять число независимых компонент в спектральных данных простых и сложных смесей.

Предложены новые методики анализа объектов окружающей среды и продуктов питания по данным ПК и ЯМР спектроскопии.

Показано превосходство новых хемометрических методов (МНК и Сот01т) в классификации сложных объектов.

Практическая значимость

Выработаны практические рекомендации по применению хемометрических алгоритмов в ИК, РФ и ЯМР спектроскопических анализах. На их основе разработаны эффективные методики определения веществ в смесях, апробированные в анализе объектов сложного состава.

Решены важные задачи экспертизы клейких лент, лакокрасочных покрытий автомобилей, установления компонентного состава товарных бензинов. С помощью хемометрических подходов изучены процессы формирования морских донных отложений и установлен их компонентный состав.

Предложены новые методики идентификации и количественного определения компонентов меда, молока, электронных сигарет, энергетических и безалкогольных напитков. С использованием нового хемометрического метода Соп^т решены задачи классификации сложных объектов анализа: соков и вин.

Результаты диссертационной работы представляют интерес для специалистов, работающих в области аналитической химии, математических методов обработки данных.

Апробация работы

Основные результаты диссертационной работы доложены на VIII Международном симпозиуме по хемометрике (Дракино, 2012), VI и VII Всероссийских конференциях молодых ученых, аспирантов и студентов Mendeleev-2012 и Mendeleev-2013 (Санкт-Петербург, 2012-2013), IV Европейском конгрессе по химии (Чехия, Прага, 2012), Всероссийской школе-конференции «Химия биологически активных веществ» молодых учёных, аспирантов и студентов с международным участием «ХимБиоАктив-2012» (Саратов, 2012), II Съезде аналитиков России (Москва, 2013).

Публикации

По теме диссертации опубликовано 11 печатных работ: 4 статьи в журналах, рекомендованных ВАК, 7 тезисов докладов, из них 5 - на международных конференциях.

Структура и объем работы

Диссертация состоит из введения, пяти глав, выводов и списка использованной литературы. Библиография включает 292 источника. Диссертационная работа изложена на 181 странице машинописного текста, содержит 42 рисунка и 22 таблицы.

В первой главе представлен обзор литературы, в котором кратко рассмотрены основные методы хемометрики, используемые для обработки данных ИК, ЯМР и РФ спектроскопии, их классификация, основные характеристики и примеры использования.

Вторая глава содержит сведения об используемых веществах, методах исследования и обработки экспериментальных результатов.

Третья глава включает изложение результатов декомпозиции инфракрасных спектров многокомпонентных систем различной природы различными алгоритмами метода независимых компонент, способов идентификации и количественного определения веществ в смесях сложного состава на их основе, а также сравнительный анализ используемых алгоритмов. Также в третьей главе представлены методики ИК спектроскопического анализа ре-

альных объектов с привлечением хемометрических методов обработки спектральных данных.

В четвертой главе приведены результаты рентгенофлуоресцентного анализа смоделированных и искусственных смесей с последующей обработкой различными алгоритмами МНК. Кроме того для реальных объектов предложены новые методики классификационного анализа с помощью МНК, которые значительно превосходят классические приемы (МГК моделирование).

Пятая глава содержит результаты хемометрической обработки ЯМР спектроскопических данных анализа смесей компонентов меда, энергетических и безалкогольных напитков, молока и электронных сигарет. Хемомет-рические методы апробированы также и для реальных объектов: безалкогольных напитков и электронных сигарет. Кроме того, в пятой главе представлены результаты анализа с применением нового метода обработки совмещенных наборов данных СопШт, который позволил значительно увеличить достоверность анализа.

Далее следуют выводы и список использованной литературы.

Личный вклад автора в опубликованные в соавторстве работах заключается в постановке цели и задач исследования, выборе объектов, подходов к анализу и количественному описанию экспериментальных данных, непосредственном проведении эксперимента и математической обработки данных, обобщении полученных результатов, формулировании научных положений и выводов. В обсуждении работы участвовали: проф. д.х.н. С.П. Муштакова, к.х.н. Ю.Б. Монахова. Вклад автора является решающим во всех разделах работы.

¡Г ГШ «Я НИ !И1 Ш! I В Ш II С II К [ П!" НЩ!1П В

1. ОБЗОР ЛИТЕРАТУРЫ

Хемометрика, ставшая в последнее время широко используемым и производительным инструментом, позволяющим значительно повысить эффективность качественного и количественного анализа, предъявляет определенные требования к наборам исходных спектроскопических данных. Для работы хемометрических методов важным является малое значение взаимной информации, которая характеризует количество информации, содержащейся в одном наборе спектроскопических данных относительно другого.

Известно, что взаимная информация спектральных данных находится в прямой зависимости от степени перекрывания спектров индивидуальных компонентов и в обратной зависимости от полуширины их сигналов: чем больше степень перекрывания и чем меньше полуширина сигналов, тем больше взаимная информация [8]. Это обстоятельство создает трудности для хемометрической обработки подобных спектральных данных и требует проведения дополнительных исследований в этой области, т.к. число работ, посвященных применению хемометрики в анализе спектральных данных, которые отличает большое значение взаимной информации невелико. Немногочисленные примеры подобных работ рассмотрены далее в обзоре литературы.

1.1. Хемометрика в анализе спектральных данных, характеризующихся большой взаимной информацией

Сванте Волд ввел термин хемометрика в 1972 году, после чего началось стремительное развитие этой дисциплины [9]. Область приложения хемометрики огромна, кроме того, применяемые в ней математические и статистические инструменты часто используются и в других областях знания, например, в биометрике и экономике [10,11]. Хемометрика предлагает методы, которые позволяют химикам эффективнее двигаться от экстенсивного роста числа измерений к качественному увеличению информации, извлекаемой из

каждого измерения. Последние обзоры, которые иллюстрируют чрезвычайно большое число приложений хемометрики, можно найти в нескольких специализированных журналах [12-15].

Главная часть хемометрики - это анализ многомерных данных, который необходим для улучшения качества качественных и количественных исследований. Термин «многомерный» используется как синоним «многофакторного» или «многоканального», последний часто используется в спектроскопии. Многомерные методы количественного и качественного анализа подробно рассмотрены в нескольких книгах [16-19].

Классификация многомерных методов, которые используются для анализа многокомпонентных систем, базирующаяся на различном объеме информации, доступной по спектрам компонентов и концентрациям, представлена в статье Лианга и др. [20]. Авторы классифицировали «белые» многомерные системы как системы, для которых спектры химических компонентов образца известны и этот набор может определить концентрации всех анали-тов. «Серые» многокомпонентные системы характеризуются неполным знанием о спектрах и концентрациях компонентов. Системы называются «черными», если априорная информация о составе системы отсутствует. В случае таких систем применяют так называемое автомодельное разделение кривых, целыо которого является разрешение спектральных данных, полученных, например, во время мониторинга реакции, в концентрационные профили и спектры поглощения чистых компонент без априорной информации о наблюдаемой системе [21].

1.1.1. Инфракрасная спектроскопия

Инфракрасные спектры твердых и жидких образцов характеризуются большим числом полос поглощения. Происхождение полос объясняется обертонами и комбинациями фундаментальных вибраций, и даже спектры химически простых образцов отличаются высокой степенью перекрывания

полос поглощения. Их идентификация и соотнесение с вибрациями отдельных молекулярных групп со специфическими связями часто бывают сложны.

Современный ИК спектроскопический анализ далек от своего классического варианта [22]. Сегодня мы используем данный метод для анализа сложных композиционных материалов различной морфологии. Получаемый спектр часто, на первый взгляд, достаточно неинформативен, и идентификация полос и их прямое использование для количественной оценки невозможны. Более того, сигналы могут быть подвержены воздействию дополнительных эффектов от взаимодействия излучения с физической структурой вещества, что приводит к усложнению анализа.

Указанные недостатки можно преодолеть, привлекая методы хемомет-рики для моделирования данных. Используя возможности хемометрической обработки, Лин и Браун [23] применили ИК спектроскопию как универсальный метод определения физических и химических свойств воды и нахождения их функций от температуры. РГК и МЛР модели разработаны и применены для соотнесения спектров со свойствами воды в температурном диапазоне от 5 до 65°С. Среди рассматриваемых свойств были плотность, коэффициент рефракции, диэлектрическая постоянная, относительная вязкость, поверхностное натяжение и др. Авторы показали, что набор из пятнадцати свойств можно определить одновременно, измеряя набор ИК спектров воды

[23]. Полученные исследователями результаты демонстрируют линейную корреляцию между РГК предсказанными и действительными значениями. Между ними найдена хорошая линейная корреляция: коэффициенты детерминации, как правило, были больше 0.9978.

Хемометрика полезна также для улучшения разрешения ИК спектров

[24]. График нагрузок, или регрессионных коэффициентов, играет важную роль в этом процессе. Авторы приводят ИК спектр раствора етор-бутанола (0.3 М) в тетрахлориде углерода, измеренный в температурном диапазоне от 10 до 60°С. Наблюдаемая интенсивная полоса при 7081 см"1 может быть отнесена к первому обертону удлинения связи ОН в мономере. Известно, что

13

спирты образуют ассоциаты друг с другом. В тетрахлориде углерода спирты образуют также слабые водородные связи с растворителем. Полоса при 7081 см"1 должна состоять, по меньшей мере, из четырех удлиняющих связь ОН составляющих: две полосы от вращательных изомеров спирта, одна полоса от свободной ОН группы водородсвязанных образцов и одна - от водорода ОН группы, связанного с тетрахлоридом углерода. Для того чтобы сделать полосы этих компонентов наблюдаемыми, найдена спектральная разница путем вычитания спектра, измеренного при 10°С из спектров, полученных при более высоких температурах.

Аналогичные результаты были получены из графика нагрузок (коэффициентов регрессии) модели, базирующейся на ИК данных в том же температурном интервале. Модель была получена при помощи ПЛС регрессии [24]. Следует отметить, что внешний вид кривой, полученной по первому и второму методам, оказался очень похожим. Таким образом, не только дифференциальные спектры могут предоставить информацию о реальном составе полос, но и более быстрые и дешевые хемометрические подходы. Указанный пример наглядно иллюстрирует пригодность хемометрики даже для такой сложной области анализа, как изучение структур молекулярных комплексов.

Дополнительные возможности улучшения качества .ИК спектроскопического анализа дает использование метода чередующихся наименьших квадратов. Несмотря на существующие недостатки (необходимость предварительной оценки концентраций или спектров чистых компонентов, итеративный характер вычислений), он нашел достаточно широкое применение в анализе данных ИК спектроскопии. Обработка данных ИК спектроскопии методом чередующихся наименьших квадратов позволила установить содержание воды и белка в образцах растительного происхождения [25]. В данном случае MCR-ALS доказал свою производительность, несмотря на то, что вклад воды и белков в суммарный спектр образцов очень невелик.

