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     

支持向量机方法预测有机物的亨利常数

以有机物摩尔体积V、偶极项π*、氢键给予体的酸性am、氢键接受体的碱性βm等四种理化参数为输入变量,利用支持向量机方法对72种有机物的亨利常数值进行了定量预测研究。研究发现,采用支持向量机方法可以实现使用较少样本数据建模,并达到较好的预测结果。支持向量方法的预测结果远优于线性回归法预测结果。     

基于小波支持向量机的蛋白质同源寡聚体分类研究

蛋白质具有的功能在很大程度上取决于其空间结构,因此对蛋白质空间结构的研究有着重要的意义.目前,蛋白质空间结构的解析主要有X射线晶体学方法、多维核磁共振法和基于结构知识的蛋白质结构预测方法.     

基于支持向量机预测G蛋白偶联功能类

G蛋白偶联受体,又称为七α螺旋跨膜蛋白质受体,因能结合和调节G蛋白活性而得名.现有研究表明,该类蛋白质的功能失调能够导致包括阿尔茨海默氏症、帕金森症、侏儒症、色盲症以及哮喘等在内的多种疾病的发生,并且通过调节有关G蛋白偶联受体介导的信号转导还可以治疗抑郁症、精神分裂症、失眠、高血压、肾功能衰竭甚至心脑血管等疾病.     

应用小波特征提取肺癌组织FTIR的支持向量机分类方法研究

提出了一种新的基于傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy, FTIR)的小波特征提取与支持向量机(SVM)分类方法以提高FTIR对早期肺癌的诊断准确率. 对肺正常组织、早期肺癌及进展期肺癌组织的FTIR, 利用连续小波(CW)多分辨率分析法提取9个特征量, 支持向量机把其分为正常组与非正常组(包括早期肺癌和进展期肺癌), 对正常组织、早期肺癌和进展期肺癌的识别, 多项式核函数和径向基函数的识别准确率最高. 多项式核函数对正常组织、早期肺癌和进展期肺癌的识别准确率分别为100%, 95%及100%; 径向基函数分别为100%, 95%和100%. 实验结果表明FTIR-CW-SVM模式分类方法对正常肺癌组织、早期肺癌及进展肺癌的识别具有较好的可行性.     

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.     

基于启发式算法和支持向量机算法预测醛类化合物急性毒性

应用启发式算法(HM)和支持向量机算法(SVM)建立了88种醛类化合物对大鼠急性毒性的定量构效关系模型。应用ChemOffice2004软件进行化合物的结构输入,利用半经验方法进行分子结构优化,在CODDESA软件中计算出组成、拓扑、几何、电子和量子化学参数。并用启发式方法筛选出相对阳性电荷、氧原子数量、碳原子的最小亲核反应指数、双键相对数量、碳原子数量、碳氢键之间的最大交换能量、最大σ-σ键序和双键数量8个参数,在此基础上应该多元线性回归和支持向量机方法建立QSPR模型。两种方法均得到了较好的结果,HM和SVM的交互检验的相关系数分别为0.90和0.93;通过对模型的稳定性和预测能力比较,SVM建立的QSAR模型能够更好地预测醛类化合物对大鼠急性毒性LD50。     

基于模糊最小二乘支持向量机的蒸发过程预测控制研究

针对氧化铝蒸发过程的多变量、非线性和大滞后特点及不同时间和空间样本数据不同的特征,提出了基于末位淘汰机制的混沌粒子群算法的综合加权模糊最小二乘支持向量机蒸发过程预测控制方法.用变异混沌粒子群算法对模型预测控制进行滚动优化,计算出最优控制序列.以某氧化铝厂蒸发过程生产数据进行实验验证分析,结果表明: 模型预测结果中相对误差小于8%的样本达到93.9%,出口浓度稳定在240 g/L附近,其控制性能得到显著改善,同时也起到了降低能耗的目的.     

紫外光谱水质分析仪中的支持向量机方法

紫外光谱水质分析仪的一个关键技术是如何建立紫外光谱数据与有机污染物浓度之间的数学模型,以及提高模型的外推能力。本研究基于统计学习理论的支持向量机方法,提出了有机污染物浓度与紫外光谱数据的建模方法。该方法具有较强的推广能力和全局最优的特点,得到的数学模型的预测能力明显改善,从而提高了紫外光谱水质分析仪的测量精度。实验表明：该方法优越于目前在紫外光谱水质分析仪中常规采用的偏最小二乘算法。     

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。     

氨基酸广义信息因子分析标度组合支持向量机模型用于β-turns预测及特征分析

提出一种新的组合方法用于β-turns预测和特征分析.该方法包括两步:如何表征β-turns特征和如何构建其预测模型.第一步应用氨基酸广义信息因子分析标度表征蛋白质中β-turns的结构特征,该标度涉及氨基酸的疏水性、α-螺旋与转角倾向、体积性质、构成特征、局部柔性及静电性.第二步以426个蛋白质为训练集样本,通过留1/7法交互验证,基于支持向量机建立β-turns预测模型.该模型分别成功地预测547和823个蛋白的β-turns.所得结果与所对比方法结果相当,更重要的是,SVM模型提供了一些关于β-turns特征的重要结构信息.该组合方法可以进一步尝试用于蛋白质结构预测及特征分析.     

