人工神经网络用于化学数据解析的研究（I）：逼近规律与过拟合

对多层前传网络的过拟合问题进行了探讨，定义了逼近误差和逼近度作为人工神经网络（ＡＮＮ）的建模评价指标，通过应用于多元非线性校正的数值模拟和实际药物光度分析数据解析，表明该指示明确，便于掌握，且能较好的地定量表述ＡＮＮ逼近规律的程度。     

自由焓温度关系的快速逼近

由等压热容积分可以得到自由焓温度关系式,但其计算过程是较复杂的,更主要的是积分形式复杂,不便于应用。常用的乌利赫第一和第二规则计算量少,但其准确性不大好。自由焓函数近似法准确度有一定提高,但准确度最好的还是线性迴归法和最佳平方逼近     

滴体积测表面张力实验中滴管口径的逼近求法

滴体积法测表面张力实验中 ,滴管口半径一般由显微装置测量 ,本文提出了一种应用计算机逼近计算求滴管口半径的方法。     

人工神经网络用于有机磷酸酯类化合物的定量结构色谱保留相关研究

采用误差反传前向人工神经网络(ANN),研究了35种有机磷酸酯类化合物在3种不同极性固定相上的结构与其色谱保留(QSRR)之间的定量关系。以其分子电性距离矢量(或分子拓扑指数)作为输入、色谱保留值作为输出,采用内外双重验证的办法分析和检验所得模型的稳定性和外推能力。结果表明,ANN模型获得了比多元线性回归(MLR)模型更好的拟合效果。使用MLR模型时QSRR模型相关性受色谱固定相极性的影响,而采用ANN模型无此现象。同时,ANN模型解决了QSRR中预测维数为1时耗时较长的问题。通过ANN建模可以同时预测3种不同极性固定相上的色谱保留值,可大大缩短建模和预测所需的时间。     

粉末药品安体舒通的无损定量分析——人工神经网络－近红外光谱法的应用

研究了应用人工神经网络进行粉末药品的无损定量分析,使用安体舒通粉末药品的近红外漫反射光谱数据建立人工神经网络模型,预测未知样品,讨论了影响网络的各参数,使用了逼近度作为网络新的评价标准。     

ICP-AES中元素间干扰的逐步逼近校正方法

本文基于干扰系数校正法,提出一种新的校正元素间相互干扰的方法——逐步逼近校正法,以及相应的计算机软件系统。对复杂体系中元素间相互光谱干扰和元素“自身”非光谱干扰进行校正,获得了良好的结果。     

扑热息痛片剂药品的近红外光谱法非破坏定量分析

现代近红外光谱分析技术将近红外光谱 (NIR)法同计算机科学和化学计量学结合 ,实现了对样品进行无损非破坏性定量分析 .该法具有速度快、操作简单及所需样品少等特点 ,能够实现样品分析的时间同步、地点同步及无损非破坏分析 .为实现生产过程中即时、在线的质量控制提供了新的手段[1 ] .本文应用人工神经网络 [2 ]与近红外漫反射光谱相结合对扑热息痛片剂药品进行了非破坏快速定量分析 .用扑热息痛片剂药品的近红外漫反射光谱数据、一阶导数光谱数据及二阶导数光谱数据分别建立了 ANN模型 ,预测未知样品 ,讨论了影响网络的因素 ,使用了新…     

Kohonen神经网络与遗传-BP神经网络用于光度法同时测定锶和钡

在锶(钡) 二溴对甲偶氮甲磺显色体系中,应用 Kohonen神经网络优选波长,用遗传算法优化确定BP神经网络结构和参数,得到优化结构的网络,即 KNN GA BP ANN(29 3 3 2),学习速率η=0.233 3,动量因子α=0.974 7。用优化了的神经网络解析锶、钡配合物的混合吸收光谱,不经分离光度法同时测定锶和钡。将BP ANN 、KNN BP ANN与KNN GA BP ANN三种神经网络方法的分析结果进行比较,表明 KNN GA BP ANN最优。锶和钡的配合物的表观摩尔吸光系数分别为εSr635=6.9×104L·mol-1·cm-1,εBa634=8.0×104L·mol-1·cm-1。     

一种测定天然药物活性成分的HPLC-DAD计算分析方法

将窗口因子分析所得结果作为初值,采用交替迭代进行窗口的自适应优化调整,以迭代逼近方法有效地解决了窗口选择难题.将其用于丹参中丹参酮、隐丹参酮和丹参酮A含量的HPLC-DAD分析测定,加样回收率分别达94.16%,91.57%和104.48%.计算机仿真和模拟中药物质体系的实验结果均表明,本方法分析结果受窗口偏差的影响较小,显著优于经典窗口因子分析法,可推广用于计算解析复杂样品色谱分析中出现的重叠峰.     

