基于布谷鸟算法与BP神经网络的煤灰变形温度预测

以120种煤样为数据基础,采用布谷鸟算法(CS)优化BP(Back Propagation)神经网络,建立了CSBP模型对单煤、煤掺添加剂和配煤等3类样本的煤灰变形温度(DT)样本进行预测。模型以煤灰化学成分及其组合参数等13个变量作为输入量,以变形温度(DT)作为输出量。CSBP模型预测结果与BP神经网络模型预测结果进行对比发现,无论是单煤、煤掺添加剂还是配煤,CSBP模型较BP模型对煤灰变形温度(DT)的预测都更加精准,平均相对误差分别达到了3.11%、4.08%和4.22%。另外,对比3类样本预测结果发现,无论是CSBP模型还是BP模型,相比单煤预测而言,煤掺添加剂及配煤的预测误差都有明显的增加。     

采用BP神经网络优化间二硝基苯催化加氢的反应条件

 采用BP神经网络对间二硝基苯液相催化加氢制备间苯二胺的反应条件进行优化. 首先利用均匀设计的实验结果,采用LM算法对BP神经网络进行训练. 再利用训练好的BP神经网络对各种实验因素水平组合条件下间二硝基苯的转化率和间苯二胺的收率进行预测. 结果表明,采用苯作溶剂时,间二硝基苯的转化率较高; 采用乙醇作溶剂时,间苯二胺的收率较高; 当采用乙醇为溶剂,催化剂用量为20%,反应温度和压力分别为365 K和2.9 MPa时反应效果较好,间苯二胺的收率高达95.8%. 进一步的实验验证表明,用神经网络模型模拟的结果与实验结果基本吻合.     

级联神经网络用于单扫描示波极谱信号的测定

将改进小波神经网络与BP神经网络相结合,提出一种新的混级联神经网络结构,用于单扫描示波极谱信号的同时测定。通过对网络结构的优化和网络参数的调整,加快了训练速度,提高了预测的准确度。用该法对邻、间硝基氯苯混合样进行了预测,结果满意。对级联神经网络法与单一BP神经网络法的预测结果进行了比较,表明级联神经网络优于单一BP神经网络。     

基于主成分分析的彩色扫描仪光谱特性化

为了实现扫描仪在不同光源、不同观察者条件下准确获取颜色信息,最大程度的避免同色异谱现象,本文采用光谱的方法对扫描仪进行特性化处理,通过多项式回归和BP神经网络分别与主成分分析法结合,首先对检测样本的光谱反射率进行主成分分析,提取主成分与主成分系数,通过实验得到主成分系数与多项式回归、BP神经网络结构之间的转换模型,实现了扫描仪低维RGB信号对原始光谱反射率信息的重构,进而实现扫描仪的光谱特性化.实验结果表明,多项式项数为19项时,达到训练样本的均方根误差为1.7%,检测样本的均方根误差为1.9%.而包含15个隐层节点的单隐层BP神经网络结构为比较合理的网络结构,达到训练样本的均方根误差为1.3%,检测样本的均方根误差为1.5%.对彩色扫描仪的特征化处理,采用多项式回归法得到光谱特性化精度较低,采用BP神经网络模型能够实现更高的光谱特性化精度.     

蛋白质二级结构预测的人工神经网络方法研究

本文比较了五种神经网络方法预测蛋白质二级结构的准确率,并做出初步评价。五种神经网络分别是:误差反传前向网络(BP),径向基函数网络(RBF),广义回归神经网络(GRNN),串并联叠层网络(CF),Elman网络(ELM)。结果显示:GRNN的预测准确率达85.7%,优于其它网络。本文还讨论了训练集样本数及参数的优化对GRNN预测准确率的影响。     

人工神经网络-紫外分光光度法同时测定苯酚、苯胺和苯甲酸

采用人工神经网络方法和紫外分光光度法相结合研究多组分的同时测定,系统地研究了神经网络方法对苯酚、苯甲酸和苯胺混合样品同时测定的可行性.在大量实验数据的基础上采用matlab语言编写两层BP神经网络,并初步探讨了网络参数对网络预测性能的影响.结果表明,BP神经网络能在不改变样品性质的前提下实现了多组分的同时测定,最大限度地保护了样品不被破坏.方法的回收率为96.9%～109.3%,RSD为0.90%～1.28%(n=5).通过时不同隐层神经元数目的研究发现,当隐层神经元数目达到100时,仿真结果和实验数据相似程度达到了90%以上,且随隐层神经元数目增多,训练误差下降速度加快,但训练速度变慢,训练时间延长.     

