基于内源性致香物质和化学计量学的烟草感官评价研究

采用主成分分析法结合遗传算法和神经网络,建立了基于烟草内源性致香物质的感官质量评价预测模型。利用气相色谱-质谱(GC-MS)技术对超临界萃取-分子蒸馏所得烟草精油中的内源性致香组分进行定性定量分析,汇总各类致香指标后,对其进行主成分分析;以提取所得5个主成分的得分作为输入变量,感官评吸分数作为输出变量,分别使用标准BP神经网络和遗传算法(GA)优化的BP神经网络建立预测模型。对比实验结果表明,GA优化后的模型预测效果更优,其预测值与实验值间的相关系数为0.96,预测均方根误差为1.81,说明GA-BP模型具有更好的拟合能力和预测能力,该模型能有效地预测烟草精油的感官品质。     

超临界CO2在聚合物中的溶解计算研究进展

本文以超临界CO2在聚合物中的溶解计算模型为例,综述了状态方程、经验方程和人工神经网络计算方法的实现原理、研究现状和优缺点;依据人工神经网络预测方法存在的问题,重点阐述基于混合智能方法的神经网络溶解计算模型;并对溶解计算研究进行了总结和展望。     

分子荧光-基于主成分分析优化输入变量的径向基函数神经网络法测定尿液中的诺氟沙星

将主成分分析用于优化径向基函数神经网络的输入变量,用于提高神经网络模型的预测能力。方法能有效地解决分子荧光光谱法测定尿液中诺氟沙星过程中尿液中内源性荧光物质的干扰。在优化条件下,径向基函数神经网络模型对尿液中诺氟沙星的平均预测误差为15.34%,神经网络结构为2∶3∶1。方法已用于测定尿液中的诺氟沙星。     

基于混沌自适应粒子群人工神经网络的气体在聚合物中的溶解模型

为提高溶解预测模型的效率和关联度, 建立基于混沌理论、自适应粒子群优化(PSO)算法和反向传播(BP)算法的混沌自适应PSO-BP神经网络模型, 并对二氧化碳(CO₂)在聚苯乙烯(PS)和聚丙烯(PP)中、氮气(N₂)在PS中的溶解度进行预测试验. 模型选用压力和温度作为输入参数, 使用试探法确定隐含层结点个数为8, 输出为预测的溶解度. 模型融合混沌理论、自适应PSO和BP算法各自的优势, 提高了训练速度和预测精度. 结果表明, 混沌自适应PSO-BP神经网络有很好的预测能力, 预测值与实验值相当吻合, 通过与传统BP神经网络和PSO-BP神经网络的比较可知, 其预测精度和相关性均明显较优, 预测平均绝对误差(AAD), 标准偏差(SD)和平方相关系数(R²)分别为0.0058, 0.0198和0.9914.     

人工神经网络用于近红外光谱预测汽油辛烷值

本文对BP人工神经网络(ANN)方法在汽油的辛烷值与其近红外光谱光谱吸光度的关系之间进行关联预报方面进行了研究。采用35个汽油实际样本数据,建立了利用汽油的近红外光谱光谱吸光度预测汽油辛烷值的BP人工神经网络模型。对所有辛烷值的计算结果与实测值进行了比较,得到的预测值与实测值计算误差小于1.55%。     

人工神经网络研究进展及其在光谱分析中的应用

介绍最常用的人工神经网络——BP神经网络的原理、结构及其研究进展,评述了人工神经网络在光谱分析中的应用。     

概率神经网络及FTIR用于胃癌组织样品分类识别的研究

近年来,神经网络广泛地用于非线性校正、模式分类、识别、优化、过程控制、参数估计、预测预报等领域[1-3];在化学方面,神经网络也得到了较快的发展[4,5].比如,神经网络用于IR光谱的重叠峰的处理及不同组份含量的同时测定问题[6],以及分子性质的预测研究方面等[7].     