Наложение корреляционных ограничений в МСЯ-ЛЬБ модель позволило количественно определить компонентный состав биодизельного топлива [26], изучить процессы старения растительных масел [27], идентифицировать и количественно оценить содержание углеводов, спиртов и органических кислот в винах [28]. Можно выделить следующие основные объекты анализа: медицинские препараты [29-32] и пищевые продукты [33,34]. МСЯ-АЬ8 также часто применяли для оценки загрязнения окружающей среды [35] и контроля технологических процессов [36]. Оценивая спектр применения метода чередующихся наименьших квадратов на сегодняшний день, можно заключить, что этот метод находит весьма широкое применение.

Другим более современным и производительным подходом является метод независимых компонент. Метод независимых компонент относительно редко применяли для количественного анализа по данным ИК спектроскопии. Однако, несмотря на малое число приложений, этот метод уже доказал хорошую эффективность. В частности, МНК успешно применен для анализа бензинов [37], изучения промежуточных продуктов обмена веществ растений Лгаб/фрт/з 1каИапа [38]. Апробация МНК для количественного определения глюкозы и сахарозы [39] позволила создать методику быстрого, неинвазив-ного определения углеводов в различных объектах.

Некоторые авторы ставили целью своих исследований сравнение производительности МНК с другими хемометрическими подходами [40]. В частности, Чуанг и др. [41] показали, что производительность МНК превосходит ПЛС регрессию. Аналогичные результаты получены Шао и др. для анализа персиков [42], риса [43] и кукурузы [44]. Несомненно, такие исследования дают предпосылки для более широкого внедрения МНК в аналитическую практику.

В отличие от концентраций в количественном анализе качественные свойства образцов, имеющие отношение к спектральным вариациям, не могут быть представлены как непрерывные переменные, так как имеют дискретные значения. Например, такие значения могут идентифицировать про-

15

дукт и его качество (плохое/хорошее). В последнем случае можно легко оценить применимость испытуемого материала. Наиболее широко используемое приложение ИК спектроскопии в данном аспекте - верификация идентичности образцов. Идентичность в данном случае трактуется абстрактно как принадлежность к группе с определенными свойствами.

Качественные методы спектроскопии в средней инфракрасной области обычно включают визуальную интерпретацию таких спектральных особенностей, как число, положение и относительная интенсивность характеристических полос. Обычно для БИК спектроскопии такое исследование недоступно, т.к. БИК спектр состоит из большого числа широких и перекрывающихся полос. Кроме того необходимо решать проблемы селективности и интерференции, как и в случае количественного анализа.

Хемометрические методы, используемые для классификации спектральных свойств образцов, веществ или материалов подразделяются на алгоритмы с обучением и без обучения. Последний подход не требует никакого знания о группируемых спектрах, а сам представляет дискриминацию (или кластеризацию) этих образцов. В упомянутой выше верификации идентичности групповая структура тренировочного набора известна, а, следовательно, можно применять алгоритмы с обучением. Подробный сравнительный анализ различных классификационных подходов выполнен Валзаком и Массар-том [45].

Большинство качественных методов могут оперировать как в пространстве длин волн, так и в пространстве с меньшим числом измерений. В последнем случае наиболее часто используемым является МГК, который использует сжатие данных, используя декомпозицию ортогональных матриц. В общем, цель подобных методов состоит в проецировании оригинального набора данных из многомерного пространства на несколько преобразованных координат. Так называемые графики счетов широко используются для графического представления данных группировки образцов.

Так, например, в работе [46] с помощью МГК классифицированы 24 структуры спирта с прямой и разветвленной цепью. ИК спектры в диапазоне 1100-2200 нм измерены для 24 образцов первичных, вторичных и третичных спиртов. Спектры были подвергнуты обработке МГК. Найдено, что первая и вторая главные компоненты описывают все 100% вариации спектроскопических данных и образцы могут быть классифицированы одновременно. Спектры индивидуальных спиртов оказались очень похожи друг на друга. Например, спектры 1-октанола и 1-нонанола настолько близки во всем спектральном диапазоне, что практически невозможно отличить их друг от друга. В двухфакторном пространстве, однако, различия хорошо видны. Также были получены кластеры первичных, вторичных и третичных спиртов.

Метод главных компонент является наиболее хорошо изученным и часто применимым в практике исследований. Спектр его приложений достаточно велик, в частности, контроль качества продуктов питания: вин [47], продуктов на их основе [48], виноградного сусла и соков [49]; анализ полимеров [50] и фармацевтических препаратов [51-54].

Для большинства качественных алгоритмов требуется соответствующая база данных. Библиотеки спектров, представляющие естественные вариации каждого идентифицируемого продукта, могут быть построены на калибровочном этане. Для автоматизированной и компьютеризированной оценки идентичности неизвестных образцов рутинные методы используют поиск по библиотеке, основанный на алгоритмах спектрального картографирования [55]. До этого этапа проводят некоторую предварительную обработку образцов, выражающуюся в коррекции базовой линии или стандартизации шумов. Сравнение анализируемого образца с кандидатом из библиотеки спектров может быть выполнено, основываясь на различных процедурах, например, нахождении коэффициента корреляции, идентичности и измерении дистанции или с помощью логических операторов [56]. Спектральная корреляция является достаточной точной мерой ввиду независимости от смещения

спектров и вариации глобальных интенсивностей. Таким образом, она не

17

подходит для различения образцов, спектр которых сильно отличается от образца к образцу, что имеет место, например, из-за различного размера частиц образцов. Идентификация смесей по ИК спектрам жидкостей автоматизированным методом поиска по библиотеке представлена Ло и Брауном [57]. Также этот метод применен для красителей текстиля [58] и идентификации компонентов газов [59].

Измерение расстояний (например, Махаланобиса) или идентичности используется для кластерного анализа, в котором образцы сгруппированы по своим спектральным свойствам. Этот подход относится к инструментам распознавания образцов без обучения. Информативные дендрограммы могут быть получены из иерархического кластерного анализа, в котором расстояние между кластерами показывается графически.

В числе методов с обучением для классификации разработан линейный дискриминантный анализ, в котором описывается метод поиска оптимальной границы между различными кластерами. Граница ищется путем максимизации вариаций между классами и минимизации вариации внутри одного класса. Этот метод применен, например, Де Грутом и соавторами для классификации строительных отходов по их ИК спектрам [60].

Список литературы диссертационного исследования кандидат наук Цикин, Алексей Максимович, 2014 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Померанцев А. Л., Родионова O.E. Многомерный статистический контроль процессов // Методы менеджмента качества. 2002. No. 6. pp. 15-21.

2. Madsen R., Lundstedt Т., Trygg J. Chemometrics in metabolomics - a review in human disease diagnosis // Analytica Chimica Acta. 2010. Vol. 659. No. 1. pp. 23-33.

3.Грибов Л.А., Михайлов И.В. Этот виртуальный молекулярный мир // Российский химический журнал. 2007. Vol. LI. No. 5. pp. 18-26.

4. Грибов Л.А., Баранов В.И., Эляшберг М.Е. Безэталонный молекулярный спектральный анализ. Теоретические основы. Москва: Эдиториал УРСС, 2002. 320 pp.

5. Баранов В.И., Грибов Л.А., Дридгер В.Е. Компьютерное моделирование безэталонного молекулярного спектрального анализа смесей // Журнал аналитической химии. 2012. Vol. 67. No. 2. pp. 114-121.

6. Грибов Л.А., Баранов В.И., Потешный Д.И. Метод компьютерного сопоставления теоретических и экспериментальных молекулярных спектров с помощью интегрального преобразования при решении аналитических задач // Журнал аналитической химии. 2011. Vol. 66. No. 2. pp. 112-118.

7. Грибов Л.А., Дементьев В.А. Алгоритм определения концентраций веществ по спектральным данным без использования образцов стандартного состава // Журнал прикладной спектроскопии. 2012. Vol. 79. No. 2. pp. 338-346.

8. Kraskov A., Stogbauer H., Grassberger P. Estimating Mutual Information // Physical Review E. 2004. Vol. 69. pp. 066138-066154.

9. Esbensen K.N., Gebaldi P. The start and early history of chemometrics: Selected interviews. Part 2 // Journal of Chemometrics. 1990. Vol. 4. No. 5. pp. 389-412.

10. Massart D.L., Vandeginste B.G.M., Deming S.N., Mighotte Y., Kaufmann L. Chemometrics: a Textbook. Amsterdam: Elsevier, 1988.

11. Massart D.L., Vandeginste B.G.M., Buydens L.M.C., De Jong S., Lewi P.J., Smeyers-Verbeke J. Handbook of Chemometrics and Qualimetrics. Amsterdam: Elsevier, 1998.

12. Workman J.J., Mobley P.R., Kowalski B.R., Bro R. Review of chemometrics applied to spectroscopy: 1985-1995, Part I. // Applied Spectroscopy Review. 1996. Vol. 31. No. 1. pp. 73-124.

13. Mobley P.R., Kowalski B.R., Workman J.J., Bro R. Review of chemometrics applied to spectroscopy: 1985-1995, Part 2. // Applied Spectroscopy Review. 1996. Vol. 31. No. 4. pp. 347-368.

14. Bro R., Workman J.J., Mobley P.R., Kowalski B.R. Review of chemometrics applied to spectroscopy: 1985-95, Part 3—Multi-way analysis. // Applied Spectroscopy Review. 1996. Vol. 32. pp. 237-261.

15.Lavine B.K. Chemometrics // Analytical Chemistry. 1998. Vol. 70. pp. 209228.

16. Martens H., Naes T. Multivariate Calibration. Chichester: Wiley, 1989.

17. Beebe K.R., Pell R.J., Seasholtz M.B. Chemometrics - A Practical Guide. New York: Wiley, 1998.

18. Kramer R. Chemometric Techniques for Quantative Analysis. New York: Marcel Dekker, 1998.

19. Adams M.J. Chemometrics in Analytical Spectroscopy. Cambridge: Royal Society Chemistry, 1995.

20. Liang Y.-Z., Kvalheim O.M., Manne R. White, grey and black - A classification of methods for quantitative and qualitative analysis of multicomponent analytical systems // Chemometrics and Intelligent Laboratory Systems. 1993. Vol. 18. pp.235-250

21.Furusjo E., Danielsson L.-G., Konberg E., Rentsch-Jonas M., Skagerberg B. Evaluation Techniques for Two-Way Data from in Situ Fourier Transform Mid-Infrared Reaction Monitoring in Aqueous Solution // Analytical Chemistry. 1998. Vol. 70. pp. 1726-1734.

22. Золотов Ю.А., Вершинин В.И. История и методология аналитической химии. Москва: Академия, 2007. 464 pp.

23. Lin J., Brown C.W. Universal Approach for Determination of Physical and Chemical Properties of Water by Near-IR Spectroscopy // Applied Spectroscopy. 1993. Vol. 47. pp. 1720-1727.

