原子三角法在定量结构/活性相关分析中的应用

分子相似度;回归分析;人工神经网络;原子三角法在定量结构/活性相关分析中的应用     

人工神经网络法预测炸药组分的色谱保留值参数

 以分子拓扑指数作为炸药组分的结构描述符 ,利用反向传播算法 (BP)人工神经网络 ,以Sigmoid函数为传递函数 ,分子连接性指数0 χ ,1χ ,2 χ与边邻接指数 (ε)为输入向量 ,反相高效液相色谱保留值参数logkw 和S为输出向量 ,将输入向量归一化至 - 3～ 3区间 ,输出向量归一化至 0～ 1区间 ,网络精度取 0 5 ,学习步长 η的初始值取0 2 ,动量因子α取 0 5 ,通过对 2 0种炸药的网络模型进行训练 ,建立了炸药分子结构与logkw 和S之间的定量模型。结果表明 ,该模型较好地反映了炸药分子结构与保留值之间的关系。     

同时测定粮谷中痕量锰铁铜锌的人工神经网络辅助分光光度法

在pH 9.5时,Mn(Ⅱ )、 Fe(Ⅲ )、 Cu(Ⅱ )和 Zn(Ⅱ )均与 2-(5-溴-2-吡啶偶氮 )-5-二乙氨基苯酚和非离子表面活性剂聚乙二醇辛基苯基醚发生高灵敏的显色反应,生成稳定的三元胶束络合物 ,其λ max分别为 566、 560、 562和 559 nm,表明吸收光谱严重重叠 ; 在相应λ max处,其表观摩尔吸光系数分别为 1.13× 105、 7.32× 104、 1.02× 105和 1.04× 105 L· mol－ 1· cm－ 1。用模拟退火－误差反向传播人工神经网络辅助分光光度法,不经分离,同时测定了模拟样和粮谷样中的痕量锰、铁、铜和锌。详细研究了该算法的最佳计算条件。虽然体系的加和性较差,但由于该算法的优良性能,仍然取得了满意结果。     

人工神经网络-近红外光谱法用于粉末药品美的康的非破坏定量分析

1　引　　言 　　近红外光谱分析技术在药品分析中得到重视,这是因为该方法的非破坏性,样品不需预处理 ,不需分离,即可直接测定。但其各组分光谱重叠需采用一定的数据处理技术方能获得准确 分析结果。本文应用人工神经网络 进行粉末药品美的康的非破坏性快速定量分析。使用一组美的康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。采用了新的网络 评价标准——逼近度。 　　2　实验部分 　　2.1　仪器和试剂　日本岛津UV-3100型紫外可见近红外分光光度计,附件积分球。测量条件,狭缝为12 nm,扫描范围1100～2500 nm。所用试剂均符合药典标准 。     

计算智能与力学反问题中的若干问题

计算智能是生物智能的计算模拟,包括人工神经网络、模糊系统和进化计算三个主要部分．参考国内外有关计算智能与力学反问题研究中的某些问题,并结合作者的研究工作,介绍了有关课题的研究状况以及目前的研究进展．     

学一点数理逻辑（续）

3　布尔函数与人工神经网络形如f={0,1}n→{0,1}的函数叫布尔(Boole)函数.布尔函数在电路理论、密码学等诸多领域有重要的应用,也和命题演算有直接的联系.如果把关于实数x1,…,xn的求最大最小值的符号max与min分别换成∨与∧,则可像定理5一样证下面的定理6　每个布尔函数f={0,1}n→{0,1}都有一个标准的析取范式表达表.例7　设f是三元布尔函数,f(x1,x2,x3)=1当且仅当(x1,x2,x3)是(1,0,0),(0,0,1)或(0,1,1).求f的表达式.解　考虑例6中的方法,把p1,p2,p3改为x1,x2,x3,把A改为f(x1,x2,x3).参照例6,与(1,0,0)对应的合取式是x1∧x2∧x3,与(0,0,1)…     

