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。     

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。     

饱和醇定量结构-保留相关研究中人工神经网络的应用

以拓扑指数（分子连接性指数）为结构描述符,用人工神经网络技术建立了醇类化合物的结构与色谱保留值的相关性模型。研究了网络构造对模型稳定性的影响,考察了模型在单一固定相上及固定相上的适应性。与多元线性回归法相比较,人工神经网络模型具有更好的预测结果,但外推能力较弱。     

基于局部最小二乘支持向量机的光谱定量分析

提出了一种基于局部最小二乘支持向量机(LSSVM)的回归方法,以克服待测参数和光谱数据间的非线性。本方法首先通过欧式距离选取局部训练样本子集,然后利用该子集建立LSSVM校正模型。由于每个测试样本建模时要选取不同的训练样本,因此提出相对距离的概念用来改进高斯核函数,使LSSVM的参数对于不同的训练样本具有自调整功能。针对一批汽油样本的实验结果表明,本方法的预测精度优于常见的局部线性建模方法和全局建模方法。     

分子电性距离矢量用于FCC汽油中硫化物的QSRR研究

采用拓扑结构描述符中的分子电性距离矢量(MEDV),对催化裂化(FCC)汽油中48种硫化物在PONA柱上的气相色谱保留指数值(RI)建立多元线性回归模型和神经网络BP模型,并进行模型对比。结果表明,MEDV能很好分辨FCC汽油中不同硫化物以及同种硫化物异构体,由此建立的定量结构–保留相关关系的多元线性回归(MLR)模型和神经网络BP模型都具有较好的稳定性和良好预测能力,而非线性BP模型优于MLR模型的预测能力。     

应用基团贡献法关联抗生素的高效液相色谱的保留值

应用ＵＮＩＦＡＣ基团贡献模型计算了４种头孢菌素在ＯＤＳ柱上及不同配比甲醇－水体系中的活度系数，采用多元线性回归法关联了头孢菌素－甲醇－水体系的反相高效液相色谱的保留值，可预测不同配比流动相下的容量因子，经验证实验值与计算值的对误差小于１０％。     

高效液相色谱中同系物保留植收敛现象的研究

在讨论影响溶质保留行为因素的基础上，建立了描述同系物保留值收敛现象的一般模型，对１２种同系物（共３８组数据）在６种不同组成的二元流动相和８种固定相中的保留值进行了回归分析，相关系数ｒ≥０．９７４，标准偏差ＳＤ≤０．０５。绘制了这些同系物的三维保留图形及投影图，并据此对同系物收敛现象及其物理意义进行了讨论，建立了计算收敛点坐标的简便方法。     

高效液相色谱中同系物保留值收敛现象的研究

在讨论影响溶质保留行为因素的基础上，建立了描述同系物保留值收敛现象的一般模型，对12种同系物（共38组数据）在6种不同组成的二元流动相和8种固定相中的保留值进行了回归分析，相关系数r≥0．974，标准偏差SD≤0．05．绘制了这些同系物的三维保留图形及投影图，并据此对同系物收敛现象及其物理意义进行了讨论，建立了计算收敛点坐标的简便方法．     

人工神经网络用于连钱草中总黄酮和三萜酸类成分的含量预测

以连钱草的毛细管电泳指纹图谱为输入数据,以总黄酮和三萜酸类成分含量为输出数据,构建了反向传播网络、径向基函数网络和广义回归网络三种人工神经网络模型.采用三种网络模型和两种预测方法对未知样本的总黄酮和三萜酸类成分含量进行了预测,并分别比较了三种网络和两种预测方法的预测结果.另外,结合聚类分析结果和输入数据的相似度,分析了预测误差的来源.结果表明:三种网络对大部分样本的预测值与实际值都比较接近,而广义回归网络的预测效果最优;扣除奇异值后,广义回归网络的两种预测方法对未知样本的总黄酮和三萜酸类成分含量的平均预测误差分别为10.9%和0.00073%.     