24. Maeda H., Wang Y., Ozaki Y., Suzuki M., Czarnecki M.A., Iwahashi M. A near-infrared study of hydrogen bonds in alcohols—comparison of chemometrics and spectroscopic analysis // Chemometrics and Intelligent Laboratory Systems. 1999. Vol. 45. pp. 121-130.

25. Azzouz Т., Tauler R. Application of multivariate curve resolution alternating least squares (MCR-ALS) to the quantitative analysis of pharmaceutical and agricultural samples // Talanta. 2008. Vol. 74. No. 5. pp. 1201-1210.

26. de Oliveira R.R., de Lima K.M.G., Tauler R., de Juan A. Application of correlation constrained multivariate curve resolution alternating least-squares methods for determination of compounds of interest in biodiesel blends using NIR and UV-visible spectroscopic data // Talanta. 2014. Vol. 125. pp. 233241.

27. Le Dreau Y., Dupuy N., Artaud J., Ollivier D., Kister, J. Infrared study of aging of edible oils by oxidative spectroscopic index and MCR-ALS chemometric method // Talanta. 2009. Vol. 77. No. 5. pp. 1748-1756.

28. Edelmann A., Diewok J., Baena J.R., Lendl B. High-performance liquid chromatography with diamond ATR-FTIR detection for the determination of carbohydrates, alcohols and organic acids in red wine // Analytical and bioanalytical chemistry. 2003. Vol. 376. No. 1. pp. 92-97.

29. Martí-Aluja I., Ruisánchez I., Larrechi M.S. Quantitative analysis of the effect of zidovudine, efavirenz and ritonavir on insulin aggregation by MCR-ALS of infrared spectra // ANALYSIS OF POLYMERISATION/AGGREGATION PROCESSES BY NIR CHEMICAL IMAGING AND FTIR SPECTROSCOPY. 2013. Vol. 760. No. 16. P. 24.

30. Carneiro R.L., Poppi R.J. Infrared imaging spectroscopy and chemometric tools for in situ analysis of an imiquimod pharmaceutical preparation presented as cream // Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 2014. Vol. 118. pp. 215-220.

31. Martí-Aluja I., Larrechi M.S. MCR-ALS analysis of insulin aggregation/association processes. Influence of biochemical variables // Chemometrics and Intelligent Laboratory Systems. 2013. Vol. 127. pp. 49-54.

32. Brondi A., Terra L., Sabin G., Garcia J., Poppi R., Trevisan M. Mapping the polymorphic forms of fexofenadine in pharmaceutical tablets using near-infrared chemical imaging // Journal of Near Infrared Spectroscopy. 2014. Vol. 22.

33.Grassi S., Amigo J.M., Lyndgaard C.B., Foschino R., Casiraghi E. Assessment of the sugars and ethanol development in beer fermentation with FT-IR and multivariate curve resolution models // Food Research International. 2014.

34. Grassi S., Alamprese C., Bono V., Casiraghi E., Amigo J-M. Modelling Milk Lactic Acid Fermentation Using Multivariate Curve Resolution-Alternating Least Squares (MCR-ALS) // Food and Bioprocess Technology. 2013. pp. 111.

35. Chakraborty S., Weindorf D.C., Li B., Ali M.N., Majumdar K., Ray D.P. Analysis of petroleum contaminated soils by spectral modeling and pure response profile recovery of n-hexane // Environmental Pollution. 2014. Vol. 190. pp. 10-18.

36. Bortolato S.A., Thomas K.E., McDonough K., Gurney R.W., Martino D.M. Evaluation of photo-induced crosslinking of thymine polymers using FT-IR spectroscopy and chemometric analysis // Polymer. 2012. Vol. 53. No. 23. pp. 5285-5294.

37. Pasadakis N., Kardamakis A.A. Identifying constituents in commercial gasoline using Fourier transform-infrared spectroscopy and independent component analysis // Analytica chimica acta. 2006. Vol. 578. No. 2. pp. 250255.

38. Scholz M., Gatzek S., Sterling A., Fiehn O., Selbig J. Metabolite fingerprinting: detecting biological features by independent component analysis // Bioinformatics. 2004. Vol. 20. No. 15. pp. 2447-2454.

39. Hahn S., Yoon G. Identification of pure component spectra by independent component analysis in glucose prediction based on mid-infrared spectroscopy // Applied optics. 2006. Vol. 45. No. 32. pp. 8374-8380.

40. Parastar H., Jalali-Heravi M., Tauler R. Is independent component analysis appropriate for multivariate resolution in analytical chemistry? // Trends in Analytical Chemistry. 2012. Vol. 31. pp. 134-143.

41. Chuang Y.K., Chen S., Lo Y.M., Tsai C.Y., Yang I., Chen Y.L., Chen C.C. Integration of Independent Component Analysis with Near Infrared Spectroscopy for Rapid Quantification of Sugar Content in Wax Jambu (Syzygium samarangense Merrill & Perry) // Journal of Food & Drug Analysis. 2012. Vol. 20. No. 4. pp. 855-864.

42. Shao Y., Bao Y., He Y. Visible/near-infrared spectra for linear and nonlinear calibrations: a case to predict soluble solids contents and pH value in peach // Food and bioprocess technology. 2011. Vol. 4. No. 8. pp. 1376-1383.

43. Shao Y., Cen Y., He Y., Liu F. Infrared spectroscopy and chemometrics for the starch and protein prediction in irradiated rice // Food chemistry. 2011. Vol. 126. No. 4. pp. 1856-1861.

44. Xie X., Zhao L. The Application of ICA to Quantitative Analysis by Near Infrared Reflectance Spectroscopy // Acta Agriculturae Universitatis Jiangxiensis. 2012. Vol. 4. P. 038.

45. Walczak B., Massart D.L. Multiple outlier detection revisited // Chemometrics and Intelligent Laboratory Systems. 1998. Vol. 41. pp. 1-15.

46. Sakurai K., Miura T., Liu Y., Ozaki Y. Brunswick, Australia: Impact Printing (Vic.) Pty Ltd., 1995.

47. Fudge A.L., Wilkinson K.L., Ristic R., Cozzolino D. Classification of smoke tainted wines using mid-infrared spectroscopy and chemometrics // Journal of Agricultural and Food Chemistry. 2012. Vol. 60. pp. 52-59.

48. Regmi U., Palma M., Barroso C.G. Direct determination of organic acids in wine and wine-derived products by Fourier transform infrared (FT-IR) spectroscopy and chemometric techniques // Analytica Chimica Acta. 2012. Vol. 732. pp. 137-144.

49. Cozzolino D., Cynkar W., Shah N., Smith P. Technical solutions for analysis of grape juice, must, and wine: the role of infrared spectroscopy and chemometrics // Analytical and Bioanalytical Chemistry. 2011. Vol. 401. pp. 1475-1484.

50. Чичварин А.В., Игуменова Т.И., Крахт JI.H. Исследование инфракрасных спектров пленок каучуков в присутствии модификаторов наноразмерного типа с интерпретацией результатов на основе хемометрического подхода // Фундаментальные исследования. 2011. Vol. 12. pp. 194-198.

51. Demers А. М., Gosselin R., Simard J.-S., Abatzoglou N. In-line near infrared spectroscopy monitoring of pharmaceutical powder moisture in a fluidised bed dryer: An efficient methodology for chemometric model development // The Canadian Journal of Chemical Engineering. 2012. Vol. 90. No. 2. pp. 299-303.

52. Pieters S., Saeys W., Van den Kerkhof Т., Goodarzi M., Hellings M., De Beer Т., Vander H.Y. Robust calibrations on reduced sample sets for API content prediction in tablets: Definition of a cost-effective NIR model development strategy // Analytica Chimica Acta. 2013. Vol. 761. pp. 62-70.

53.Baptistao Mariana, de Carvalho Rocha Werickson Fortunato, Poppi Ronei Jesus. Quality control of the paracetamol drug by chemometrics and imaging spectroscopy in the near infrared region // Journal of Molecular Structure. 2011. Vol. 1002. pp. 167-171.

54. Rodionova O.Ye., Pomerantsev A.L., Houmuller L., Shpak A.V., Shpigun O.A. Noninvasive detection of counterfeited ampoules of dexamethasone using NIR with confirmation by HPLC-DAD-MS and CE-UV methods // Analytical and Bioanalytical Chemistry. 2010. Vol. 397. pp. 1927-1935.

55. Вершинин В.И., Дерендяев Б.Г., Лебедев K.C. Компьютерная идентификация органических соединений. Омск: Наука, 2002. 182 pp.

56. Мильман Б.Л. Введение в химическую идентификацию. Санкт-Петербург: ВВМ, 2008. 180 pp.

57. Lo S.C., Brown C.W. Near-Infrared Mixture Identification by an Automated Library Searching Method: A Multivariate Approach // Applied Spectroscopy. 1992. Vol. 46. pp. 790-796.

58. Chen C.-S., Brown C.W., Bide M.J. Non-destructive near-infrared analysis for the identification of dyes on textiles // Journal of Society Dyers Colourists. 1997. Vol. 113. pp. 51-56.

59. Brown C.W., Zhou J. Near-Infrared Spectra of Gases: Identification of Mixtures // Applied Spectroscopy. 2001. Vol. 55. pp. 44-49.

60. De Groot P.J., Postma G.J., Meissen W.J., Buydens L.M.C. Inuence of wavelength selection and data preprocessing on near-infrared-based classication of demolition waste // Applied Spectroscopy. 2001. Vol. 55. pp. 173-181.

61. Feng Y.-Z., ElMasry G., Sun D.-W., Walsh D., Morcy N. Near-infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillets // Food Chemistry. 2013. Vol. 138. pp. 1829-1836.

62. Fragoso S., Acena L., Guasch J., Mestres M., Busto O. Quantification of phenolic compounds during red winemaking using FT-MIR spectroscopy and PLS-regression // Journal of Agricultural and Food Chemistry. 2011. Vol. 59. pp. 10795-10802.

63. Passos C.P., Cardoso S.M., Barros A.S., Silva C.M., Coimbra M.A. Application of Fourier transform infrared spectroscopy and orthogonal projections to latent structures/partial least squares regression for estimation of procyanidins average degree of polymerisation // Analytica Chimica Acta. 2010. Vol. 661. pp. 143-149.

64. Pomerantsev A.L., Rodionova O.Ye., Hoskuldsson A. Process control and optimization with simple interval calculation method // Chemometrics and Intelligent Laboratory Systems. 2006. Vol. 81. No. 2. pp. 165-179.

65. Pomerantsev A.L., Rodionova O.Ye. Process analytical technology: a critical view of the chemometricians // Journal of Chemometrics. 2012. Vol. 26. pp. 299-310.

66. Bogomolov A. Multivariate process trajectories: capture, resolution and analysis // Chemometrics and Intelligent Laboratory Systems. 2011. Vol. 108. No. l.pp. 49-63.

67. Wold S., Sjostrom M. Chemometrics: Theory and Application. Washington: ACS, 1977.

68. Rodionova O.Ye.,Sokovikov Ya.V., Pomerantsev A.L. Quality control of packed raw materials in pharmaceutical industry // Analytica Chimica Acta. 2009. Vol. 642. No. 1 -2. pp. 222-227.

