English Abstract The utility of artificial neural networks (ANN) as a
tool for confirmation of the identity of infrared (IR) spectra has been
investigated. The main goal of the study is the identification of spectra
with relatively high noise levels, obtained from gas chromatography combined
with IR spectrometric detection. Networks were trained for GC/IR spectra of
Clenbuterol, Fluoranthene and Perylene as representatives of compounds for
which identification in real world samples is demanded occasionally.
Results have been compared with classification by peak matching and library
search methods. Peak matching appears to be the most discriminative method
to distinguish between closely resembling spectra, but only in case of high
signal-to-noise ratio and resolution. Similar conclusions are drawn for
library search identification. ANN-models are less sensitive to spectral
noise and hence most suited to be used for confirmation and identification
of spectra obtained intrace analysis.
Rapport in het kort
Onderzoek is uitgevoerd naar de bruikbaarheid van
kunstmatige neurale netwerken als criterium voor de identiteitsbevestiging
van infrarood-(IR) spectra. Doel van het onderzoek is de identificatie van
spectra met hoge ruisniveaus, verkregen met behulp van gecombineeerde
gaschromatografie (GC)IR spectrometrie. Neurale netwerken zijn getraind op
GC/IR spectra van Clenbuterol, Fluoranthene en Perylene. De resultaten zijn
vergeleken met classificatie door middel van "peak matching-" en
bibliotheekzoekprocedures. Peak matching bleek de meest betrouwbare methode
voor de identificatie van sterk gelijkende spectra. Voorwaarde is echter
een laag ruisniveau en een hoge spectrale resolutie. Dit geldt eveneens
voor bibliotheekzoekmethoden. Neurale netwerken bleken minder gevoelig voor
ruis en daarom meer geschikt voor bevestiging van de identiteit van
IR-spectra van sporenhoeveelheden.