一种基于可见-近红外光谱快速鉴别茶叶品种的新方法

提出了一种用可见-近红外光谱技术快速无损鉴别茶叶品种的新方法。应用可见-近红外光谱仪测定5个品种茶叶的光谱曲线,用主成分分析法对不同品种茶叶进行聚类分析并获得茶叶的可见-近红外光谱数据的主成分,再结合人工神经网络技术建立模型进行品种鉴别。主成分分析表明,以主成分1和2对所有建模样本的得分值做出的得分图,对不同种类茶叶具有较好的聚类作用,可以定性分析茶叶种类。把主成分分析得到的前6个主成分作为神经网络的输入,茶叶品种值作为神经网络的输出,通过5个茶叶品种共125个样本的训练和学习,建立了茶叶品种鉴别的3层BP人工神经网络模型,对未知的25个样本进行鉴别,品种识别准确率达到100%。说明本文提出的方法具有很好的分类和鉴别作用,为茶叶的品种快速鉴别提供了一种新方法。     

基于人工神经网络的淫羊藿红外光谱的研究

对于不同产地和不同栽培条件的药材, 其药效的不同是由于其所含化学成分和各成分含量的比例不同所造成的, 这种差异将造成红外图谱的差异。但这些差异非常细微,单纯地从谱图去区分其特征是非常困难的。文章利用傅里叶变换红外光谱,测定了42种来自吉林3个不同产地的淫羊藿样品的红外光谱,并对光谱数据进行了相应的预处理。为了提高神经网络的训练速度,在利用人工神经网络建立模型之前,通过小波变换的方法对光谱变量进行了压缩。同时对建立的模型的相关参数进行了详细的讨论。实验表明,建立的模型能够正确地对42个淫羊藿样品进行产地鉴别,同时避免了传统光谱分析对药材的分离和提取,从而为中药质量的科学控制和现代化管理提供了可靠的依据。     

基于光谱和神经网络模型的作物与杂草识别方法研究

利用光谱技术来识别作物与杂草是精细农业中一个非常重要的研究内容,但光谱数据中含有大量冗余数据,如何预处理以及建立识别模型,是决定识别准确率的关键。利用在325～1 075 nm波段的光谱识别了三种杂草（牛筋草、凹头苋、空心莲子草）与大豆幼苗。在幼苗生长的第三周与第六周分别采集杂草与作物的光谱,共378个样本。用其中的250个光谱样本,包括第一期和第二期采集的光谱样本,在采用db12小波经过三层分解后,将其小波系数作为输入数据建模,构造了一个径向基函数神经网络。然后,利用余下的光谱样本检验该模型的识别能力。结果表明,该模型对作物与杂草光谱具有极强的识别能力,只有3个第二期的牛筋草样本被判断为空心莲子草,其余的样本全部正确识别。这个结果表明,采用可见/近红外光谱识别大豆幼苗与三种伴随生长的杂草是可行的,同时也说明,随着作物的生长阶段的不同,其光谱的变化不会影响到种类识别。     

基于人工神经网络的茶叶咖啡因提取条件的优化

研究了浸提时间、液料比、溶剂酸碱度和浸提温度对提取效果的影响。在单因素试验的基础上对提取咖啡因的工艺条件进行了优化,优化结果显示,浸提温度在咖啡因的提取过程中影响最为显著,其次是提取时间、pH值和液料比,各因素较优的水平为浸提温度80℃,浸提时间90 min,液料比为30∶1,pH=7,并对正交实验数据分别作多元一次和二次回归,得到相应的回归方程。最后以正交实验为基础建立了人工神经网络优化模型,该模型的优化结果为浸提温度100℃,浸提时间115 min,液料比为41∶1,pH=4.5。实验证明,人工神经网络得出的结果优于正交实验,二者结果的差异在于多因素之间的交互作用。