最小二乘支持向量机方法用于提高低水平量子化学方法计算吸收能的精度

运用B3LYP/STO-3G和ZINDO两种低水平的量子化学方法计算了160个有机分子的UV-Vis吸收光谱, 然后提取合适的物理参数, 并以实验值为基础, 引入最小二乘支持向量机方法以提高吸收能的计算值精度. 结果表明, 最小二乘支持向量机方法可有效提高量子化学计算精度, 体系的吸收能误差均方根分别从0.95和0.46 eV降低到0.16和0.15 eV. 最小二乘支持向量机校正方法的引入可在较少的机时和计算资源下得到比单一的量子化学计算方法更为稳定和精确的计算结果, 且可在现有计算条件下预测现有计算能力达不到的精度. 因此, 将最小二乘支持向量机方法用于量子化学数据分析, 为化学研究准确、 快捷地预测分子性质提供了一种新的研究手段.     

支持向量机分类和回归用于肽的QSAR研究

使用支持向量机技术对两类肽化合物体系进行了分类和回归研究,并将其系统地与K最邻近法、多元线性回归、偏最小二乘、人工神经网络进行了比较。结果表明,对于小样本、非线性问题,支持向量机具有较强的稳定性能及泛化能力,在大多数情况下能够得到优于传统方法的建模效果。对于分类问题,支持向量机对训练集和测试集都达到了100%的分类正确率;对于回归问题,支持向量机虽对训练集样本拟合效果略低于人工神经网络,但对外部测试集却表现出较强的预测能力。     

支持向量机用于高分子聚合物的折射率预测

支持向量机;定量构性相关;高聚物;折射率     

主成分分析-支持向量机用于肝病分类模型

将主成分分析(PCA)用于肝功能检测数据特征提取,然后用支持向量机(SVM)对乙肝、丙肝、肝硬化、正常人样本建立分类模型。采用高斯径向基函数(RBF)为核函数,调节核函数参数C及σ以建立最佳支持向量机模型。该模型对训练集的识别率为99.3%,对预测集的预测率为96.4%。结果表明:PCA-SVM法建立的肝病分类模型能较好的区分乙肝、丙肝、肝硬化及正常人,且分类效果优于传统支持向量机及人工神经网络(ANN)分类模型。     

基于启发式方法和支持向量机方法预测有机物的热导率

构建147个有机物分子结构与其热导率值之间的定量结构-性质关系(QSPR)模型, 探讨影响有机物热导率的结构因素. 以147个化合物作为样本集, 随机选择118个作为训练集, 29个作为测试集. 应用CODESSA软件计算了组成、拓扑、几何、静电和量子化学等描述符, 通过启发式方法(HM)筛选得到5个结构参数并建立线性回归模型; 用所选5个结构参数作为支持向量机(SVM)的输入, 建立非线性的支持向量机回归模型. 预测结果表明: 支持向量机回归模型的性能(复相关系数R²=0.9240)虽略低于启发式回归模型的性能(R²=0.9267), 但是支持向量机方法预测性能(R²=0.9682)高于启发式方法的预测性能(R²=0.9574), 对于QSPR模型来说, 预测性能更重要. 因此, 总体来说支持向量机方法优于启发式方法. 支持向量机方法和启发式方法的提出为工程上提供了一种根据分子结构预测有机物热导率的新方法.     

低自由能固体表面的制备及其应用*

低自由能表面具有一些独特的性能,在工业和日常生活中具有广泛的应用,本文就低自由能表面的制备及其发展概况进行综述,共引用文献83篇。     

支持向量机算法在冶金和材料科学中的应用

将支持向量机算法用于相图评估和预报,冶金物料物性建模,冶金生产优化及故障诊断,以及材料设计等方面,效果良好.     

自由能微扰法研究系列烷基芳基磺酸盐的胶束化焓-熵补偿现象

为了研究不同结构的表面活性剂分子在水溶液中的胶束化焓-熵补偿现象, 采用自由能微扰(FEP)法计算了系列烷基芳基磺酸盐的溶剂化自由能, 并根据胶团化过程的质量作用模型讨论了相关热力学性质. 结果表明: 自由能微扰法得到的溶剂化自由能大小与用传统热力学表面张力法测定的吉布斯自由能相近, 能够用于比较不同结构的烷基芳基磺酸盐间胶束化能力; 烷基芳基磺酸盐在水溶液中的胶束化过程是自发进行的, 且存在焓-熵补偿现象, 补偿温度范围均在(302±2) K; 随着分子结构中芳环向长烷基链中间位置移动, 胶束化能力和胶束的稳定性均下降; 而随着芳环上短烷基链或长烷基链碳数的增加, 形成胶束的能力与稳定性均提高.     

基于支持向量机的液体推进剂分析方法研究

本文提出了使用支持向量机(SVM)算法,不经分离同时测定某推进剂中三种组分的分析方法。基于Matlab平台下运用Libsvm工具箱进行推进剂的支持向量机回归分析,三种组分分析结果的标准误差分别为:2.87×10-2、1.01×10-3、6.67×10-5。与常规的化学滴定法和BP神经网络法分析结果相比,准确度和精密度都有较大程度的提高,可以满足常规化学分析要求而应用于实际测定。     

基于支持向量机的羰基化合物红外光谱研究

设计了一个4层分等级分类系统,通过支持向量机技术对羰基化合物的红外光谱成功地进行了信息分类和提取,并与人工神经网络进行比较,结果表明支持向量机对羰基类化合物红外光谱分类效果优于人工神经网络;另外详细探讨了表征酰胺类化合物的特征光谱峰片段对识别伯仲叔酰胺的影响,证明了酰胺的N-H伸缩振动峰对识别伯仲叔酰胺贡献最大,为构建红外光谱智能解析系统提供了定量依据.