改进的人工神经网络在传感器阵列信号处理中的应用

本文提出传感器阵列信号处理的人工神经网络模型，以Cu^ 2/Ca^ 2系统为研究对象．尝试了神经网络方法的效果。其最大相对误差不超过5．％，最大相对预测误差不超过2．4％，结果表明，该方法性能良好，在各种传感器阵列的信号处理方面有广泛的应用前景。     

芳香族化合物生物降解性的QSBR研究

分别采用线性基团贡献法和人工神经网络法对芳香族化合物的生物降解最大去除率QTOD进行QSBR研究。得到不同基团对生物降解性的贡献顺序为 :C6H5>COOH >OH >CO >CH3 >C1 >NH2>NO2 。线性基团贡献法对于训练组和测试组的预测正确率分别为 86%和 80 % ,总的预测正确率达85 % ;而人工神经网络法的预测正确率分别为 94%、80 %和 92 %。结果表明 ,线性基团贡献法和神经网络法的预测效果均很好 ,而神经网络法的预测更精确。     

机器学习方法用于二氢叶酸还原酶抑制剂的活性预测

分别采用支持向量学习机、人工神经网络、调节性逻辑回归和K-最临近等机器学习方法对761个二氢叶酸还原酶抑制剂建立了其活性分类预测模型. 采用组成描述符和拓扑描述符表征抑制剂的分子结构及物理化学性质, 使用Kennard-Stone方法进行训练集的设计, 并用Metropolis Monte Carlo模拟退火方法作变量选择. 结果表明, 支持向量学习机优于其它机器学习方法, 所得到的最优模型具有较好的预测结果, 其预测正确率为91.62%. 说明通过合适的训练集设计及变量选择, 支持向量学习机方法可以很好地用于二氢叶酸还原酶抑制剂的活性分类预测.     

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。     

Protein secondary structure prediction using neural networks and deep learning: A review

Literature contains over fifty years of accumulated methods proposed by researchers for predicting the secondary structures of proteins in silico. A large part of this collection is comprised of artificial neural network-based approaches, a field of artificial intelligence and machine learning that is gaining increasing popularity in various application areas. The primary objective of this paper is to put together the summary of works that are important but sparse in time, to help new researchers have a clear view of the domain in a single place. An informative introduction to protein secondary structure and artificial neural networks is also included for context. This review will be valuable in designing future methods to improve protein secondary structure prediction accuracy. The various neural network methods found in this problem domain employ varying architectures and feature spaces, and a handful stand out due to significant improvements in prediction. Neural networks with larger feature scope and higher architecture complexity have been found to produce better protein secondary structure prediction. The current prediction accuracy lies around the 84% marks, leaving much room for further improvement in the prediction of secondary structures in silico. It was found that the estimated limit of 88% prediction accuracy has not been reached yet, hence further research is a timely demand.     

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%.     

小波变换与神经网络结合用于示波计时电位测定

小波变换与神经网络的结合是化学计量学中一个十分活跃的研究领域。作者介绍了小波变换与神经网络的两种结合方式——辅助式结合和嵌套式结合,并将二者用于单组分示波计时电位信号定量计算的比较。结果表明：辅助式结合训练次数少,预测误差小;小波神经网络计算的自动化程度高,计算结果明显优于传统的人工神经网络。     

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.     

人工神经网络在纸浆卡伯值光学定量分析中的应用

卡伯值 (硬度 )是纸浆的重要质量指标 ,是制浆过程控制的关键参数 .目前的测量方法包括化学分析法和光学分析法两大类型 ,国内大多数的制浆造纸厂采用离线的传统化学分析法来测定纸浆的卡伯值 ,需要比较长的时间 .而光学分析法因具有实时性好、精度和可靠性高等优点 ,已逐步用于卡伯值的在线测量和控制 .研究 [1] 发现 ,在 460～ 580 nm的可见光谱范围内 ,蒸煮液吸光度的变化可以表征纸浆中木素含量的变化 .本文将可见分光光谱技术应用于蒸煮液中木素含量的在线测量 ,根据蒸煮液在所选波段的吸光度来预测纸浆的卡伯值 ,建立纸浆卡伯值与蒸煮…