人工神经网络方法预测气相色谱保留值

本文运用一典型的人工神经网络模型－“反向传播“模型的改进形式，研究了诱导效应指数Ｉ，摩尔折射度Ｒｏ，疏水亲脂参数ＩｇＰ，以及分子联通性指数与气象色谱保留行为的关系，实现了对色谱保留植的预测。神经网络预测模型的最大相对误差不超过８．７％。结果表明，该方法性能良好，可望成为色谱保留值预测的有效手段。     

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。     

反相液相色谱双柱双参数法用于芳香类组分保留值的预测

保留值的双柱双参数的方法,此方法通过建立标准的、c双参数库,利用双柱之间的-线性关系来预测各类样品的保留值。文中给出了芳香类化合物保留值的预测实例。     

人工神经网络在气相色谱保留值预测上的应用

应用人工神经网络对气相色谱Ｋｏｖａｔｓ保留指数进行多点预测研究。基于人工神经网络的典型模型（ＢＰ网络）,采用文献中的数据,建立了反映溶质的Ｋｏｖａｔｓ指数与溶质的溶剂化参数以及其与固定相的相参数之间关系的数学模型,并采用多元性回归方法和人工神经网络对溶质的Ｋｏｖａｔｓ指数进行了预测研究。     

人工神经网络方法预测气相色谱保留指数

用误差反向传播（ＢＰ）的人工神经网络（ＡＮＮ）模型及分子结构描述码作为输入特征参数，预测气相色谱保留指数．研究了链烷烃、环脂烃、烯烃及醇、酯、醚等３００个化合物，预测结果平均相对误差不大于２．８３％．     

拓扑指数在预测氯代苯同分异构体的色谱保留值中的应用

采用三阶分子连接性指数计算分子有效表面积参数和有效体积参数，从而使ＵＮＩＦＡＣ基团贡献法能关联和预测氯代苯同分异构体的色谱保留值，实验值与预测值的相对误差小于１０％。     

从分子微观参数预测反相色谱保留值方程系数

在考虑氢键作用能随流动相组成改变的情况下,重新推导了液相色谱保留值方程,进而得到液相色谱保留值方程系数与分子微观参数之间的关系。在分子母体结构相同条件下,提出采用五个系数预测反相色谱保留值的方法,并用文献数据给予验证。     

芳烃化合物结构参数与色谱保留值关系的探讨

在自制的十六烷基磷酸锡固定相、甲醇－水流动相的色谱体系中，建立了烷基取代苯、不同数目的甲基取代苯、稠环芳烃等溶质的色谱保留值与其分子结构参数（分子连接性指数、范德华体积）之间的回归方程，并用疏溶剂理论予以解释，同时探讨了结构参数与色谱热力学的关系。     

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。     

硫醇的分子连接性指数与气相色谱保留值

硫醇的分子连接性指数与气相色谱保留值赵邦屯王利亚（洛阳师专化学系洛阳４７１０２２）关键词硫醇分子连接性指数气相色谱保留值中图分类号Ｏ６５７．７１有机化合物的色谱保留行为与其结构之间的定量关系研究一直是物理化学、分析化学和生物化学的研究对象之一。长期以...     

Prediction of Programmed-temperature Retention Values of Naphthas by Artificial Neural Networks

Abstract

It is proposed for the first time a method of prediction of the programmed-temperature retention times of components of naphthas in capillary gas chromatography using artificial neural networks. People are used to predict the programmed-temperature retention time using many formulas such as the integral formula, which requires that four parameters must be determined by calculation or experiments. However the results obtained by the formula are not so good to meet the demand of industry. In order to predict retention time accurately and conveniently, artificial neural networks using five-fold cross-validation and leave-20%-out methods have been applied. Only two parameters: density and isothermal retention index were used as input vectors. The average RMS error for predicted values of five different networks was 0.18, whereas the RMS error of predictions by the integral formula was 0.69. Obviously, the predictions by neural networks were much better than predictions by the formula, and neural networks need fewer parameters than the formula. So neural networks can successfully and conveniently solve the problem of predictions of programmed-temperature retention times, and provide useful data for analysis of naphthas in petrochemical industry.     