基于支持向量机的低分辨核磁共振氢谱法快速预测喷气燃料密度

密度是喷气燃料生产、储运、加注过程中重要的质量指标。为了实现喷气燃料密度的快速、准确测定,提出了一种基于支持向量机（SVM）的低分辨核磁共振氢谱法预测喷气燃料密度。采集喷气燃料样品密度数据和低分辨核磁共振氢谱,利用网格寻优算法和训练集内部五折交叉验证方法优化建模参数。以均方误差和相关系数为指标,通过正交试验对影响模型性能的数据预处理方法进行优化,并对谱图特征的提取方式进行考察。在优化条件下建立的定量分析模型比偏最小二乘法模型预测准确度更高。所建模型对6个油样的预测值与标准值的相对偏差均低于0.3%,模型可应用于喷气燃料密度的快速分析。     

基于启发式方法和支持向量机方法预测药物与人血浆蛋白结合率

应用启发式方法和支持向量机方法建立了70种药物与血浆蛋白结合率的定量构效关系模型, 研究了分子结构对药物与血浆蛋白结合率的影响. 两种方法均得到了较好的结果, 交互检验的相关系数平方分别为0.80和0.82; 通过对模型的稳定性和预测能力比较, 支持向量机建立的QSAR模型能够更好地预测药物与血浆蛋白结合率.     

基于最小二乘支持向量机的色谱指纹图谱预测银杏叶总抗氧化活性

在色谱图基线校正和色谱峰匹配基础上,提出以40个银杏叶提取物HPLC指纹图谱的色谱图轮廓作为输入,相应的提取物总抗氧化活性作为输出,建立最小二乘支持向量机回归模型,并对包含10个样本的测试集进行了预测.最小二乘支持向量机的测试集预测误差均方根(RMSEP)为0.0230,预测结果优于目前普遍使用的误差反向传播神经网络和偏最小二乘回归.与采用色谱峰面积为分析变量的模型预测结果比较表明:采用消除干扰后的色谱图全谱轮廓保留了样本的全部信息,预测结果更好     

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圳伯仲叔酰胺的影响，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。     

烟草组分的近红外光谱和支持向量机分析

测定了120个产自福建、安徽和云南烟草样品的近红外光谱. 在利用支持向量机(SVM)技术建立其定量、定性分析模型之前, 用小波变换技术对光谱变量进行了有效的压缩, 然后采用径向基核函数建立了75个烟草样品的分类模型, 同时建立了总糖、还原糖、烟碱和总氮4个组分的定量分析模型, 并利用45个烟草样品对模型进行了检验. 仿真实验表明, 建立的SVM分类模型分类准确率达到100%, 而4个组分的定量分析模型的预测决定系数(R2)、预测均方差(RMSEP)和平均相对误差(RME)3个指标值显示其模型泛化能力非常强, 预测效果良好, 可见这是一种有效的近红外光谱的建模分析方法.     

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.     

用支持向量机建立中药有效成分聚集体的预测模型

化合物可以形成聚集体, 这种分子聚集体可能对靶点具有混杂抑制活性. 在中药中已经发现这种现象, 为了进一步研究这种现象,使用支持向量机(SVM)方法建立了分子形成聚集体的分类预测模型. 研究表明, 这个模型具有良好的预测能力, 并且具有稳定性. 通过使用现有化合物对该模型进行验证, 发现该模型具有良好的推广能力. 这个模型被用于对中草药有效成分三维结构与性质数据库(CHDD)中的分子的预测.     

前列腺癌细胞核酸适配体支持向量机分类模型

本文将前列腺癌(Prostate Cancer,PCa)PC-3M-1E8细胞为标靶的核酸适配体序列翻译成氨基酸序列,计算氨基酸序列的分子参数,然后用这些分子参数建立核酸适配体亲和性的构-效关系模型。所用的候选核酸适配体序列是采用以细胞为靶标的指数富集配体系统进化(Cell-SELEX)技术筛选得到。模型训练集、测试集分别包含150、50条核酸序列,均由第3轮和11轮的候选核酸适配体组成。将第3轮的核酸序列类标签值设置为"1",代表低亲和性、低特异性的候选核酸适配序列;将第11轮筛选所得核酸序列类标签值设置为"2",代表高亲和性、高特异性候选核酸适配序列。基于二值分类问题的支持向量机分类(SVC)算法用于建模。SVC模型对训练集、测试集的预测准确度分别为87.3%、86%。另外,采用SVC模型对第5、7、9轮的序列也进行了预测。第3、5、7、9、11轮的高亲和性与高特异性核酸适配体的分率分别是0.23、0.41、0.61、0.64、0.87,预测结果符合SELEX筛选的适配体进行规律。     

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.