校正集样品特性对鼠药中毒鼠强近红外光谱分析的影响

根据市售鼠药样品成分各异且相对复杂,建立6种不同成分体系和9个不同样本容量的校正集,运用小波变换压缩鼠药的近红外透射光谱数据,结合BP反向神经网络算法对压缩的数据进行建模,考察校正集样品特性对模型预测能力的影响。试验结果表明:采用BP神经网络算法建立定量模型时,只要校正集样品中包含了与预测样品性质相似的样本,就能准确地对复杂样品进行近红外定量分析。当校正集容量分别为72和84时,模型预测结果趋于平稳。当校正集数量为96时,模型的最大相关系数为0.959 8,预测最小标准差和平均相对误差分别为1.893%和1.92%。     

用人工神经网络-近红外光谱法测定冬虫夏草中的甘露醇

提出了用近红外漫反射光谱技术快速分析发酵冬虫夏草菌粉中甘露醇含量的新方法。采用比色法测定样品中的甘露醇，其含量范围为8．082％-14．548％。在7501．7-6097．8cm^-1与5453．7-4246．5cm^-1波段，分别采用PCR、PLSR和BP神经网络方法建立了样品近红外光谱的一阶微分光谱与其甘露醇含量之间的相关模型。BP神经网络模型的内部交叉验证误差均方根为0．475，预测误差均方根为0．608，均优于PCR和PLSR的处理结果。这表明，BP神经网络法对非线性检测对象具有较好的建模效果，可用于中药近红外光谱分析的非线性校正。     

用热天平法研究煤的催化气化 Ⅱ.各种气化条件对转化率的影响与数学关联

本文对影响活性炭与水蒸汽催化气化速率和转化率的各种条件进行了探讨,并用数学表达式进行了关联,得出转化率与气化条件关系的数学模型,其平均拟合误差为7.9%。求出了催化剂的最佳选择量W(?)和最大速率点时间t_0的各自表达式,对如何选择气化时间、气化温度以及催化剂载量以达到最佳气化效果进行了讨论,为寻找最佳反应条件提供了依据。     

基于三维荧光光谱的枸杞鉴别方法

以枸杞干果为研究对象,将三维荧光光谱技术与平行因子分析法、BP神经网络相结合,建立枸杞定性鉴别模型。采用固体样品支架测得枸杞粉末样品的三维荧光光谱,利用平行因子分析方法对预处理后的三维荧光矩阵进行三线性分解得到2个主因子的浓度得分,然后将浓度得分作为BP神经网络的输入向量,建立枸杞的人工神经网络鉴别模型。利用所建模型对待测样品进行预测,预测正确率为100%。结果表明,平行因子分析结合BP神经网络建立的枸杞产地鉴别模型,能够快速准确地鉴别宁夏枸杞。     

人工神经网络用于近红外光谱预测汽油辛烷值

本文对BP人工神经网络(ANN)方法在汽油的辛烷值与其近红外光谱光谱吸光度的关系之间进行关联预报方面进行了研究。采用35个汽油实际样本数据,建立了利用汽油的近红外光谱光谱吸光度预测汽油辛烷值的BP人工神经网络模型。对所有辛烷值的计算结果与实测值进行了比较,得到的预测值与实测值计算误差小于1.55%。     

煤焦催化气化活性位扩展模型的研究

针对煤催化气化反应中传统的煤气化动力学模型不再适用或应用范围受到限制的现实，从催化作用机理分析入手，以煤焦CO2催化气化为研究对象，建立了描述气化反应速率与转化率关系的动力学模型——活性位扩展模型。并以KCl催化剂及K-Ni(10%Ni)复合催化剂作用下神府煤焦CO2气化的实验结果对模型进行验证。结果表明，活性位扩展模型很好地体现了煤焦催化气化的动力学规律，即催化剂的添加，有效地增大了反应界面处的活性部位和活性表面积，使气化反应在更温和的条件下快速进行；模拟值与实验值吻合较好，最大偏差10%。由于反应初期的传质阻力不可忽略，实验值与模拟值存在一定误差。     

基于内源性致香物质和化学计量学的烟草感官评价研究

采用主成分分析法结合遗传算法和神经网络,建立了基于烟草内源性致香物质的感官质量评价预测模型。利用气相色谱-质谱(GC-MS)技术对超临界萃取-分子蒸馏所得烟草精油中的内源性致香组分进行定性定量分析,汇总各类致香指标后,对其进行主成分分析;以提取所得5个主成分的得分作为输入变量,感官评吸分数作为输出变量,分别使用标准BP神经网络和遗传算法(GA)优化的BP神经网络建立预测模型。对比实验结果表明,GA优化后的模型预测效果更优,其预测值与实验值间的相关系数为0.96,预测均方根误差为1.81,说明GA-BP模型具有更好的拟合能力和预测能力,该模型能有效地预测烟草精油的感官品质。     