69. Wu W., Walczak B., Massart D.L., Heuerding E., Erni F.E., Last I.R., Prebble K.A. Artificial neural networks in classification of NIR spectral data: Design of the training set // Chemometrics and Intelligent Laboratory Systems. 1998. Vol. 33. pp. 35-46.

70.Klawun C., Wilkins C.L. Neural Network Assisted Rapid Screening of Large Infrared Spectral Databases // Analytical Chemistry. 1995. Vol. 67. pp. 374378.

71. Sanchez M.S., Bertram E., Sarabia L.A., Ortiz M.C., Blanco M., Coello J. Quality control decisions with near infrared data // Chemometrics and Intelligent Laboratory Systems. 2000. Vol. 53. pp. 69-80.

72. Gilmore E.T., Frazier P.D., Collins I.J., Reid W., Chouikha M.F. Infrared analysis for counterfeit electronic parts detection and supply chain validation // Environment Systems and Decisions. 2013. Vol. 33. No. 4. pp. 477-485.

73. Lin H., Zhao J., Sun L., Chen Q., Zhou F. Freshness measurement of eggs using near infrared (NIR) spectroscopy and multivariate data analysis // Innovative Food Science & Emerging Technologies. 2011. Vol. 12. No. 2. pp. 182-186.

74. Chuang Y.K., Hu Y.P., Yang I., Delwiche S.R., Lo Y.M., Tsai C.Y., Chen S. Integration of Independent Component Analysis with Near Infrared Spectroscopy for Evaluation of Rice Freshness // Journal of Cereal Science. 2014.

75. Boquete L., Ortega S., Miguel-Jiménez J.M., Rodríguez-Ascariz J.M., Blanco R. Automated detection of breast cancer in thermal infrared images, based on independent component analysis // Journal of medical systems. 2012. Vol. 36. No. l.pp. 103-111.

76. Mecozzi M., Pietroletti M., Scarpiniti M., Acquistucci R., Conti M.E. Monitoring of mucilage formation in Italian seas investigated by infrared spectroscopy and independent component analysis // Environmental Monitoring and Assessment. 2012. Vol. 184. pp. 6025-6036.

77. Keifer P.A. Flow injection analysis NMR (FIA-NMR): a novel flow NMR technique that complements LC-NMR and direct injection NMR (DI-NMR) // Magnetic Resonance in Chemistry. 2003. Vol. 41. pp. 509-516.

78.Pham-Tuan H., Kaskavelis L., Daykin C.A., Janssen H.-G. Method development in high-performance liquid chromatography for high-throughput profiling and metabonomic studies of biofluid samples // Journal of Chromatography B. 2003. Vol. 789. pp. 283-301.

79. Leo G.C., Krikava A., Caldwell G.W. Application of Flow NMR to an Open-Access Pharmaceutical Environment // Analytical Chemistry. 2003. Vol. 75. pp. 1954-1957.

80. Maas W. Monitoring Metabolism // Today's Chemist at Work. 2004. P. 21.

81. Malinowski E. Factor Analysis in Chemistry. New York: Wiley, 1991.

82. Holmes E., Antti H. Chemometric contributions to the evolution of metabonomics: mathematical solutions to characterising and interpreting complex biological NMR spectra // Analyst. 2002. Vol. 127. pp. 1549-1557.

83.Lindon J.С., Holmes E., Nicholson J.K. Pattern recognition methods and applications in biomedical magnetic resonance // Progress in Nuclear Magnetic Resonance Spectroscopy. 2001. Vol. 39. No. 1. pp. 1-40.

84. Alam T.M., Alam M.K. FEATURE-Chemometric Analysis of Nuclear Magnetic Resonance Spectroscopy Data-This article takes a look at chemometric analysis of nuclear magnetic resonance spectral data, as well as common // Spectroscopy-Eugene. 2001. Vol. 16. No. 1. pp. 18-27.

85. Grahn H., Delaglio F., Delsuc M.A., Levy G.C. Multivariate data analysis for pattern recognition in two-dimensional NMR // Journal of Magnetic Resonance. 1988. Vol. 77. pp. 294-307.

86. Edlund U., Grahn H. Multivariate data analysis of NMR data // Journal of Pharmaceutical and Biomedical Analysis. 1991. Vol. 9. No. 8. pp. 655-658.

87. Беляев И.А., Кучерявский C.B., Родионова O.E., Померанцев A.JI. Многомерный анализ изображений в медицине и биологии // Энциклопедия инженера-химика. 2008. No. 10. pp. 27-36.

88. Stoyanova R., Brown T.R. NMR Spectral Quantitation by Principal Component Analysis: III. A Generalized Procedure for Determination of Lineshape Variations // Journal of Magnetic Resonance. 2002. Vol. 154. No. 2. pp. 163-175.

89. Stoyanova R., Kuesel A.C., Brown T.R. Application of Principal-Component Analysis for NMR Spectral Quantitation // Journal of Magnetic Resonance, Series A. 1995. Vol. 115. No. 2. pp. 265-269.

90. Монахова Ю.Б., Кубалла Т.,Лахенмаейер Д.В. Хемометрические методы в ЯМР-спектроскопическом анализе пищевых продуктов // Журнал аналитической химии. 2013. Vol. 68. No. 9. pp. 835-931.

91.Cassale M., Sinelli N., Oliveri P., Di Egidio V., Lanteri S. Chemometrical strategies for feature selection and data compression applied to NIR and MIR spectra of extra virgin olive oils for cultivar identification // Talanta. 2010. Vol. 80. No. 5. pp. 1832-1837.

92. Cuny M., Vigneau E., Le Gall G., Colquhoun I., Lees M., Rutledge D.N. Fruit juice authentication by 1H NMR spectroscopy in combination with different chemometrics tools // Analytical and Bioanalytical Chemistry. 2008. Vol. 390. No. 1. pp. 419-427.

93. Ferrari E., Foca G., Vignali M., Tassi L., Ulrici A. Adulteration of the anthocyanin content of red wines: Perspectives for authentication by Fourier Transform-Near InfraRed and 1H NMR spectroscopies // Analytica Chimica Acta. 2011. Vol. 701. No. l.pp. 139-151.

94. Vogels J.T.W.E., Terwel L., Tas A.C., van den Berg F., Dukel F., van der Greef J. Detection of Adulteration in Orange Juices by a New Screening Method Using Proton NMR Spectroscopy in Combination with Pattern Recognition Techniques // Journal of agricultural and food chemistry. 1996. Vol. 44. No. l.pp. 175-180.

95. Le Gall G., Puaud M., Colquhoun I.J. Discrimination between Orange Juice and Pulp Wash by 1H Nuclear Magnetic Resonance Spectroscopy: Identification of Marker Compounds // Journal of Agricultural and Food Chemistry. 2001. Vol. 49. No. 2. pp. 580-588.

96. Belton P.S., Colquhoum I J. Application of chemometrics to the 1H NMR spectra of apple juices: discrimination between apple varieties // Food Chemistry. 1998. Vol. 61. pp. 207-213.

97. Kosir I.J., Kidric J. Use of modern nuclear magnetic resonance spectroscopy in wine analysis: determination of minor compounds // Analytica Chimica Acta. 2002. Vol. 458. No. 1. pp. 77-84.

98. Martin G.J., Guillou C., Martin M.L., Cabanis M.-T., Tep Y., Aerny J. Natural factors of isotope fractionation and the characterization of wines // Journal of Agricultural and Food Chemistry. 1988. Vol. 36. No. 2. pp. 316322.

99. Ogrinc N., Kosir I.J., Kocjancic M., Kidric J. Determination of Authenticy, Regional Origin, and Vintage of Slovenian Wines Using a Combination of IRMS and SNIF-NMR Analyses // Journal of Agricultural and Food Chemistry. 2001. Vol. 49. No. 3. pp. 1432-1440.

100. Kosir I.J., Kocjancic M., Ogrinc N., Kidric J. Use of SNIF-NMR and IRMS in combination with chemometric methods for the ■ determination of chaptalisation and geographical origin of wines (the example of Slovenian wines) // Analytica Chimica Acta. 2001. Vol. 429. No. 2. pp. 195-206.

101. Gerbanowski A., Rutledge D.N., Feinberg M.H., Ducauze C.J. Multivariate Regression Applied to TD NMR Signals: Determination of Moisture in Meat Products // Science des Aliments. 1997. Vol. 17. No. 3. pp. 309-323.

102. Jepsen S.M., Pedersen H.T., Engelsen S.B. 'Application of chemometrics to low-field H-l NMR relaxation data of intact fish flesh // Journal of the Science of Food and Agriculture. 1999. Vol. 79. No. 13. pp. 1793-1802.

103. Engelsen S.B., Jensen M.K., Pedersen H.T., Norgaard L., Munck L. NMR-baking and Multivariate Prediction of Instrumental Texture Parameters in Bread// Journal of Cereal Science. 2001. Vol. 33. No. 1. pp. 59-69.

104. Sacco A., Bolski I.N., Massini R., Manfred S., Humpfer E., Ghelli S. Preliminary Investigation on the Characterization of Durum Wheat Flours Coming from Some Areas of South Italy by Means of 1H High-Resolution Magic Angle Spinning Nuclear Magnetic Resonance // Journal of Agricultural and Food Chemistry. 1998. Vol. 46. No. 10. pp. 4242-4249.

105.Norden В., Albano С. Principal components analysis of complex n.m.r. spectra from heterogeneous material // Fuel. 1989. Vol. 68. No. 6. pp. 771775.

106. Axelson D.E. Magnetic Resonance of Carbonaceous Solids. Washington, DC: American Chemical Society, 1993.

107. Wilcken H., Sorge C., Schulten H.-R. Molecular' composition and chemometric differentiation and classification of soil organic matter in Podzol B-horizons // Geoderma. 1997. Vol. 76. pp. 193-219.

108. Wickholm K., Larsson P.T., Iverson T. Assignment of non-crystalline forms in cellulose I by CP/MAS 13C NMR spectroscopy // Carbohydrate Research. 1998. Vol. 312. No. 3. pp. 123-129.

109. Meusinger R. Gasoline analysis by 1H nuclear magnetic resonance spectroscopy // Fuel. 1996. Vol. 75. No. 10. pp. 1235-1243.

110.Hearmon R.A., Scrivens J.H., Jennings K.R., Farncombe M.J. Isolation of component spectra in the analysis of mixtures by mass spectrometry and 13C nuclear magnetic resonance spectroscopy: The utility of abstract factor analysis // Chemometrics and Intelligent Laboratory Systems. 1987. Vol. 1. No. 2. pp. 167-176.

111. Mannina L., Barone P., Patumi M., Fiordiponti P., Emanuele M.C., Serge A. Cultivar and pedoclimatic effects in the discrimination of olive oils : A high-field NMR study // Recent research developments in oil chemistry. 1999. Vol. 3. pp. 85-92.