基于神经网络的黑莓果酒香气成分的定量结构色谱保留相关研究

采用人工神经网络(ANN)建立了36种黑莓果酒香气成分的结构与色谱保留时间之间的定量关系(QSRR)模型。以36种黑莓果酒香气成分的分子连结性指数和电拓扑指数作为输入、保留时间作为输出,采用内外双重验证的办法分析和检验所得模型的稳定性,所构建网络模型的相关系数为0.9993、交叉检验相关系数为0.9949、标准偏差为0.1100、残差绝对值小于0.47,应用于外部预测集,外部预测集相关系数为0.9833。为了便于比较,也采用多元线性回归(MLR)法建立了QSRR模型,模型的相关系数为0.9904、交叉检验相关系数为0.9905、标准偏差为1.4896、残差绝对值小于4.32,外部预测集相关系数为0.8973。结果表明,ANN模型获得了比MLR模型更好的拟合效果。     

人工神经网络在溶解度预测方面的应用

溶解度作为一项重要的物化指标,一直是化学学科的研究重点。然而,通过实验测量获得数据耗时费力,因此,科研人员建立了多种理论方法来进行估算,其中,人工神经网络因其能够关联复杂的多变量情况而受到广泛关注。本文综述了人工神经网络在物质溶解度预测方面的应用,介绍了应用最广泛的3种神经网络(BP神经网络、小波神经网络、径向基神经网络)的模型结构、预测方法和预测优势,探讨了神经网络的不足以及改进方法。文章最后对神经网络在物质溶解度预测方面的发展前景进行了展望。与其他方法相比,人工神经网络技术在物质溶解度预测方面具有预测结果精确度高、操作简单等特点,具有广阔的应用前景,但输入变量选择、隐含层节点数确定、避免局部最优等问题还需逐步建立系统的理论指导。     

Estimation and Prediction of Gas Chromatography Retention Indices of Hydrocarbons in Straight-run Gasoline by Using Artificial Neural Network and Structural Coding Method

ＩｎｔｒｏｄｕｃｔｉｏｎＴｈｅｓｔｕｄｙｏｆｍｏｌｅｃｕｌａｒｍｏｄｅｌｉｎｇａｎｄｃｈｅｍｉｃａｌｍｏｄｅｌｉｎｇ ,ｉｎｃｌｕｄｉｎｇｔｈｅｌｉｎｅａｒａｎｄｔｈｅｎｏｎｌｉｎｅａｒｍｅｔｈｏｄｓ ,ａｎｄｔｈｅ ｑｕａｎｔｉｔａｔｉｖｅｓｔｒｕｃｔｕｒｅ ｐｒｏｐｅｒｔｙ/ａｃｔｉｖｉｔｙｒｅｌａｔｉｏｎｓｈｉｐ (ＱＳＰＲ/ＱＳＡＲ) ,ｈａｓｂｅｅｎｏｆｍａｊｏｒｉｎｔｅｒｅｓｔｔｏｍａｎｙｃｈｅｍｉｓｔｓａｎｄｒｅｌａｔｉｖｅｓｃｉｅｎｔｉｓｔｓ[1— 4] .Ｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｐａｒｔｓ…     

神经元网络用于PCDD定量构效关系的研究

研究了不同PCDD（全名Polychlorinateddioxin）同系物分子结构的表达及特征参数的选择,应用神经元网络方法对其分子结构与色谱保留值进行了关联。对49种PCDD同系物在DWS往上不同温度下保留时间进行了预测,结果95％以上的数据点相对误差小于10％,而80％以上的数据点相对误差小于5％。     

弹性反传神经网络法预测烷基苯的疏水性常数

 介绍了应用人工神经网络预测烷基苯分子疏水性常数的方法。该法同传统方法相比 ,具有操作简便 ,适用范围广的特点。基于误差反传神经网络 ,建立了分子连接性指数 (χ)、范德华表面积 (Aw)和疏水性常数 (logP)之间的数学模型。应用该模型对烷基苯分子的疏水性常数进行预测 ,其平均相对偏差为 0 6 7%。并且通过与标准误差反传算法和自适应学习算法相比较 ,发现弹性反传算法具有训练速度快 ,参数选择简单的特点。     

利用人工神经网络法预测烷烃的沸点

有机物沸点是有机物的一种非常重要的性质 .采用人工神经网络模型 ,选用结构描述码作为输入特征参数对烷烃的沸点进行预测 ,得到了很高的预测精度 .该方法还可作为对有机化合物的其他性质进行预测的一种有效手段     

人工神经网络法预测二维色谱柱效

 采用基于变步长BP算法的人工神经网络,对高效微 填充柱-毛细管柱构成的二维柱色谱系统建立了柱效与影响因素的权接拓扑模型, 并用于不同操作条件下二维柱系统的柱效预测中,取得了较好的效果。