Prediction of CO2 Solubility in Polymers by Radial Basis Function Artificial Neural Network Based on Chaotic Self-adaptive Particle Swarm Optimization and Fuzzy Clustering Method

To replace costly and time-consuming experimentation in laboratory, a novel solubility prediction model based on chaos theory, self-adaptive particle swarm optimization （PSO）, fuzzy c-means clustering method, and radial ba- sis function artificial neural network （RBF ANN） is proposed to predict CO2 solubility in polymers, hereafter called CSPSO-FC RBF ANN. The premature convergence problem is overcome by modifying the conventional PSO using chaos theory and self-adaptive inertia weight factor. Fuzzy c-means clustering method is used to tune the hidden centers and radial basis function spreads. The modified PSO algorithm is employed to optimize the RBF ANN connection weights. Then, the proposed CSPSO-FC RBF ANN is used to investigate solubility of CO2 in polystyrene （PS）, polypropylene （PP）, poly（butylene succinate） （PBS） and poly（butylene succinate-co-adipate） （PBSA）, respec- tively. Results indicate that CSPSO-FC RBF ANN is an effective method for gas solubility in polymers. In addition, compared with conventional RBF ANN and PSO ANN, CSPSO-FC RBF ANN shows better performance. The values of average relative deviation （ARD）, squared correlation coefficient （R2） and standard deviation （SD） are 0.1071, 0.9973 and 0.0108, respectively. Statistical data demonstrate that CSPSO-FC RBF ANN has excellent prediction capability and high-accuracy, and the correlation between prediction values and experimental data is good.     

STUDYING THE ABRASION BEHAVIOR OF RUBBERY MATERIALS WITH COMBINED DESIGN OF EXPERIMENT-ARTIFICIAL NEURAL NETWORK

In this study,an application of artificial neural network(ANN)has been presented in modeling and studying the effect of compounding variables on abrasion behavior of rubber formulations.Three case studies were carried out in which the experiment data were collected according to classical response surface designs.Besides developing the ANN models,we developed response surface methodology(RSM)to confirm the ANN predictions.A simple relation was employed for determination of relative importance of each variable according to ANN models.It was shown through these case studies that ANN models delivered very good data fitting and their simulating curves could help the researchers to better understand the abrasion behavior.     

基于偶合人工神经网络的近红外光谱对D5S818基因座的分型

本文基于近红外光谱结合化学模式识别中的偶合人工神经网络(ANN-ANN)法研究了一种快速、简单和低成本检测STR基因型的方法。选择STR基因座D5S818的差异较小的10-11、11-11、11-12与11-13基因型作为研究对象,将这四个基因型样本进行标准的PCR扩增并采集PCR产物的近红外光谱,以近红外光谱为判别变量,以其中一个ANN(rich-information-extracted ANN,RIE-ANN)用于提取建立判别模型的富信息变量,另一个ANN(discriminant-model-built ANN,DMB-ANN)即用于模型建立。ANN-ANN的网络结构为:338-30-338(RIE-ANN)和30-8-4(DMB-ANN)。对于校正集的校正均方根误差为0.0148,预测集为0.0127,预测准确率达到100%。成功实现了基于近红外光谱对STR基因型的快速、简单和低成本检测。     

人工神经网络方法用于肺癌的辅助诊断

根据人发和血清中微量元素的含量,将人工神经网络(ANN)用于正常人与癌症患者的分类预测.用独立预测样本作了检验,表明该方法可作为肺癌诊断的一种辅助手段.讨论了当预测样本中有元素缺损时ANN的分类预测情况,并研究了人发和血清样品中的元素对分类预测的影响.     

模式识别用于压电晶体传感器阵列定量检测有机蒸汽混合物

本文应用9个压电晶体组成传感器阵列, 每片晶体上分别涂有不同种类的冠醚衍生物, 用它来定量检测二元及三元有机蒸汽混合物, 在数据处理中比较了两种模式识别方法---偏最小二乘法(PLS)和人工神经网络法(ANN), 实验证明, ANN法在预测准确度上明显优于PLS法, 本文还讨论了解决神经网络训练过拟合现象的方法。     

人工神经网络-紫外光谱法短串联重复序列基因分型检测

以STR基因座D16S539中的总核心重复串数相差较小的10-11,10-12,11-11和10-13基因型为研究对象,以紫外光谱为判别变量,建立了以人工神经网络(ANN)提取富信息变量为基础的ANN基因分型方法。在优化条件下,对4个基因型样本进行了聚合酶链式反应扩增,以扩增样本在200~310 nm范围内的检测光谱进行预处理和偶合的ANN-ANN网络优化。结果表明,提取富信息变量和基因分型的ANN的最优网络结构分别为391-50-391和50-6-4,该结构下的判别模型的校正相对均方根误差(RMS)和预测RMS分别是0.0279和0.0418,模型表现出了良好的稳健性和100%的基因型正确预测率。成功实现了基于紫外光谱对STR基因型的快速、简单和低成本检测。     