112. Перминова И.В. Дисс. док. хим. наук. Москва. 2000.

113.Monteiro M.R., Ambrozin A.R.P., da Silva Santos M., Boffo E.F., Pereira-Filho E.R., Liao L.M., Ferreira A.G. Evaluation of biodiesel-diesel blends quality using 1H NMR and chemometrics // Talanta. 2009. Vol. 78. No. 3. pp. 660-664.

114. Shaw A.D., di Camillo A., Vlahov G., Jones A., Bianchi G., Rowland J., Kell D.B. Discrimination of the variety and region of origin of extra virgin olive oils using 13C NMR and multivariate calibration with variable reduction // Analytica Chimica Acta. 1997. Vol. 348. No. 1. pp. 357-374.

115. Sardashti M., Gislason J.J., Lai X., Stewart C.A., O'Donnell D.J. Determination of Total Styrene in Styrene/Butadiene Block Copolymers by Process NMR and Chemometrics Modeling // Applied Spectroscopy. 2001. Vol. 55. No. 4. pp. 467-471.

116. Malkavaara P., Alen R., Kolehmainen E. Multivariate correlation between 13C and 31P NMR spectral data on dissolved lignin and the combustion properties of kraft black liquor // Magnetic Resonance in Chemistry. 1999. Vol. 37. No. 6. pp. 407-412.

117. Elg-Christofferson K., Hauksson J., Edlund U., Sjostrom M., Dolk M. Characterisation of dissolving pulp using designed process variables, NIR and NMR spectroscopy, and multivariate data analysis // Cellulose. 1999. Vol. 6. No. 3. pp. 233-249.

118.Lennholm H., Larsson T., Iversen T. Determination of cellulose la and 1(3 in lignocellulosic materials // Carbohydrate Research. 1994. Vol. 261. No. 1. pp. 119-131.

119. Lindgren T., Edlund U., Iversen T. A multivariate characterization of crystal transformations of cellulose // Cellulose. 1995. Vol. 2. No. 4. pp. 273-288.

120. Goux W.J. NMR pattern recognition of peracetylated mono- and oligosaccharide structures. Classification of residues using principal-component analysis, K-nearest neighbor analysis, and SIMCA class modeling // Journal of Magnetic Resonance. 1989. Vol. 85. No. 3. pp. 457-469.

121. Weber D.S., Goux W.J. The application of NMR-pattern-recognition methods to the classification of peracetylated oligosaccharide residues: effects of intraclass structure // Carbohydrate Research. 1992. Vol. 233. pp. 65-80.

122. Okide G., Weber D.S., Goux W.J. The selection of nmr spectral features leading to the optimum classification of residue types in peracetylated oligosaccharide derivatives // Journal of Magnetic Resonance. 1992. Vol. 96. No. 3. pp. 526-540.

123.Fauhl C., Reniero F., Guillou C. 1H NMR as a tool for the analysis of mixtures of virgin olive oil with oils of different botanical origin // Magnetic Resonance in Chemistry. 2000. Vol. 38. pp. 436-443.

124.Mannina L., Sobolev A.P., Serge A. Olive oil as seen by NMR and chemometrics // Spectroscopy Europe. 2003. Vol. 15. No. 3. pp. 6-14.

125.Mannina L., Calcagni C., Rossi E., Serge A. Review about olive oil characterization using high-field nuclear magnetic resonance // Annali di chimica. 2003. Vol. 93. pp. 97-103.

126. Dumas M.-E., Canlet C., Andre F., Vercauteren J., Paris A. Metabonomic Assessment of Physiological Disruptions Using 1H-13C PIMBC-NMR Spectroscopy Combined with Pattern Recognition Procedures Performed on Filtered Variables // Analytical Chemistry. 2002. Vol. 74. No. 10. pp. 22612273.

127. Garrido M., Rius F.X., Larrechi M.S. Multivariate curve resolution-alternating least squares (MCR-ALS) applied to spectroscopic data from monitoring chemical reactions processes // Analytical and bioanalytical chemistry. 2008. Vol. 390. No. 8. pp. 2059-2066.

128.Bezemer E., Rutan S. Resolution of overlapped NMR spectra by two-way multivariate curve resolution alternating least squares with imbedded kinetic fitting // Analytica Chimica Acta. 2002. Vol. 459. No. 2. pp. 277-289.

129. Winning H., Larsen F.H., Bro R., Engelsen S.B. Quantitative analysis of NMR spectra with chemometrics // Journal of Magnetic Resonance. 2008. Vol. 190. No. l.pp. 26-32.

130. Fernández C., Pilar Callao M., Soledad Larrechi M. UV-visible-DAD and 1H NMR spectroscopy data fusion for studying the photodegradation process of azo-dyes using MCR-ALS // Talanta. 2013. Vol. 117. pp. 75-80.

131. Monakhova Y.B., Rutledge D.N., RoBmann A., Waiblinger H.U., Mahler M., Ilse M., Lachenmeier D.W. Determination of rice type by 1H NMR spectroscopy in combination with different chemometric tools // Journal of Chemometrics. 2014. Vol. 28. No. 2. pp. 83-92.

132. Maes P., Monakhova Y.B., Kuballa T., Reusch H., Lachenmeier D.W. Qualitative and quantitative control of carbonated cola beverages using 1H NMR spectroscopy // Journal of agricultural and food chemistry. 2012. Vol. 60. No. 11. pp. 2778-2784.

133. Monakhova Y.B., Tsikin A.M., Kuballa T., Lachenmeier D.W., Mushtakova S.P. Independent component analysis (ICA) algorithms for improved spectral deconvolution of overlapped signals in 1H NMR analysis: application to foods and related products // Magnetic Resonance in Chemistry. 2014. Vol. 52. No. 15. pp. 231-240

134. Monakhova Y.B., Kuballa T., Leitz J., Lachenmeier D.W. Determination of diethyl phthalate and polyhexamethylene guanidine in surrogate alcohol from Russia// International journal of analytical chemistry. 2011. Vol. 2011. pp. 17.

135. Jendral J.A., Monakhova Y.B., Lachenmeier D.W. Formaldehyde in alcoholic beverages: large chemical survey using purpald screening followed by chromotropic Acid spectrophotometry with multivariate curve resolution // International journal of analytical chemistry. 2011. Vol. 2011. pp. 1-11.

136. Kachele M., Monakhova Y.B., Kuballa T., Lachenmeier D.W. NMR investigation of acrolein stability in hydroalcoholic solution as a foundation for the valid HS-SPME/GC-MS quantification of the unsaturated aldehyde in beverages // Analytica Chimica Acta. 2014. Vol. 820. pp. 112-118.

137. Brunetti A., Golosio B. Fit of EDXRF spectra with a genetic algorithm // X-Ray Spectrometry. 2001. Vol. 30. No. 1. pp. 32-36.

138. Garcia-Talavera M., Ulicny B. A genetic algorithm approach for multiplet deconvolution in y-ray spectra // Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2003. Vol. 512. No. 3. pp. 585-594.

139. Golovkin I.E., Mancini R.C., louis S.J., Lee R.W., Klein L. Analysis of X-ray spectral data with genetic algorithms // Journal of Quantitative Spectroscopy and Radiative Transfer. 2002. Vol. 75. No. 5. pp. 625-636.

140. Ulyanenkov A., Omote K., Harada J. The genetic algorithm: refinement of X-ray reflectivity data from multilayers and thin films // Physica B: Condensed Matter. 2000. Vol. 283. pp. 237-241.

141.Karimov P., Kurmaev E.Z. Application of genetic algorithms for the optimization of X-ray waveguides // Physics Letters A. 2003. Vol. 320. pp. 234-237.

142. Brunetti A. A fast and precise genetic algorithm for a non-linear' fitting problem// Computer Physics Communications. 2000. Vol. 124. pp. 204-211.

143. Ireland D.G., Janssen S., Ryckebusch J. A genetic algorithm analysis of N* resonances in p(y,K+)A reactions // Nuclear Physics A. 2004. Vol. 740. pp. 147-167.

144. Wilson J.N., Radford D.C. The use of genetic algorithms in a general search for rotational structures in gamma-ray coincidence data // Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 1997. Vol. 385. No. 1. pp. 108-111.

145. Bos M., Weber H.T. Comparison of the training of neural networks for quantitative x-ray fluorescence spectrometry by a genetic algorithm and backward error propagation // Analytica Chimica Acta. 1991. Vol. 247. No. 1. pp. 97-105.

146. Zvi B., Zeev K. Application of neural networks for interpretation of ion mobility and x-ray fluorescence spectra // Analytica Chimica Acta. 1994. Vol. 292. No. 3. pp. 243-251.

147. Majcen N., Xavier Rius F., Zupan J. Linear and non-linear multivariate analysis in the quality control of industrial titanium dioxide white pigment // Analytica Chimica Acta. 1997. Vol. 348. pp. 87-100.

148. Facchin I., Mello C., Bueno M.I.M.S., Poppi R.J. Simultaneous determination of lead and sulfur by energy-dispersive x-ray spectrometry. Comparison between artificial neural networks and other multivariate calibration methods // X-Ray Spectrometry. 1999. Vol. 28. No. 3. pp. 173-177.

149. Nagata N., Peralta Zamora P.G., Poppi R.J., Perez C.A., Bueno M.I.M.S. Multivariate calibrations for the SR-TXRF determination of trace concentrations of lead and arsenic in the presence of bromine // X-Ray Spectrometry. 2006. Vol. 35. No. 1. pp. 79-84.

150. Farquharson M.J., Geraki K. The use of combined trace element XRF and EDXRD data as a histopathology tool using a multivariate analysis approach in characterizing breast tissue // X-Ray Spectrometry. 2004. Vol. 33. No. 4. pp. 240-245.

151. Shimidt F., Cornejo Ponce L., Bueno M.I.M.S., Poppi R.J. Determination of some rare earth elements by EDXRF and artificial neural networks // X-Ray Spectrometry. 2003. Vol. 32. No. 6. pp. 423-427.

152. Lemberge P., De Raedt I., Janssens K.H., Wei F., Van Espen P.J. Quantitative analysis of 16-17th century archaeological glass vessels using PLS regression of EPXMA and fx-XRF data // Journal of Chemometrics. 2000. Vol. 14. pp. 751-763.

153. Wise B.M., Holt B.R., Gallagher N.B., Lee S. A comparison of neural networks, non-linear biased regression and a genetic algorithm for dynamic model identification // Chemometrics and Intelligent Laboratory Systems. 1995. Vol. 30. No. 1. pp. 81-89.

154. Zhang Z.Y., Zhuo H.L., Liu S.D., Peter de B. Classification of cancer patients based on elemental contents of serums using bidirectional associative memory networks // Analytica Chimica Acta. 2001. Vol. 436. No. 2. pp. 281-291.

155.Roggo Y., Duponchel L., Huvenne J.P. Statistical tests for comparison of quantitative and qualitative models developed with near infrared spectral data // Journal of Molecular Structure. 2003. Vol. 654. pp. 253-262.

