Browsing by Subject "modellurval"

Utveckling inom masspektrometri har varit en av de drivande faktorerna för de senaste decenniernas framsteg inom förståelsen av atmosfärens kemi. Den data som samlas in med hjälp av masspektrometri är en av de största tillgångarna för fortsatt utveckling av kunskapen inom detta område. Dock är analysen av denna data en långsam och arbetsdryg process, och nya metoder krävs för att göra tillgänglig all den information som finns att utnyttja inom denna data. Den här avhandlingens mål var att utveckla en algoritm för automatisk identifiering av kemiska sammansättningar ur masspektrum med begränsad resolution. Målsättningen för algoritmen är att avsevärt minska på den tid som krävs för analys av masspektrum. Algoritmen fungerar genom att välja sammansättningar som maximerar sannolikheten att observera den data som observerats ($\chi^2$-anpassning) och väljer sedan den mest kostnadseffektiva modellen. Den mest kostnadseffektiva modellen syftar på den modell som nöjaktigt kan förklara data med så få sammansättningar som möjligt. För att identifiera den mest kostnadseffektiva modellen användes en modifierad version av det Bayesiska informationskriteriet. Algoritmens funktionsprinciper vidareutvecklades utgående från resultaten som erhölls från test av algoritmen med syntetisk data. Den slutliga algoritmen testades med data som samlats in i samband med tidigare experiment. Algoritmens resultat jämfördes med resultaten för analysen som gjordes i samband med experimenten. På basen av resultaten fungerar algoritmen. De val algoritmen gör motiveras av data, och motsvarar i de flesta fall de val som en forskare gör vid motsvarande tillfällen. Således kan algoritmen i sin nuvarande form tillämpas för analys av masspektrum, och förväntas kunna förkorta den tid som krävs för att identifiera kemiska sammansättningar ur masspektrum betydligt. Dock identifierades också ett antal utvecklingsområden som förväntas förbättra algoritmens prestation ytterligare.