最佳逼近算法电感耦合等离子体原子发射光谱测定镀铝锌彩涂板镀层中铝、锌、硅和铁

用三乙醇胺褪除镀铝锌彩涂板表面的油漆涂层,选用1：3 HCl溶解热镀在冷轧钢板两面的铝锌合金镀层,事先不用考虑钢板中的Fe是否部分溶解到酸溶液中,用电感耦合等离子体原子发射光谱同时准确测定酸溶液中Al、Zn、Si和Fe的浓度,采用最佳逼近算法,不仅准确计算镀铝锌彩涂板镀层中Al、Zn、Si和Fe的含量,而且钢板基板被酸所溶解下来的Fe也能准确计算出来。通过对镀铝锌彩涂板实际样品的测定,本法与X射线荧光光谱仪和辉光放电原子发射光谱仪测试结果非常吻合,相对标准偏差RSD均小于3．0％。方法操作简便,非常实用。     

统计方法校正O3LYP方法计算的生成热

由于引入各种内在近似, 密度泛函理论存在固有误差. 本文采用O3LYP/6-311+G(3df, 2p)//O3LYP/6-31G(d)计算了220个中小型有机分子的生成热(Δ_fH_calc^Θ), 随后应用神经网络(ANN)和多元线性回归(MLR)方法对Δ_fH_calc^Θ进行校正. 采用计算得到的生成热、零点能、分子中原子总数、氢原子个数、双中心成键电子数、双中心反键电子数、单中心价层孤对电子数、单中心内层电子数作为ANN和MLR的描述符. 以180个分子作为训练集构造ANN或MLR模型, 并对40 个独立测试集分子的Δ_fH_calc^Θ进行了预测. 结果表明: 经过ANN和MLR校正后,训练集分子生成热的理论计算值和实验值间的均方根偏差(RMSD)从24.7 kJ·mol^-1分别降低到11.8、13.0 kJ·mol^-1; 独立测试集分子的RMSD从21.3 kJ·mol^-1分别降低到10.4、12.1 kJ·mol^-1. 因此ANN模型的拟合和预测能力要明显优于MLR模型.     

同步荧光法同时测定溶解态的菲与2-乙基菲

将同步荧光法结合人工神经网络(ANN)和支持向量回归(SVR)用于混合体系中荧光光谱重叠的菲(Phe)和2-乙基菲(2-EP)两组分的同时测定。通过三维同步荧光法结合平行因子(PARAFAC)分析寻得Phe和2-EP的特征波长差Δλ为118 nm。在220~280 nm范围内,以31个波长处荧光强度值作为模型的输入变量用于建立ANN和SVR模型。结果显示,ANN模型分析Phe和2-EP预测样本的回收率分别为92.5%~104.9%和96.1%~104.3%,预测均方根误差(RMSEP)分别为2.08和2.95;SVR模型分析预测样本的回收率分别为98.2%~101.3%和94.9%~104.2%,RMSEP分别为0.74和2.42。实际水样的加标回收实验显示,基体简单的矿泉水中两种模型均取得满意结果;而基体复杂的湖水中样品预测值较实际值低,且SVR模型比ANN的预测性能更加稳健,泛化能力更强。将同步荧光法结合SVR模型应用于Phe和2-EP单独及混合状态下与腐植酸(HA)相互作用的研究,结果显示混合体系中Phe和2-EP与HA的结合系数均小于各自单组分体系,表明Phe和2-EP之间存在竞争吸附。     

多组件学习器实现有机分子沸点的精准预测

沸点(BP)是有机分子液体的基本物理化学量, 也是化学工业生产中的重要参数. 有机分子的沸点由分子结构决定, 呈现复杂的结构-沸点关系, 函数法(Function Method)、基团贡献法(Group Contribution Method)等传统方法无法应对复杂多样有机分子结构的预测, 应用范围狭窄, 预测精度低. 本研究中, 我们利用基于人工神经网络(ANN)和支持向量机(SVM)的多组件学习器实现有机分子沸点的精准预测. 我们构建了基于可解释性描述符的ANN、基于相关性描述符的ANN及基于复合分子指纹的SVM三个异质模型, 并通过包含4550个各种类别的有机分子沸点的数据集进行训练得到了三个异质性学习器, 最后集成三个学习器对有机分子沸点进行预测. 相比于传统方法和此前的定量结构性质关系(QSPR)模型, 多组件模型结合了三种模型的优点, 展现出很好的预测精度和泛化能力以及低的过拟合, 实现了对多种类型有机分子的沸点的有效预测.