156. Shaffer R.E., Rose Pehrsson S.L., Andrew McGrill R. A comparison study of chemical sensor array pattern recognition algorithms // Analytica Chimica Acta. 1999. Vol. 384. No. 3. pp. 305-317.

157. Osan J., Kurunczi S., Torok S., Van Grieken R. X-Ray analysis of riverbank sediment of the Tisza (Hungary): identification of particles from a mine pollution event // Spectrochimica Acta Part B: Atomic Spectroscopy. 2002. Vol. 57. No. 3. pp. 413-422.

158. Panfili F., Manceau A., Sarret G., Spadim L., Kirpichtchikova T., Bert V., Laboudigue A., Noureddine Ahamdach M.A.M., Libert M.-F. The effect of phytostabilization on Zn speciation in a dredged contaminated sediment using scanning electron microscopy, X-ray fluorescence, EXAFS spectroscopy, and principal components analysis // Geochimica et Cosmochimica Acta. 2005. Vol. 69. No. 9. pp. 2265-2284.

159. Ruisanchez I., Potokar P., Zupan J., Smolej V. Classification of Energy Dispersion X-ray Spectra of Mineralogical Samples by Artificial Neural Networks // Journal of Chemical Information and Computer Sciences. 1996. Vol.36. No. 2. pp. 214-220.

lóO.Bangwoo H., Manabu S., Kikuo O., Mansoo C. Classification of monodisperse aerosol particles using an adjustable soft X-ray charger // Powder Technology. 2003. Vol. 135-136. pp. 336-344.

161.Custo G., Boeykens S., Cicerone D., Vazquez C. Combining XRF analysis and chemometric tools for a preliminary classification of argentine soils // X-Ray Spectrometry. 2002. Vol. 31. No. 2. pp. 132-135.

162. Hicks T., Monard Sermier F., Goldmann T., Brunelli A., Champod C., Margot P. The classification and discrimination of glass fragments using non destructive energy dispersive X-ray pifluorescence // Forensic Science International. 2003. Vol. 137. pp. 107-118.

163. Shinichi S., Yasuhiro S., Hikoto O., Ritsuko S., Masaaki K., Yoshiteru M. Discrimination of arsenous acids with comparison of trace elements contained by using synchrotron X-ray fluorescence spectrometry // Forensic Science International. 2005. Vol. 148. No. 1. pp. 55-59.

164.Nunes W.V., da Silva A.X., Crispim V.R., Schirru R. Explosives detection using prompt-gamma neutron activation and neural networks // Applied Radiation and Isotopes. 2002. Vol. 56. No. 6. pp. 937-943.

165.Minemasa H., Toshiyuki M. Classification of prepaid cards based on multivariate treatment of data obtained by X-ray fluorescence analysis // Forensic science international. 2001. Vol. 119. No. 3. pp. 305-309.

166.Hida M., Sato H., Sugawara H., Mitsui T. Classification of counterfeit coins using multivariate analysis with X-ray diffraction and X-ray fluorescence methods // Forensic science international. 2001. Vol. 115. No. 1. pp. 129-134.

167. Hernández-Caraballo E. A., M Marcó-Parra L. Direct analysis of blood serum by total reflection X-ray fluorescence spectrometry and application of an artificial neural network approach for cancer diagnosis // Spectrochimica Acta Part B: Atomic Spectroscopy. 2003. Vol. 58. No. 12. pp. 2205-2213.

168. Benninghoff L., von Czarnowski D., Denkhaus E., Lemke K. Analysis of human tissues by total reflection X-ray fluorescence. Application of chemometrics for diagnostic cancer recognition // Spectrochimica Acta Part B: Atomic Spectroscopy. 1997. Vol. 52. No. 7. pp. 1039-1046.

169. Tang S., Wang Y., Chen Y.W.. Application of ICA to X-ray coronary digital subtraction angiography // Neurocomputing. 2012. Vol. 79. pp. 168-172.

170. Smilde A.K., van der Werf M.J., Bijlsma S., van der Werff-van der Vat B.J., Jellema R.H. Fusion of mass spectrometry-based metabolomics data // Analytical chemistry. 2005. Vol. 77. No. 20. pp. 6729-6736.

171.Dearing T.I., Thompson W.J., Rechsteiner C.E., Marquardt B.J. Characterization of crude oil products using data fusion of process raman, infrared, and nuclear magnetic resonance (NMR) spectra // Applied Spectroscopy. 2011. Vol. 65. No. 2. pp. 181-186.

172. Xu Y., Correa E., Goodacre R. Integrating multiple analytical platforms and chemometrics for comprehensive metabolic profiling: application to meat spoilage detection // Analytical and bioanalytical chemistry. 2013. Vol. 405. No. 15. pp. 5063-5074.

173. Peré-Trepat E., Tauler R. Analysis of environmental samples by application of multivariate curve resolution on fused high-performance liquid chromatography-diode array detection mass spectrometry data // Journal of Chromatography A. 2006. Vol. 1131. No. 1. pp. 85-96.

174. Mas S., Tauler R., De Juan A. Chromatographic and spectroscopic data fusion analysis for interpretation of photodegradation processes // Journal of Chromatography A. 2011. Vol. 1218. No. 51. pp. 9260-9268.

175. Vera L., Aceña L., Guasch J., Boqué R., Mestres M., Busto O. Discrimination and sensory description of beers through data fusion // Talanta. 2011. Vol. 87. pp. 136-142.

176. Forshed J., Idborg H., Jacobsson S.P. Evaluation of different techniques for data fusion of LC/MS and 1H-NMR // Chemometrics and intelligent laboratory systems. 2007. Vol. 85. No. 1. pp. 102-109.

177. Smolinska A., Blanchet L., Coulier L., Ampt K.A., Luider T., Hintzen R.Q., Buydens L.M. Interpretation and visualization of non-linear data fusion in kernel space: study on metabolomic characterization of progression of multiple sclerosis // PloS one. 2012. Vol. 7. No. 6. P. e38163.

178. Di Anibal C. V., Callao M. P., Ruisanchez I. 1H NMR variable selection approaches for classification. A case study: The determination of adulterated foodstuffs // Talanta. 2011. Vol. 86. pp. 316-323.

179. Clarke F.C., Jamieson M.J., Clark D.A., Hammond S.V., Jee R.D., Moffat A.C. Chemical image fusion. The synergy of FT-NIR and Raman mapping microscopy to enable a more complete visualization of pharmaceutical formulations // Analytical chemistry. 2001. Vol. 73. No. 10. pp. 2213-2220.

180.Haaland D.M., Thomas E.V. Partial least-squares methods for spectral analyses. 1. Relation to other quantitative calibration methods and the extraction of qualitative information // Analytical Chemistry. 1988. Vol. 60. No. 11. pp. 1193-1202.

181. Jouan-Rimbaud Bouveresse D., Pinto R.C., Schmidtke L.M., Locquet N., Rutledge D.N. Identification of significant factors by an extension of ANOVA-PCA based on multi-block analysis // Chemometrics and Intelligent Laboratory Systems. 2011. Vol. 106. No. 2. pp. 173-182.

182. Strang G. Linear Algebra and its Applications. New York: Harcourt, Brace and Jovanovich, 1988.

183.Geladi P., Kowalski B.R. Partial least-squares regression: a tutorial // Analytica Chimica Acta. 1986. Vol. 185. pp. 1-17.

184. Gargallo R., Tauler R., Cuesta-Sanchez F., Massart D.L. Validation of alternating least-squares multivariate curve resolution for chromatographic resolution and quantitation // Trends in Analytical Chemistry. 1996. Vol. 15. No. 7. pp. 279-286.

185.Jaumot J., Gargallo R., de Juan A., Tauler R. A graphical user-friendly interface for MCR-ALS: a new tool for multivariate curve resolution in MATLAB // Chemometrics and Intelligent Laboratory Systems. 2005. Vol. 76. No. l.pp. 101-110.

186. Maeder M., Zilian A. Evolving factor analysis, a new multivariate technique in chromatography // Chemometrics and intelligent laboratory systems. 1988. Vol. 3. No. 3. pp. 205-213.

187.Windig W., Guilment J. Interactive self-modeling mixture analysis // Analytical chemistry. 1991. Vol. 63. No. 14. pp. 1425-1432.

188. Tauler R. Multivariate Data Analysis-In Pactice. An Introduction to multivariate data analysis and experimental design // Journal of Chemometrics. 2002. Vol. 16. No. 2. pp. 117-118.

189. Hyvarinen A., Karhunen J., Oja E. Independent component analysis. New York: Wiley, 2001.

190. Stone J.V. Independent component analysis: an introduction // Trends in cognitive sciences. 2002. Vol. 6. No. 2. pp. 59-64.

191.Astakhov S.A., Stogbauer H., Kraskov A., Grassberger P. Monte Carlo Algorithm for Least Dependent Non-Negative Mixture Decomposition // Analytical Chemistry. 2006. Vol. 78. pp. 1620-1627.

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

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

194.1-Iyvarinen A., Oja E. A Fast Fixed-Point Algorithm for Independent Component Analysis. // Neural Computation. 1997. Vol. 9. pp. 1483-1492.

195. Stogbauer H., Kraskov A., Astakhov S.A., Grassberger P. Least-dependent component analysis based on mutual information // Physical Review E. 2004. Vol. 70. pp. 066123-066140.

196. Parastar H. Mutual information concept for evaluation of separation quality in hyphenated chromatographic measurements // Analyst. 2014. Vol. 139. No. 10. pp. 2574-2582.

197. Linstrom P.J., Mallard W.G. "Infrared Spectra" in NIST Chemistry WebBook // NIST Standard Reference Database. 2003. URL: http://webbook.nist.gov (дата обращения: 21.03.2014).

198. Усова C.B., Богза Ю.П., Гончаров Д.С., Вершинин В.И. Аддитивна ли оптическая плотность смесей в ИК-области? // Аналитика и контроль. 2011. Vol. 15. No. 1. pp. 78-86.

199. Калитеевский Н.М. Волновая оптика. Москва: Наука, 1971. 376 pp.

200. Monakhova Y.B., Kuballa Т., Leitz J., Andlauer С., Lachenmeier D.W. NMR spectroscopy as a screening tool to validate nutrition labeling of milk, lactose-free milk, and milk substitutes based on soy and grains // Dairy science & technology. 2012. Vol. 92. No. 2. pp. 109-120.

201. Ohmenhaeuser M., Monakhova Y.B., Kuballa Т., Lachenmeier D.W. Qualitative and Quantitative Control of Honeys Using NMR Spectroscopy and Chemometrics // ISRN Analytical Chemistry. 2013. Vol. 2013.

202. Вершинин В.И., Перцев H.B. Планирование и математическая обработка результатов химического эксперимента. Омск: Изд-во ОмГУ, 2005. 228 pp.

