Visiting postdoctoral (senior) fellowship : Xiong Yuhong (China)

Identificatie van farmaceutische producten en bepaling van het gehalte van farmaceutische componenten zijn fundamenteel in farmaceutische analytische technologie. Door de technologische ontwikkeling in analytische instrumenten, is het belangrijk geworden om de farmaceutische samenstelling en het gehalte te bepalen door het analyzeren van signalen bekomen met de analytische instrumenten. Automatische signaalherkenning en multi-componenten analyse zijn daarom cruciaal in farmaceutische analyse. Het voorgestelde research plan zal de toepasbaarheid van de chemometrische techniek Support Vector Machines bestuderen in de context van automatische signaalherkenning en multi-componenten analyse. In de eerste context zal bvb. de classificatie van plantaardige extracten gebaseerd op chromatografische fingerprints geëvalueerd worden. In de tweede context zal de data analyse van chromatografische fingerprints van plantaardige extracten bestudeerd worden.

Support Vector Machines (SVM) werd geïntroduceerd door Vapnik, volgens de statistical learning theory. SVM is een nieuwe krachtige methode gebaseerd op het Structural Risk Minimization (SRM) principe. Deze methode wordt steeds populairder door de vele aantrekkelijke kenmerken. De techniek kan zowel lineaire als niet-lineaire regressie-, patroonherkenning-, en classificatie-problemen doeltreffend oplossen. De courant gebruikte chemometrische methoden in deze contexten zijn vaak niet in staat om voldoend goede data-analyseresultaten te bekomen. De techniek Support Vector Machines heeft theoretisch en praktisch een groot potentiaal om betere analyseresultaten te bekomen.