人工神经网络预测煤炭成浆浓度的研究

考虑煤炭的多种理化特性建立了成浆浓度的神经网络预测模型,对其数据预处理方法、学习率和中间层节点数等进行了深入讨论。水分、挥发分、分析基碳、灰分和氧等五个因子对于煤炭成浆性的预测起到主导作用。五因子、七因子和八因子神经网络模型对煤炭成浆浓度的预测误差分别为：0.53%、0.50%和0.74%,而现有回归分析方程的误差为1.15%,故神经网络模型比回归分析方程有更好的预测能力,尤以七因子模型最佳。     

Monitoring storage time and quality attribute of egg based on electronic nose

The objective of this study was to investigate the potential of an electronic nose (E-nose) technique for monitoring egg storage time and quality attributes. An electronic nose was used to distinguish eggs under cool and room-temperature storage by means of principal component analysis (PCA), linear discriminant analysis (LDA), BP neural network (BPNN) and the combination of a genetic algorithm and BP neural network (GANN). Results showed that the E-nose could distinguish eggs of different storage time under cool and room-temperature storage by LDA, PCA, BPNN and GANN; better prediction values were obtained by GANN than by BPNN. Relationships were established between the E-nose signal and egg quality indices (Haugh unit and yolk factor) by quadratic polynomial step regression (QPSR). The prediction models for Haugh unit and yolk factor indicated a good prediction performance. The Haugh unit model had a standard error of prediction of 3.74 and correlation coefficient 0.91; the yolk factor model had a 0.02 SEP and 0.93 correlation coefficient between predicted and measured values respectively.     

乳腺癌代谢物组模式特征发现方法及HPLC/M S/M S分析

提出一种基于单独最优特征组合和BP神经网络的代谢物组模式特征发现方法,并用其寻找到尿样中与乳腺癌最为相关的4种核苷,组成一组特异性检测参数.经HPLC/MS/MS联用法鉴定,它们是乳清酸核苷、1-甲酰化腺苷、S-腺苷-L-蛋氨酸及N²-甲酰化鸟苷.将这4种核苷作为输入变量,用BP神经分类网络建立乳腺癌诊断模型.留一法交叉验证和独立验证结果表明,该模型预测准确率达到90%以上.     

氨基酸分子空间坐标指数与解离常数的QSPR研究

应用Chem Window和ChenBio Office绘图软件对20种氨基酸绘制分子空间构型图,通过分子最低能量模块计算得到稳定空间构型及坐标。自定义原子距离指数YS、分子空间特征指数YF、分子坐标最大特征值指数YX,应用误差反向传输（Back Propagation,BP）人工神经网络方法建立分子结构参数与解离常数的定量结构性质分析（QSPR）模型,对氨基酸的羧基、氨基解离常数进行了预测。模型相关性良好,具有较高的预测能力和良好的可靠性。     

盐湖水化学类型的人工神经网络判别方法

研究了作为典型径向基函数网络之一的概率神经网络在盐湖水化学类型分类预测中的应用，验证了该方法的可靠性，得到了满意的分类预测结果。实验结果和网络结构分析表明，概率神经网络方法比熟知的反向传播算法(BP)网络要好。概率神经网络的研究应用为化学模式识别提供了一个新工具。     

人工神经网络方法预测气相色谱保留值

本文运用一典型的人工神经网络模型－“反向传播“模型的改进形式，研究了诱导效应指数Ｉ，摩尔折射度Ｒｏ，疏水亲脂参数ＩｇＰ，以及分子联通性指数与气象色谱保留行为的关系，实现了对色谱保留植的预测。神经网络预测模型的最大相对误差不超过８．７％。结果表明，该方法性能良好，可望成为色谱保留值预测的有效手段。     

用人工神经网络预测催化精馏塔开工过程的研究

催化精馏是使化学反应过程和精馏分离过程结合在一起,是伴有化学反应的新型特殊精馏过程.“反应精馏”概念自20年代提出以来,从30年代到60年代初,研究都是对特定体系的工艺探索;70年代后,研究扩展到非均相催化反应体系,出现了非均相催化精馏过程,成为了反应精馏的一个重要分支;