烷基苯酚类化合物的气相色谱保留值与其结构参数的定量关系

计算了44个烷基苯酚类化合物的组成、拓扑、几何、静电和量子化学等结构参数,运用启发式方法对这些结构参数进行筛选,得到了含3个变量的化合物的定量结构与色谱保留值的线性关系模型,同时以这3个变量作为支持向量机模型的输入变量建立非线性回归模型。两种方法的相关系数(R2 )分别为0.98和0.92,相应的均方根误差分别是0.99和2.77。通过对两种模型的稳定性和预测能力的比较,发现线性模型能够更好地反映烷基苯酚的气相色谱保留值与其结构参数之间的定量关系。在已知烷基苯酚类化合物结构参数的情况下,线性回归模型更有助于它们的色谱分析。     

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。     

A comparative study of laser induced breakdown spectroscopy analysis for element concentrations in aluminum alloy using artificial neural networks and calibration methods

A comparative study of analysis methods (traditional calibration method and artificial neural networks (ANN) prediction method) for laser induced breakdown spectroscopy (LIBS) data of different Al alloy samples was performed. In the calibration method, the intensity of the analyte lines obtained from different samples are plotted against their concentration to form calibration curves for different elements from which the concentrations of unknown elements were deduced by comparing its LIBS signal with the calibration curves. Using ANN, an artificial neural network model is trained with a set of input data of known composition samples. The trained neural network is then used to predict the elemental concentration from the test spectra. The present results reveal that artificial neural networks are capable of predicting values better than traditional method in most cases.     

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。     

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。     

The predicting study for chromatographic retention index of saturated alcohols by MLR and ANN

A QSRR method was followed to relate the observed Kovats retention indexes of saturated alcohol compounds with their molecular connectivity indices by means of multilinear regression analysis and artificial neural networks technique. The alcohols included linear, branched with hydroxyl group on a primary, secondary, or tertiary carbon atom. At first, models were generated for six OV (Ohio Valley) series columns separately, with high value of R and F statistics. Then a combined model, added a polarity term of stationary phase (M), was also developed for all these columns, and the result was satisfactory. For comparison, the neural network of BP algorithm was applied, and it was found that the neural network could exceed the level of the multiple regression method. The stability and validity of both models were tested by cross-validation technique and by prediction response values for the prediction set.     

氢键碱度的神经网络法计算

氢键在生命科学和化学等领域均起着十分重要的作用.化合物可以通过提供质子和接受质子等两种方式与其它化合物形成分子间氢键,其形成氢键的能力分别称为氢键酸度（hydrogen-bondacidity）和氢键碱度(hydrogen-bondbasicity).可以用正辛醇／水分配系数和环己烷／水分配系数的对数差（ΔlogP）[1]、溶剂化显色参数[2－3]等表示化合物形成氢键的能力,其中应用较多的是Abraham等[4]提出的总氢键酸度（）和总氢键碱度（）.但由于和要通过实验得到,繁琐不便,限制了它们的广泛应用.本文用神经网络法研究了理论计算得到的量子化学参数与之间的相…     

Application of artificial neural networks in multifactor optimization of an FIA system for the determination of aluminium

A methodology based on the coupling of experimental design and artificial neural networks (ANNs) is proposed in the optimization of a new flow injection system for the spectrophotometric determination of Al(III) with Arsenazo DBM, which has for the first time been used as chromogenic reagent in the quantitative analysis of aluminium. An orthogonal design is utilized to design the experimental protocol, in which three variables are varied simultaneously. Feedforward-type neural networks with faster back propagation (BP) algorithm are applied to model the system, and then optimization of the experimental conditions is carried out in the neural network with 3-7-1 structure, which have been confirmed to be able to provide the maximum performance. In contrast to traditional methods, the use of this methodology has advantages in terms of a reduction in analysis time and an improvement in the ability of optimization. The method has been applied to the determination of Al(III) in steel samples and provided satisfactory results.     

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。     

Modeling strategy for systems with both stepwise and chainwise chemistry revisited. The directionality effect on the build-up of the network structure

A comparison of rigorous and approximate models for the build-up of epoxy-amine networks with simultaneous etherification is presented. Contrary to a recent publication, it is shown that naïve statistical models perform very well in predicting statistical parameters when the different directions of network growth are distinguished in the statement of the recursive procedure. Slightly lower values of gel conversions are predicted by the approximate model, a fact that is consistent with the wider distribution of chain lengths resulting from the random recombination procedure. © 1993 John Wiley & Sons, Inc.