级联人工神经网络结合单扫描示波极谱法同时测定对硝基氯苯和邻硝基苯酚

在pH 6.5的0.3 mol·L-1氯化钾介质中,在电位值-0.71 V 及-0.74 V处可分别见到对硝基氯苯及邻硝基苯酚的灵敏极谱峰,可分别对此两种化合物进行测定,但因两者相互干扰不能在混合物中同时测定.将改进的小波神经网络与BP神经网络相结合,提出一种新的混级联神经网络结构,并用于单扫描示波极谱法同时测定对硝基氯苯和邻硝基苯酚.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.该法用于混合样品中同时测定对硝基氯苯和邻硝基苯酚,其相对误差和回收率分别为3.76%,96.2%;4.05%,96.0%.     

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。     

饱和醇结构-保留定量相关的人工神经网络模型

以拓扑指数为结构描述符，用基于Levenberg-Marquardt优化的BP神经网络建立了醇类化合物的结构与色谱保留值的相关性模型，用于未知醇类化合物在SE－30和OV－3两根色谱柱上保留指数的同时预测，其学习速率优于文献中普通BP神经网络法，预测准确度与普通BP神经网络法接近，但优于多元线性回归法，因而是一种较好的预测有机化合物气相色谱保留指数的方法。     

毛细管电泳径向基神经网络校正法定量分析核苷

采用径向基神经网络算法对一组已知样品的核苷及内标物浓度与毛细管电泳峰面积数据进行回归计算,建立峰面积与核苷浓度之间的关系模型,对未知样品中待测核苷浓度作出预测,形成了毛细管电泳定量分析新方法．将其用于鸟嘌呤核苷含量测定,所建模型预测结果平均相对误差为0．86％,明显低于线性回归及BP神经网络模型的2．60％和1．07％．研究结果表明,本方法简便易用,能有效提高毛细管电泳定量分析的准确度,优于线性回归及BP神经网络法．     

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。     

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.     

人工神经网络紫外分光光度法同时测定去痛片组分含量

用BP人神经网络处理复方制剂去痛片的紫外吸收光谱数据,达到了对其各组分含量进行同时测定的目的。通过对网络结构和参数的优化,提高了预报的准确度。     

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.     

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%。     

人工神经网络在溶解度预测方面的应用

溶解度作为一项重要的物化指标,一直是化学学科的研究重点。然而,通过实验测量获得数据耗时费力,因此,科研人员建立了多种理论方法来进行估算,其中,人工神经网络因其能够关联复杂的多变量情况而受到广泛关注。本文综述了人工神经网络在物质溶解度预测方面的应用,介绍了应用最广泛的3种神经网络(BP神经网络、小波神经网络、径向基神经网络)的模型结构、预测方法和预测优势,探讨了神经网络的不足以及改进方法。文章最后对神经网络在物质溶解度预测方面的发展前景进行了展望。与其他方法相比,人工神经网络技术在物质溶解度预测方面具有预测结果精确度高、操作简单等特点,具有广阔的应用前景,但输入变量选择、隐含层节点数确定、避免局部最优等问题还需逐步建立系统的理论指导。     

Application of Density Functional Theoretic Descriptors to Quantitative Structure-Activity Relationships with Temperature Constrained Cascade Correlation Network Models of Nitrobenzene Derivatives

IntroductionNitrobenzene derivatives have been used as organ-ic chemical materials and intermediates for many yearsin the chemical industry. Many of those chemicals arereleased into environment and especially into aquaticsystems, and thus have a high pote…     

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.     

用于药品质量快速检测的近红外光谱模糊神经元分类方法

针对非线性且分类界线模糊的药品质量类别快速测定难题, 将近红外光谱分析与模糊神经网络相结合, 经研究提出近红外光谱模糊神经网络分类方法, 用于计算辨析中药等化学组成复杂药品的近红外光谱模式类别, 从而快速评定这类药品的质量. 以参麦注射液为典型分析对象, 以鉴别其生产厂家这一模式分类问题为例, 考核本文方法, 结果表明, 其分类准确率达到94.2%, 明显优于经典的BP神经网络分类方法(84.6%), 可望用于中药产品质量类别的快速检测与评价.     

人工神经网络研究进展及其在光谱分析中的应用

介绍最常用的人工神经网络——BP神经网络的原理、结构及其研究进展,评述了人工神经网络在光谱分析中的应用。     

偏最小二乘法-BP 神经网络用于多组分药物测定

先将输入向量采用偏最小二乘法进行成分分析,再与ＢＰ神经网络法相结合,用于测定甲硝唑,头孢唑啉钠,维生素Ｂ６三给分。三给分的平均回收率及ＲＳＤ分别为９９．３％,０．７１％;９９．１％,０．９３％;９９．３％,２．８％。     

芳香胺类化合物N—H键离解能的定量构效关系研究

基于启发式方法(HM)和BP人工神经网络方法建立了5个参数的定量结构性质关系(QSPR)模型, 用于预测80个芳香胺类化合物N—H键的键离解能(BDE). 通过两种方法分别建立了线性和非线性的QSPR模型, 相关系数R分别为0.823和0.976. 通过对模型的稳定性和预测能力进行比较, 发现BP人工神经网络方法能够更好地预测芳香胺类化合物N—H键的BDE值.     

神经网络Kalman滤波算法及多组分光度分析应用

前馈神经网络ＮＮ误差反向传播算法（ＢＰ）收敛速度较慢且常陷入局部极优值等，针对此种缺陷提出了一种基于扩展Ｋａｌｍａｎ滤波的快速学习新算法（ＥＦ）。与ＢＰ相比，ＥＦ法不仅学习效率高收敛速度快，数值稳定性好，而且所需学习次数少，调节参数少，由非线性系统建模与辨识的模拟结果表明，ＥＦ是提高网络收敛速度改善神经学习性能的一种有效方法，谈谈用于多组分光谱分析，结果良好。     

水体透射光谱结合主成分分析(PCA )改进化学需氧量(COD)含量估算研究

化学需氧量（Chemical Oxygen Demand,COD）是水体有机污染的一项重要指标,化学需氧量越高,表示水污染程度越严重。 为了解决传统的COD测量方法耗时较长,不利于快速、实时地获取水体中COD的信息等问题。本文提出了基于透射光谱测量结合主成分分析(Principal Component Analysis, PCA)改进水体COD含量估算模型。具体的,采集100组COD水体光谱信息,分别使用3种不同的高光谱数据预处理方法对光谱数据进行预处理,分析不同预处理方法对模型精度的影响,并基于不同的预处理方法分别建立高斯过程回归模型(Gaussian Process Regression, GPR)和BP神经网络模型,分析不同预处理方法对模型精度的影响;并对各模型结合PCA数据降维方法进行模型的改进,通过比较模型的精度选择最优模型进行水体COD含量的检测。结果显示,相比于原始光谱数据建立的GPR模型和BP神经网络模型,数据预处理后的模型精度明显提升;且结合PCA对预处理后的数据进一步降维处理后,模型精度得到了进一步的提升。其中,基于标准正态变量变换特征结合PCA改进BP神经网络模型基于PCA改进的BP神经网络模型R^2高达0.9940,均方根误差RMSE为0.022540。证明了基于PCA改进的BP神经网络数据降维方法对预处理后的光谱数据进行降维处理,有利于去除光谱中的冗余信息,提取特征信息,可以实现高光谱检测方法可以实现COD含量估算模型的优化,从而为传统COD测量方法存在的问题提出了一种新的解决思路。