Ідентифікація структурних елементів багатоатомних молекул методами бікластерізації їх мас-спектрів
Тип публікації :
Магістерська робота
Дата випуску :
2025
Автор(и) :
Шелякіна, Богдана-Марія Анатоліївна
Науковий(і) керівник(и)/редактор(и) :
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
[APA 7] Шелякіна, Б. А. (2025). Ідентифікація структурних елементів багатоатомних молекул методами бікластерізації їх мас-спектрів [Магістерська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/15071834/7041
[ДСТУ] Шелякіна Б. А. Ідентифікація структурних елементів багатоатомних молекул методами бікластерізації їх мас-спектрів : кваліфікаційна робота магістра : 172 Електронні комунікації та радіотехніка / наук. кер. С. В. Ольшевський. Київ, 2025. 45 с. URL: https://ir.library.knu.ua/handle/15071834/7041 (дата звернення: 25.07.2026).
Об’єкт дослідження – бікластеризація мас-спектрів поліатомних молекул.
Мета роботи – розробка і вдосконалення машинних методів аналізу масспектроскопічних сигналів для створення програмно-апаратних
засобів автоматизованої ідентифікації хімічних речовин. У результаті комплексного аналізу методів попередньої обробки, покращення якості, корекції, класифікації та кластеризації мас-спектрів було реалізовано ефективну систему автоматизованої обробки спектральних даних.
Зокрема, була здійснена бікластеризація із застосуванням алгоритму k-means, а також використано дерева рішень для ідентифікації структурних елементів поліатомних органічних молекул. Це дозволило більш точно виділяти ключові фрагменти молекулярних структур та встановлювати взаємозв’язки між різними класами сполук на основі їх мас-спектрометричних характеристик. Використовуючи мову програмування Python було реалізовано алгоритми бікластеризації. та визначення хімічного складу молекул. Розроблена система забезпечує автоматизовану обробку мас-спектрів, що включає фільтрацію шумів, нормалізацію даних, виявлення піків та їх подальшу інтерпретацію. Впровадження методів машинного навчання дозволяє підвищити точність класифікації сполук та прискорити процес аналізу, що є особливо важливим при роботі з великими
обсягами спектральної інформації. Система може бути ефективно використана в галузях аналітичної хімії, фармацевтики, біотехнологій та екологічного моніторингу для автоматизації процесів аналізу хімічного складу речовин, ідентифікації невідомих зразків, виявлення домішок та контролю якості продукції. Такий підхід сприяє зниженню впливу людського фактора, підвищенню продуктивності та забезпеченню більш
надійних результатів у спектральному аналізі.
Мета роботи – розробка і вдосконалення машинних методів аналізу масспектроскопічних сигналів для створення програмно-апаратних
засобів автоматизованої ідентифікації хімічних речовин. У результаті комплексного аналізу методів попередньої обробки, покращення якості, корекції, класифікації та кластеризації мас-спектрів було реалізовано ефективну систему автоматизованої обробки спектральних даних.
Зокрема, була здійснена бікластеризація із застосуванням алгоритму k-means, а також використано дерева рішень для ідентифікації структурних елементів поліатомних органічних молекул. Це дозволило більш точно виділяти ключові фрагменти молекулярних структур та встановлювати взаємозв’язки між різними класами сполук на основі їх мас-спектрометричних характеристик. Використовуючи мову програмування Python було реалізовано алгоритми бікластеризації. та визначення хімічного складу молекул. Розроблена система забезпечує автоматизовану обробку мас-спектрів, що включає фільтрацію шумів, нормалізацію даних, виявлення піків та їх подальшу інтерпретацію. Впровадження методів машинного навчання дозволяє підвищити точність класифікації сполук та прискорити процес аналізу, що є особливо важливим при роботі з великими
обсягами спектральної інформації. Система може бути ефективно використана в галузях аналітичної хімії, фармацевтики, біотехнологій та екологічного моніторингу для автоматизації процесів аналізу хімічного складу речовин, ідентифікації невідомих зразків, виявлення домішок та контролю якості продукції. Такий підхід сприяє зниженню впливу людського фактора, підвищенню продуктивності та забезпеченню більш
надійних результатів у спектральному аналізі.
Галузі знань та спеціальності :
17 Електроніка, автоматизація та електронні комунікації::172 Електронні комунікації та радіотехніка
Галузі науки і техніки (FOS) :
Електротехніка, Електронна інженерія, Інформаційна інженерія
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
1.88 MB
Контрольна сума :
(MD5):763c8c483be86b332fcb8aa018022b3d
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International