203. Jouan-Rimbaud Bouveresse D., Moya-Gonzalez A., Ammari F., Rutledge D.N. Two novel methods for the determination of the number of components in independent components analysis models // Chemometrics and Intelligent Laboratory Systems. 2012. Vol. 112. pp. 24-32.

204. Malinowski E.R. Obtaining the key set of typical vectors by factor analysis and subsequent isolation of component spectra // Analitica Chimica Acta. 1982. Vol. 134. pp. 129-137.

205. Schoonover J.R., Marx R., Zhang S. Multivariate Curve Resolution in the Analysis of Vibrational Spectroscopy Data Files // Applied Spectroscopy. 2003. Vol. 57. pp. 154A-170A.

206. Winding W., Stephenson D.A. Self-Modeling mixture analysis of second-derivative near-infrared spectral data using simplisma approach // Analytical Chemistry. 1992. Vol. 64. pp. 2735-2742.

207. Bogomolov A., Engler M., Melichar M., Wigmore A. In-line analysis of a fluid bed pellet coating process using a combination of near infrared and Raman spectroscopy // Journal of Chemometrics. 2010. Vol. 24. No. 7-8. pp. 544-557.

208. Pérez Pavón J. L., del Nogal Sánchez M., Fernández Laespada M. E., Garcia Pinto C., Moreno Cordero B. Determination of benzene in gasoline using direct injection-mass spectrometry // Analytica chimica acta. 2006. Vol. 576. No. 2. pp. 156-162.

209. Press W.H., Teukolsky S.A., Vetterling W.T., Flannery B.P. Numerical Recipes in Fortran 77: The Art of Scientific Computing. Cambridge: Cambridge University Press, 1996. 818 pp.

210. van den Berg R.A., Hoefsloot H.C., Westerhuis J.A., Smilde A.K., van der Werf M.J. Centering, scaling, and transformations: improving the biological information content of metabolomics data // BMC genomics. 2006. Vol. 7. No. l.P. 142.

211. Malkavaara P., Alén R., Kolehmainen E. Chemometrics: an important tool for the modern chemist, an example from wood-processing chemistry // Journal of chemical information and computer sciences. 2000. Vol. 40. No. 2. pp. 438-441.

212.Noda I., Ozaki Y. Two-dimensional correlation spectroscopy: applications in vibrational and optical spectroscopy. Chichester: John Wiley & Sons, 2005. 291 pp.

213. Noda I. Advances in two-dimensional correlation spectroscopy // Vibrational spectroscopy. 2004. Vol. 36. No. 2. pp. 143-165.

214. Schulze G., Jirasek A., Blades M.W., Turner R.F.B. Identification and interpretation of generalized two-dimensional correlation spectroscopy features through decomposition of the perturbation domain // Applied spectroscopy. 2003. Vol. 57. No. 12. pp. 1561-1574.

215. Pérez Pavón J. L., del Nogal Sánchez M., Fernández Laespada M. E., Garcia Pinto C., Moreno Cordero B. Determination of benzene in gasoline using direct injection-mass spectrometry // Analytica chimica acta. 2006. Vol. 576. No. 2. pp. 156-162.

216.Teixeira L.S., Oliveira F.S., dos Santos H.C., Cordeiro P.W., Almeida S.Q. Multivariate calibration in Fourier transform infrared spectrometry as a tool to detect adulterations in Brazilian gasoline // Fuel. 2008. Vol. 87. No. 3. pp. 346-352.

217.Moreira L.S., d'Avila L.A., Azevedo D.A. Automotive gasoline quality analysis by gas chromatography: Study of adulteration // Chromatographia. 2003. Vol. 58. No. 7-8. pp. 501-505.

218.Kapur G.S., Singh A.P., Sarpal A.S. Determination of aromatics and naphthenes in straight run gasoline by 1H NMR spectroscopy. Part I. // Fuel. 2000. Vol. 79. No. 9. pp. 1023-1029.

219. Pierce K.M., Hope J.L., Johnson K.J., Wright B.W., Synovec R.E. Classification of gasoline data obtained by gas chromatography using a piecewise alignment algorithm combined with feature selection and principal component analysis // Journal of Chromatography A. 2005. Vol. 1096. No. 1. pp. 101-110.

220. Pereira R.C., Skrobot V.L., Castro E.V., Fortes I.C., Pasa V.M. Determination of gasoline adulteration by principal components analysis-linear discriminant analysis applied to FTIR spectra // Energy & Fuels. 2006. Vol. 20. No. 3. pp. 1097-1102.

221. Lopez-Anreus E., Garrigues S., de la Guardia M. Vapour generation-Fourier transform infrared spectrometric determination of benzene, toluene and methyl< i> tert.-butyl ether in gasolines // Analytica chimica acta. 1996. Vol. 333.No. l.pp. 157-165.

222. Issa M.M., Shanab A.M.A., Shaat N.T. Resolution of five-component mixture using mean centering ratio and inverse least squares chemometrics // Chemistry Central Journal. 2013. Vol. 7. No. 1. pp. 1-11.

223.Afkhami A., Bahram M. Mean centering of ratio spectra as a new spectrophotometric method for the analysis of binary and ternary mixtures // Talanta. 2005. Vol. 66. No. 3. pp. 712-720.

224. Курчаткин С.П. Теория и практика судебной экспертизы в криминалистике: сборник материалов международной научно-практической конференции // Оптические методы в экспертном исследовании липких лент на основе полипропилена. Харьков. 2002. Р. 377.

225. Курчаткин С.П. Инструментальные методы исследования полипропиленовых пленок // Судебная экспертиза. 2010. Vol. 4. pp. 94100.

226. Дехант И. Инфракрасная спектроскопия полимеров.. Москва: Химия, 1976. 472 pp.

227. ГОСТ 26996-86. Полипропилен и сополимеры пропилена.

228. Mecozzi М., Pietroletti М., Gallo V., Conti М.Е. Formation of incubated marine mucilages investigated by FTIR and UV-VIS spectroscopy and supported by two-dimensional correlation analysis // Marine Chemistry. 2009. Vol. 116. pp. 18-35.

229. Murphy K.R., Stedmon C.A., Waite T.D., Ruiz G.M. Distinguishing between terrestrial and autochthonous organic matter sources in marine environments using fluorescence spectroscopy // Marine Chemistry. 2008. Vol. 108. pp. 4058.

230. Mecozzi M., Acquistucci R., Nisini L., Conti M.E. Mechanism of browning colour development in aggregates of marine organic matter formed under anoxic conditions: A study by mid infrared and near infrared spectroscopy // Infrared Physical Techniques. 2014. Vol. 63. pp. 74-83.

231. Mecozzi M., Pietrantonio E. Carbohydrates, proteins and lipids in fulvic and humic acids of sediments and its relationships with mucilaginous aggregates of the Italian Seas //Marine Chemistry. 2006. Vol. 101. pp. 27-39.

232.Rutledge D.N., Jouan-Rimbaud Bouveresse D. Independent Components Analysis with JADE algorithm // Trends in Analytical Chemistry. 2013. Vol. 50. pp. 22-32.

233. Wang G., Ding Q., Hou Z. Independent component analysis and its applications in signal processing for analytical chemistry // Trends in Analytical Chemistry. 2008. Vol. 27. pp. 368-376.

234. Ruckebusch C., Blanchet L. Multivariate curve resolution: a review of advanced and tailored applications challenges // Analytica Chimica Acta. 2013. Vol. 765. pp. 28-36.

235. Hyvarinen A., Karhunen J., Oja E. Independent component analysis. New York: Wiley, 2001.

236. Monakhova Y.B., Astakhov S.A., Kraskov A.V., Mushtakova S.P. Independent components in spectroscopic analysis of complex mixtures // Chemometrics and Intelligent Laboratory Systems. 2010. Vol. 103. pp. 108115.

237. Monakhova Y.B., Mushtakova S.P., Kolesnikova S.S. Chemometrics-assisted spectrophotometric method for simultaneous determination of vitamins in complex mixtures // Analytical and Bioanalytical Chemistry. 2010. Vol. 397. pp. 1297-1306.

238. Ishiwatari R. Macromolecular materials (humic substances) in the water column and sediments // Marine Chemistry. 1992. Vol. 39. pp. 151-166.

239.Mecozzi M., Pietroletti M., Scarpiniti M., Acquistucci R., Conti M.E. Monitoring of mucilage formation in Italian seas investigated by infrared spectroscopy and independent component analysis // Environmental Monitoring and Assessment. 2012. Vol. 184. pp. 6025-6036.

240. Stogbauer H., Kraskov A., Astakhov S.A., Grassberger P. Least-dependent component analysis based on mutual information // Physical Review E. 2004. Vol. 70. pp. 066123-066140.

241. Kraskov A., Stogbauer H., Grassberger P. Estimating Mutual Information // Physical Review E. 2004. Vol. 69. pp. 066138-066154.

242. Astakhov S.A., Stogbauer H., Kraskov A., Grassberger P. Spectral mixture decomposition by least dependent component analysis // Cornell University Library. 2004. URL: http://arxiv.org/abs/physics/0412029 (дата обращения: 08.04.2014).

243. Monakhova Y.B., Kolesnikova S.S., Mushtakova ■ S.P. Independent component analysis algorithms for spectral decomposition in UV/VIS analysis of metal-containing mixtures including multimineral food supplements and platinum concentrates // Analytical Methods. 2013. Vol. 5. pp. 2761-2772.

244. Monakhova Y.B., Astakhov S.A., Mushtakova S.P., Gribov L.A. Methods of the decomposition of spectra of various natures in the analysis of complex mixtures // Journal of Analytical Chemistry. 2011. Vol. 66. pp. 351-362.

245. Zhang Y. Effects of preprocessing for result of independent component analysis // IEEE Engineering in Medicine & Biology Society. 2005. Vol. 3. pp. 2740-2742.

246. Cong F., Kalyakin I., Li H., Huttunen-Scott Т., Huang Y., Lyytinen H., Ristaniemi T. Answering six questions in extracting children's mismatch negativity through combining wavelet decomposition and independent component analysis // Cognitive Neurodynamics. 2011. Vol. 5. pp. 343:359.

247. Liu F., Jiang Y., He Y. Variable selection in visible/near infrared spectra for linear and nonlinear calibrations: a case study to determine soluble solids content of beer // Analytica Chimica Acta. 2009. Vol. 635. pp. 45-52.

248.Mecozzi M., Monakhova Y.B. Application of multivariate methods in the monitoring of marine environment: simultaneous determination of bromide, bicarbonate, nitrate and sulphide in seawater by ultraviolet spectroscopy // International Journal of Environmental Health Research. 2013. Vol. 6. pp. 235-251.

249. Noda I. Scaling techniques to enhance two-dimensional correlation spectra // Journal of Molecular Structure. 2008. Vol. 883-884. pp. 216-227.

250. Брок Т., Гротеклаус M., Мишке П. Европейское руководство по лакокрасочным материалам и покрытиям. Москва: ООО "Пейнт-Медиа", 2004. 548 pp.

251.Кошелева Л.И. Особенности исследования ЛКМ и ЛКП методом оптической микроскопии // Теория и практика судебной экспертизы. 2012. Vol. 3. No. 27. рр. 149-157.

252. Технологическая инструкция ОАО «АвтоВАЗ» ТИ И 37.101.1477-2007 Окраска кузовов автомобилей. Технологический цикл.

253. Криминалистическое исследование лакокрасочных материалов и покрытий. - Методическое пособие для экспертов. - Вып. 1-3. - М.: ВНИИСЭ. - 1989.

254. Родионова O.E., Померанцев A.JI. Хемометрика в аналитической химии URL: http ://chemometrics .ru/materials/articles/chemometrics_revie w.pdf (дата обращения: 21.02.2014).

255. Моисеева Т.Ф. Комплексное криминалистическое исследование потожировых следов человека. Москва: ООО "Городец-издат", 2000. 224 рр.

256. Криминалистическое исследование нефтепродуктов и горючесмазочных материалов. - Методическое пособие для экспертов, следователей и судей. - Вып.2. - М.: ВНИИСЭ. - 1989. - С. 177.

257. Тросман Э.А., Черткова Т.Б. Комплексный подход к решению задач по установлению давности выполнения документов // Теория и практика судебной экспертизы: научно-практический журнал. 2007. No. 1.

258.Чешко И.Д. Экспертиза пожаров. Санкт-Петербург: С-ПбИПБ МВД России, 1997.47 рр.

259.Цикин А.М., Монахова Ю.Б., Курчаткин С.П., Муштакова С.П. Хемометрический и ИК спектроскопический анализ клейких лент // Аналитика и контроль. 2013. Vol. 17. No. 3. рр. 339-343.

260. Feng Y.-Z., ElMasry G., Sun D.-W., Walsh D., Morcy N. Near-infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillets // Food Chemistry. 2013. Vol. 138. pp. 1829-1836.

261. Cozzolino D., Cynkar W., Shah N., Smith P. Technical solutions for analysis of grape juice, must, and wine: the role of infrared spectroscopy and chemometrics // Analytical and Bioanalytical Chemistry. 2011. Vol. 401. pp. 1475-1484.

262. Regmi U., Palma M., Barroso C.G. Direct determination of organic acids in wine and wine-derived products by Fourier transform infrared (FT-IR) spectroscopy and chemometric techniques // Analytica Chimica Acta. 2012. Vol. 732. pp. 137-144.

263. Passos C.P., Cardoso S.M., Barros A.S., Silva C.M., Coimbra M.A. Application of Fourier transform infrared spectroscopy and orthogonal projections to latent structures/partial least squares regression for estimation of procyanidins average degree of polymerisation // Analytica Chimica Acta.

2010. Vol. 661. pp. 143-149.

264. Чичварин A.B., Игуменова Т.И., Крахт JI.H. Исследование инфракрасных спектров пленок каучуков в присутствии модификаторов наноразмерного типа с интерпретацией результатов на основе хемометрического подхода// Фундаментальные исследования. 2011. Vol. 12. pp. 194-198.

265. Baptistao Mariana, de Carvalho Rocha Werickson Fortunato, Poppi Ronei Jesus. Quality control of the paracetamol drug by chemometrics and imaging spectroscopy in the near infrared region // Journal of Molecular Structure.

2011. Vol. 1002. pp. 167-171.

266. Pieters S., Saeys W., Van den Kerkhof T., Goodarzi M., Hellings M., De Beer T., Vander H.Y. Robust calibrations on reduced sample sets for API content prediction in tablets: Definition of a cost-effective NIR model development strategy // Analytica Chimica Acta. 2013. Vol. 761. pp. 62-70.

267. Nagata N., Peralta Zamora P.G., Poppi R.J., Perez C.A., Bueno M.I.M.S. Multivariate calibrations for the SR-TXRF determination of trace concentrations of lead and arsenic in the presence of bromine // X-Ray Spectrometry. 2006. Vol. 35. No. 1. pp. 79-84.

268. Farquharson M.J., Geraki K. The use of combined trace element XRF and EDXRD data as a histopathology tool using a multivariate analysis approach in characterizing breast tissue // X-Ray Spectrometry. 2004. Vol. 33. No. 4. pp. 240-245.

269. Lemberge P., De Raedt I., Janssens K.H., Wei F., Van Espen P.J. Quantitative analysis of 16-17th century archaeological glass vessels using PLS regression of EPXMA and fi-XRF data // Journal of Chemometrics. 2000. Vol. 14. pp. 751-763.

270. Kobler H., Monakhova Y.B., Kuballa T., Tschiersch C., Vancutsem J., Thielert G., Mohring A., Lachenmeier D.W. Nuclear magnetic resonance spectroscopy and chemometrics to identify pine nuts that cause taste disturbance // Journal of agricultural and food chemistry. 2011. Vol. 59. No. 13. pp. 6877-6881.

271. Maes P., Monakhova Y.B., Kuballa T., Reusch H., Lachenmeier D.W. Qualitative and quantitative control of carbonated cola beverages using 1H NMR spectroscopy // Journal of agricultural and food chemistry. 2012. Vol. 60. No. 11. pp. 2778-2784.

272. Godelmann R., Fang F., Humpfer E., Schütz B., Bansbach M., Schäfer H., Spraul M. Targeted and Nontargeted Wine Analysis by 1H NMR Spectroscopy Combined with Multivariate Statistical Analysis. Differentiation of Important Parameters: Grape Variety, Geographical Origin, Year of Vintage // Journal of agricultural and food chemistry. 2013. Vol. 61. No. 23. pp. 5610-5619.

273. Godelmann R., Fang F., Humpfer E., Schütz B., Bansbach M., Schäfer H., Spraul M. Targeted and Nontargeted Wine Analysis by 1H NMR Spectroscopy Combined with Multivariate Statistical Analysis. Differentiation of Important Parameters: Grape Variety, Geographical Origin, Year of Vintage // Journal of agricultural and food chemistry. 2013. Vol. 61. No. 23. pp. 5610-5619.

274. Seger C., Sturm S., Stuppner H. Mass spectrometry and NMR spectroscopy: modern high-end detectors for high resolution separation techniques-state of the art in natural product HPLC-MS, HPLC-NMR, and CE-MS hyphenations // Natural product reports. 2013. Vol. 30. No. 7. pp. 970-987.

275. Sturm S., Seger C. Liquid chromatography-nuclear magnetic resonance coupling as alternative to liquid chromatography-mass spectrometry hyphenations: Curious option or powerful and complementary routine tool? // Journal of Chromatography A. 2012. Vol. 1259. pp. 50-61.

276.Köbler H., Monakhova Y.B., Kubaila T., Tschiersch' C., Vancutsem J., Thielert G., Mohring A., Lachenmeier D.W. Nuclear magnetic resonance spectroscopy and chemometrics to identify pine nuts that cause taste disturbance // Journal of agricultural and food chemistry. 2011. Vol. 59. No. 13. pp. 6877-6881.

277. Monakhova Y.B., Kuballa T., Lachenmeier D.W. Nontargeted NMR analysis to rapidly detect hazardous substances in alcoholic beverages // Applied magnetic resonance. 2012. Vol. 42. No. 3. pp. 343-352.

278. Lachenmeier D.W., Kessler W. Multivariate curve resolution of spectrophotometric data for the determination of artificial food colors // Journal of agricultural and food chemistry. 2008. Vol. 56. No. 14. pp. 54635468.

279. Beneduci A., Chidichimo G., Dardo G., Pontoni G. Highly routinely reproducible alignment of 1H NMR spectral peaks of metabolites in huge sets of urines // Analytica chimica acta. 2011. Vol. 685. No. 2. pp. 186-195.

280. Vu T. N., Laukens K. Getting your peaks in line: a review of alignment methods for NMR spectral data // Metabolites. 2013. Vol. 3. No. 2. pp. 259276.

281. Monakhova Y.B., Kuballa T., Leitz J., Andlauer C., Lachenmeier D.W. NMR spectroscopy as a screening tool to validate nutrition labeling of milk, lactose-free milk, and milk substitutes based on soy and grains // Dairy science & technology. 2012. Vol. 92. No. 2. pp. 109-120.

282. Wegert K., Monakhova Y.B., Kuballa T., Reusch H., Winkler G., Lachenmeier D.W. Regulatory control of energy drinks using 1H NMR spectroscopy// Lebensmittelchemie. 2012. Vol. 66. No. 6. pp. 143-145.

283. Wegert K., Monakhova Y.B., Kuballa T., Reusch H., Winkler G., Lachenmeier D.W. Regulatory control of energy drinks using 1H NMR spectroscopy // Lebensmittelchemie. 2012. Vol. 66. No. 6. pp. 143-145.

284. Tao S., Li J., Li J., Tang J., Mi J., Zhao L. Discriminant Analysis of Red Wines from Different Aging Ways by Information Fusion of NIR and MIR Spectra// Computer and Computing Technologies in Agriculture V. 2012. pp. 478-483.

285.Boccard J., Rutledge D.N. A consensus orthogonal partial least squares discriminant analysis (OPLS-DA) strategy for multiblock Omics data fusion // Analytica chimica acta. 2013. Vol. 769. pp. 30-39.

286. Hong Y.S. NMR-based metabolomics in wine science // Magnetic Resonance in Chemistry. 2011. Vol. 49. No. l.pp. 13-21.

287. Anastasiadi M., Zira A., Magiatis P., Haroutounian S.A., Skaltsounis A.L., Mikros E. 1H NMR-based metabonomics for the classification of Greek wines according to variety, region, and vintage. Comparison with HPLC data // Journal of agricultural and food chemistry. 2009. Vol. 57. No. 23. pp. 11067-11074.

288. Magdas D.A., Cuna S., Cristea G., Ionete R.E., Costinel D. Stable isotopes determination in some Romanian wines // Isotopes in environmental and health studies. 2012. Vol. 48. No. 2. pp. 345-353.

289. Aghemo C., Albertino A., Gobetto R., Spanna F. Correlation between isotopic and meteorological parameters in Italian wines: a local-scale approach // Journal of the science of food and agriculture. 2011. Vol. 91. No. 11. pp. 2088-2094.

290.Perini M., Camin F. 5180 of Ethanol in Wine and Spirits for Authentication Purposes // Journal of food science. 2013. Vol. 78. No. 6. pp. C839-C844.

291. Martin G.J., Martin M.L., Mabon F., Michon M.J. A new method for the identification of the origin of ethanols in grain and fruit spirits: high-field quantitative deuterium nuclear magnetic resonance at the natural abundance level // Journal of Agricultural and Food Chemistry. 1983. Vol. 31. No. 2. pp.

292. Monetti A., Reniero F., Versini G. Interregional and interannual variability of ethanol site-specific deuterium content in Italian wines // Zeitschrift für Lebensmittel-Untersuchung und Forschung. 1994. Vol. 199. No. 4. pp. 311-

311-315.

316.